Dataset on cigarette smokers in six South African townships
Notice bibliographique
Résumé
A total of 2453 smokers were interviewed in townships over two rounds of data collection. Townships are low-income, urban areas characterised by overpopulation, poor service delivery, crime, and poor socioeconomic outcomes. Township residents typically live in poverty. Data were collected from six townships in four of South Africa's nine provinces, namely Gauteng (Eldorado Park and Ivory Park), Western Cape (Khayelitsha and Mitchell's Plain), Free State (Thabong) and KwaZulu-Natal (Umlazi). These townships were chosen to represent both the geographical and racial spread of low socioeconomic areas in South Africa. Round 1 data (n = 1260) were collected from October to November 2017, and round 2 data (n = 1193) were collected from July to August 2018. The sample includes two of South Africa's four population groups: African and mixed race (locally referred to as “Coloured”, which describes people of mixed Khoisan, Malay, European, and black African ancestry). Since few Whites and Asians live in townships, they were not sampled. Households were selected via a random walk through each township. One smoker per household was interviewed (if a household contained at least one available smoker). We aimed to interview 200 adult smokers (aged 18+ years) per township per round. If a household had more than one smoker, a random selection determined which smoker to interview. Respondents were asked about their most recent cigarette purchase, specifically packaging type (single stick, pack, or carton), number of items purchased, brand, type of outlet where the cigarettes were bought, and the total amount paid for cigarettes. Respondents were also asked about other tobacco use in the household, and about their perceptions regarding illegal cigarettes. Socioeconomic and demographic information was collected at the individual and household level. The data has been used to estimate illicit trade (https://tobaccocontrol.bmj.com/content/early/2020/03/10/tobaccocontrol-2019–055136.info), and to analyse the determinants of smoking intensity (https://www.sciencedirect.com/science/article/pii/S2211335520300590).
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 | 0,000 | 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 ».