Renforcer la surveillance des produits de consommation au Canada : l’exemple du vapotage
Notice bibliographique
Résumé
Introduction L’objectif général de cette étude était de montrer comment utiliser les renseignements recueillis dans le cadre du Programme de la sécurité des produits de consommation (le Programme) pour identifier certains dangers émergents. Plus spécifiquement, il s’agissait de caractériser et de quantifier les tendances en matière de vapotage en utilisant les rapports d’incident reçus au cours des cinq dernières années dans le cadre du Programme. Méthodologie Les données recueillies dans le cadre du Programme ont été extraites pour la période du 1er janvier 2015 au 30 septembre 2019. Nous avons synthétisé les données sous forme de statistiques descriptives et nous avons quantifié les tendances en utilisant la variation annuelle en pourcentage. Dans le but d’établir des comparaisons reposant sur les caractéristiques des rapports d’incident lié au vapotage, nous avons utilisé les rapports proportionnels de blessures (RPB) et les intervalles de confiance (IC) à 95 % correspondants, ce qui permet de comparer les blessures liées au vapotage à l’ensemble des blessures signalées dans le cadre du Programme. Résultats Au total, 71 rapports d’incident lié au vapotage ont été reçus dans le cadre du Programme entre le 1er janvier 2015 et le 30 septembre 2019. Au cours de cette période, la hausse de la variation annuelle en pourcentage quant au nombre de rapports d’incident reçus s’est établi à environ 73 % annuellement (p $lt; 0,05). Parmi les blessures signalées, 41 % étaient des brûlures. Le nombre de rapports d’incident touchant les hommes (RPB = 1,89; IC à 95 % : 1,51 à 2,36) et les 15 à19 ans (RPB = 11,53; IC à 95 % : 4,95 à 26,8) en lien avec le vapotage était, en proportion, supérieur à celui de l’ensemble des autres signalements dans le cadre du Programme. Conclusion Bien que le nombre de rapports d’incident lié aux produits de vapotage soit faible, les résultats de notre analyse laisse penser que ces incidents sont davantage susceptibles de survenir au sein de certains groupes, en particulier chez les hommes et chez les jeunes.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».