Development of a tobacco 21 policy assessment tool and state-level analysis in the USA, 2015–2019
Notice bibliographique
Résumé
OBJECTIVE: Policies raising the minimum legal sales age (MLSA) of tobacco products to 21 are commonly referred to as tobacco 21. This study sought to identify components of tobacco 21 policies and develop an instrument to examine policy language within 16 state laws adopted by July 2019. METHODS: The multistage tool development process began with a review of established literature and existing tobacco 21 policies. In a series of meetings, tobacco control experts identified key policy components used to develop an initial tool. After testing and revisions, the instrument was used to code the existing tobacco 21 state-level policies. Inter-rater reliability (κ=0.70) was measured and discrepancies were discussed until consensus was met. Policy component frequencies were reported by state. RESULTS: While all 16 states raised the MLSA to 21, the laws varied widely. Two laws omitted purchaser identification requirements. Fifteen laws mentioned enforcement would include inspections, but only three provided justification for conducting inspections. All 16 states provided a penalty structure for retailer/clerk violations, but penalties ranged considerably. Fourteen states required a tobacco retail licence, nine renewed annually. Six laws contained a military exemption, five were phased-in and 10 contained purchase, use or possession laws, which penalised youth. Four states introduced or expanded pre-emption of local tobacco control. CONCLUSIONS: The instrument developed is the first to examine policy components within state-level tobacco 21 laws. Policies that include negative components or omit positive components may not effectively prevent retailers from selling to youth, which could result in less effective laws.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».