SmoCuDa: A Validated Smoking Cue Database to Reliably Induce Craving in Tobacco Use Disorder
Notice bibliographique
Résumé
BACKGROUND: Cue-reactivity paradigms provide valuable insights into the underlying mechanisms of nicotine craving in nicotine-dependent subjects. In order to study cue-driven nicotine craving, robust and validated stimulus datasets are essential. OBJECTIVES: The aim of this study was to generate and validate a large set of individually rated smoking-related cues that allow for assessment of different stimulus intensities along the dimensions craving, valence, and arousal. METHODS: The image database consisted of 330 visual cues. Two hundred fifty smoking-associated pictures (Creative Commons license) were chosen from online databases and showed a widespread variety of smoking-associated content. Eighty pictures from previously published databases were included for cross-validation. Forty volunteers with tobacco use disorder rated "urge-to-smoke," "valence," and "arousal" for all images on a 100-point visual analogue scale. Pictures were also labelled according to 18 categories such as lit/unlit cigarettes in mouth, cigarette end, and cigarette in ashtray. RESULTS: Ratings (mean ± SD) were as follows: urge to smoke, 44.9 ± 13.2; valence, 51.2 ± 7.6; and arousal, 54.6 ± 7.1. All ratings, particularly "urge to smoke," were widely distributed along the whole scale spectrum. CONCLUSIONS: We present a novel image library of well-described smoking-related cues, which were rated on a continuous scale along the dimensions craving, valence, and arousal that accounts for inter-individual differences. The rating software, image database, and their ratings are publicly available at https://smocuda.github.io.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».