Predictors of E-Cigarette Initiation: Findings From the Youth and Young Adult Panel Study
Notice bibliographique
Résumé
OBJECTIVES: Although previous studies have identified reasons why youth try e-cigarettes, longitudinal research is needed to identify predictors of e-cigarette initiation. This study assesses predictors of e-cigarette initiation among youth and young adults in the 2018-2019 Youth and Young Adult Panel Study. METHODS: This study examined the proportion of Canadian participants aged 16 to 25 (n = 137) reporting never use of e-cigarettes at baseline in 2018. Individuals were categorized as not initiated and initiated at 12-month follow-up. We examined demographic characteristics, substance use, health status, social influences and perception by initiation category. Adjusted odds ratios (AORs) were calculated using logistic regression models and multivariable logistic regression model. RESULTS: Among the 137 never e-cigarette users at baseline, 59% remained never users while 41% initiated use of e-cigarettes during the 12-month follow-up. The results of multivariable logistic regression analysis showed that regularly seeing anyone use e-cigarettes (AOR: 4.11; 95% CI: 1.04, 16.31) and seeing anyone use e-cigarettes very often or always at baseline (AOR: 4.54; 95% CI: 1.21, 17.01) is associated with initiating e-cigarette use among youth and young adults. CONCLUSION: The results revealed social influences to be the most important predictors of initiation among youth and young adults. Interventions to prevent youth and young adults from initiating e-cigarette use should expand from only focusing on peer use to reducing use in public space such as parks and recreational facilities.
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 ».