Quit4hlth: a preliminary investigation of tobacco treatment with gain-framed and loss-framed text messages for quitline callers
Notice bibliographique
Résumé
Abstract Introduction Recent evidence suggests that quitline text messaging is an effective treatment for smoking cessation, but little is known about the relative effectiveness of the message content. Aims A pilot study of the effects of gain-framed (GF; focused on the benefits of quitting) versus loss-framed (LF; focused on the costs of continued smoking) text messages among smokers contacting a quitline. Methods Participants were randomized to receive LF ( N = 300) or GF ( N = 300) text messages for 30 weeks. Self-reported 7-day point prevalence abstinence and number of 24 h quit attempts were assessed at week 30. Intent-to-treat (ITT) and responder analyses for smoking cessation were conducted using logistic regression. Results The ITT analysis showed 17% of the GF group quit smoking compared to 15% in the LF group ( P = 0.508). The responder analysis showed 44% of the GF group quit smoking compared to 35% in the LF group ( P = 0.154). More participants in the GF group reported making a 24 h quit attempt compared to the LF group (98% vs. 93%, P = 0.046). Conclusions Although there were no differences in abstinence rates between groups at the week 30 follow-up, participants in the GF group made more quit attempts than those in the LF group.
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) | 0,000 | 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 ».