Susceptibility to smoking and determinants among medicalstudents: A representative nationwide study in China
Notice bibliographique
Résumé
INTRODUCTION: The rationale behind why the majority of medical students are non-smokers, but some initiate smoking after becoming physicians is not fully understood in China. Exploring factors that may increase susceptibility to smoking initiation among medical students is an essential first step in assessing preventative actions. METHODS: Participants were 11954 students, who were identified through a multistage survey sampling process that included 50 universities in China. Subsequent analysis focused on 8916 non-smokers among medical students. Both unadjusted and adjusted logistic methods were considered in the data analyses. RESULTS: The prevalence of susceptibility to smoking was 23.0%. Multivariate logistic regression analyses found that exposure to secondhand smoke (SHS) in domestic places (OR= 1.63) and in public places (OR=1.78), cigarette advertising (OR=1.91) and promotional activities on campus (OR=1.90) were positively associated with susceptibility to smoking. In contrast, positive attitudes toward tobacco control on the part of health professionals, HPs, (OR=0.52) were negatively associated with susceptibility to smoking. Those who received information about the dangers of smoking (OR=0.75) and did not agree that light cigarettes are less harmful to health (OR=0.79) were less susceptible to smoke. Caring about exposure to secondhand smoke (OR=0.68 care, and OR=0.33 very) and advising family members to stop smoking (OR=0.81) were negatively associated with susceptibility to smoking. CONCLUSIONS: These findings underscore the importance of tobacco control training and establishing smoke-free campuses for reducing susceptibility to smoking among medical students.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».