Indicators of dependence and efforts to quit vaping and smoking among youth in Canada, England and the USA
Notice bibliographique
Résumé
OBJECTIVE: The current study examined indicators of dependence among youth cigarette smokers and e-cigarette users in Canada, England and the USA, including changes between 2017 and 2019. METHODS: Data are from repeated cross-sectional online surveys conducted in 2017, 2018 and 2019 with national samples of youth aged 16-19 years, in Canada (n=12 018), England (n=11 362) and the USA (n=12 110). Measures included perceived addiction to cigarettes/e-cigarettes, frequency of experiencing strong urges to smoke/use an e-cigarette, plans to quit smoking/using e-cigarettes and past attempts to quit. Logistic regression models were fitted to examine differences between countries and changes over time. RESULTS: The proportion of ever-users who vaped frequently was significantly higher in 2019 compared with 2017 for all outcomes in each country. Between 2017 and 2019, the proportion of past 30-day vapers reporting strong urges to vape on most days or more often increased in each country (Canada: 35.3%, adjusted OR (AOR) 1.69, 95% CI 1.20 to 2.38; England: 32.8%, AOR 1.55, 1.08 to 2.23; USA: 46.1%, AOR 1.88, 1.41 to 2.50), along with perceptions of being 'a little' or 'very addicted' to e-cigarettes (Canada: 48.3%, AOR 1.99, 1.44 to 2.75; England: 40.1%, AOR 1.44, 1.03 to 2.01; USA: 53.1%, AOR 1.99, 1.50 to 2.63). Indicators of dependence among smokers were consistently greater than e-cigarette users, although differences had narrowed by 2019, particularly in Canada and the USA. CONCLUSIONS: Prevalence of dependence symptoms among young e-cigarette users increased between 2017 and 2019, more so in Canada and the USA compared with England. Dependence symptom prevalence was lower for e-cigarettes than smoking; however, the gap has narrowed over time.
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 ».