Exposure to car smoking among youth in seven countries of the European Union
Notice bibliographique
Résumé
Abstract Background In the USA and Canada, cars are a major source of secondhand smoke (SHS) exposure among youth. Little is known about the magnitude of this public health problem in European countries. In this report, we study SHS exposure in vehicles among adolescents across 7 member states of the European Union (EU), with a particular focus on socio-economic characteristics and adolescents’ smoking environment. Methods Data on self-reported SHS exposure in cars during the past seven days was obtained from the 2016/17 cross-sectional SILNE-R study from 14-17-year old adolescents in EU seven countries (N = 10,481). We applied two multivariate logistic regression models with sociodemographic characteristics and mediating smoking-related factors. Results SHS car exposure varied widely across the 7 EU countries: 6% in Finland, 12% in Ireland, 15% in the Netherlands, 19% in Germany, 23% in Portugal, 36% in Belgium and 43% in Italy. Low paternal educational levels were strong correlates of SHS exposure in cars as well as migration background. Other correlates were one’s own smoking status and the relation to the family and peer smoking environment, such as parental smoking, permissive smoking rules at home, and best friends smoking. Conclusions In most of these seven countries, a considerable proportion of youth, particularly those from disadvantaged backgrounds, is exposed to SHS in cars. There is a need to ensure adoption and sustained enforcement of smoke-free car legislation. Given the long-term effectiveness of smoke-free car policies, our finding suggests that such policies can contribute towards reducing smoking inequalities. Key messages We assessed adolescent secondhand smoke (SHS) exposure in cars in 7 EU countries, which varies widely, ranging from 6% in Finland to 43% in Italy. The findings point to a social gradient, environmental factors in SHS car exposure and call for the rapid implementation of smoke-free car legislation.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».