Prevalence and correlates of different smoking bans in homes and cars among smokers in 6 Countries of the EUREST-PLUS ITC Europe Surveys
Notice bibliographique
Résumé
INTRODUCTION: Second-hand smoke exposure has decreased in a number of countries due to widespread smoke-free legislation in public places, but exposure is still present in private settings like homes and cars. Our objective was to describe to what extent smokers implement smoking rules in these settings in six European Union (EU) Member States (MS). METHODS: A cross-sectional survey was conducted with a nationally representative sample of adult smokers from Germany, Greece, Hungary, Poland, Romania and Spain (ITC six European countries survey, part of the EUREST-PLUS Project). We analysed data from 6011 smokers regarding smoking rules in their homes and in cars with children (no rules, partial ban, total ban). We described the prevalence of smoking rules by EU MS and several sociodemographic and smoking characteristics using prevalence ratios (PR) and 95% confidence intervals (CI) derived from Poisson regression models. \. RESULTS: In homes, 26.5% had a total smoking ban (from 13.1% in Spain to 35.5% in Hungary), 44.7% had a partial ban (from 41.3% in Spain to 49.9% in Greece), and 28.8% had no-smoking rules (from 20.2% in Romania to 45.6% in Spain). Prevalence of no-smoking rules in cars with children was 16.2% (from 11.2% in Germany to 20.4% in Spain). The correlates of not restricting smoking in homes and cars included: low education (PR=1.51; 95%CI: 1.20-1.90 and PR=1.55; 95%CI: 1.09-2.20), smoking >30 cigarettes daily (PR=1.53; 95%CI: 1.10-2.14 and PR=2.66; 95%CI: 1.40-5.05) and no attempts to quit ever (PR=1.18; 95%CI: 1.06-1.31 and PR=1.28; 95%CI: 1.06-1.54). CONCLUSIONS: Among smokers in six EU MS, no-smoking rules were more prevalent in homes than in cars with children. Whilst awareness about the health effects of exposure to tobacco smoke on children seemed to be high, more research is needed to better understand the factors that promote private smoke-free environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».