Coffee and cigarettes: Examining the association between caffeinated beverage consumption and smoking behaviour among youth in the COMPASS study
Notice bibliographique
Résumé
In adults, coffee, sugar-sweetened beverage (SSB) and high energy drink consumption have been related to increases in risky behaviour, including smoking. However, these associations are not well understood during adolescence. The purpose of this study was to examine the association between beverage consumption and smoking behaviour among Canadian adolescents. Using data from the COMPASS study (2016-2017; n = 46,957), four models were developed to investigate whether beverage consumption explained variability in smoking behaviour in adolescence (age = 15.7 ± 1.2 yrs); 1) smoking status; 2) e-cigarette use status; 3) days smoking cigarettes per month; and 4) days using an e-cigarette per month. Models were adjusted for demographic factors. Logistic (models 1 and 2) and ordinal logistic (models 3 and 4) were used for analysis. An association between the frequency of SSBs, coffee/tea or high energy drinks consumption and smoking behaviour was identified in all models. Greater beverage consumption was associated with being a current smoker (OR = 2.46 (2.02, 2.99)), former smoker, (OR = 2.50 (1.53, 4.08)), and currently using an e-cigarette (OR = 4.66 (3.40, 6.40)). Higher beverage consumption was also associated with more days smoking/using an e-cigarette per month (OR = 2.67 (1.92, 3.70) and 3.45 (2.32, 5.12), respectively). High energy drink consumption on 4 or 5 days of the school week was the best predictor of smoking behaviour in all models. Given the health consequences of smoking and e-cigarette use and their association with SSB, high energy drinks and coffee consumption, policy initiatives to prevent smoking initiation and limit access to these beverages needs ongoing attention and implementation.
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 | 0,003 | 0,002 |
| 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 | 0,001 |
| 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 ».