“Don’t Know” Responses for Nicotine Vaping Product Features among Adult Vapers: Findings from the 2018 and 2020 ITC Four Country Smoking and Vaping Surveys
Notice bibliographique
Résumé
Nicotine vaping products (NVPs) have evolved rapidly, and some vapers have difficulty reporting about their NVP. NVP knowledge may be important for providing accurate survey data, understanding the potential risks of NVP use, and assessing legal and regulated products. This paper examines current vapers who responded “don’t know” (DK) regarding their NVP features. Data are from adult daily/weekly vapers in Waves Two (2018, n = 4192) and Three (2020, n = 3894) of the ITC Four Country Smoking and Vaping Survey. Analyses assessed DK responses for NVP features (e.g., type/appearance, nicotine) and consumption. A DK index score was computed based on the percent of all features with DK responses, which was tested for associations with demographics, smoking/vaping status, NVP features, purchase location, and knowledge of NVP relative risks. NVP description and appearance were easily identified, but DK was more common for features such as nicotine content (7.3–9.2%) and tank/cartridge volume capacity (26.6–30.0%). DK responses often differed by vaping/smoking status, NVP type/appearance, purchase location, and country. Vapers who are younger, use box-shaped NVPs, purchase online, and exclusive daily vapers were associated with lower DK index scores. Higher DK index scores were associated with poorer knowledge of relative health risks of NVP use. The diversity of the NVP market and wide variation in how products are used makes it challenging to capture information from users about device features, such as nicotine content and capacity, in population surveys.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».