Seasonal variation and change trends for quit smoking: evidence from Internet search engine query data
Notice bibliographique
Résumé
Abstract Background: The outcomes of smoking have generated considerable clinical interest in recent years. Although people from different countries are more interested to the topic of quit smoking during the winter, few studies have tested this hypothesis. The current study aimed to quantify public interest in quit smoking via Google. Methods: We use Google Trends to obtain the Internet search query volume for terms relating to quit smoking for major northern and southern hemisphere countries in this research. Normally search volumes for the term “quit smoking + stop smoking + smoking cessation” were retrieved within the USA, the UK, Canada, Ireland, New Zealand and Australia from January 2004 to December 2018. Seasonal effects were investigated using cosinor analysis and seasonal decomposition of time series models. Results: Significant seasonal variation patterns in those search terms were revealed by cosinor analysis and demonstrated by the evidence from Google Trends analysis in the representative countries including the USA ( p cos = 2.36×10 -7 ), the UK ( p cos < 2.00×10 -16 ), Canada ( p cos < 2.00×10 -16 ), Ireland ( p cos <2.00×10 -16 ) ,Australia ( p cos = 5.13×10 -6 ) and New Zealand ( p cos = 4.87×10 -7 ). Time series plots emphasized the consistency of seasonal trends with peaks in winter / late autumn by repeating in nearly all years. The overall trend of search volumes, observed by dynamic series analysis, declined from 2004 to 2018. Conclusions: The preliminary evidence from Google Trends search tool showed a significant seasonal variation and decreasing trend for the RSV of quit smoking. Our novel findings in smoking cessation epidemiology need to be verified with further studies, and the mechanisms underlying these findings must be clarified.
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 | 0,024 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».