More support needed: Evaluating the impact of school e-cigarette prevention and cessation programs on e-cigarette initiation among a sample of Canadian secondary school students
Notice bibliographique
Résumé
Given the recent increase in e-cigarette use among adolescents, there is a need to further explore how school programs are associated with e-cigarette initiation. The objective of this quasi-experimental study was to evaluate the impact of multiple school-based e-cigarette prevention and cessation programs on e-cigarette initiation among Canadian adolescents. This study used data from Year 6 (2017/18) and Year 7 (2018/19) of the COMPASS study in British Columbia, Alberta, Ontario, and Quebec, Canada. Students in grades 9 to 11 who had never tried e-cigarettes at baseline were included (n = 13,269). Schools (n = 88) reported whether they added programming that addressed e-cigarette or tobacco prevention or cessation. Generalized estimating equations were used to identify how added programs were associated with e-cigarette initiation at follow-up. At one-year follow-up (2018/19), 23% of schools added programs. Our evaluation results suggest that none of the activities taken by schools to prevent or reduce vaping among students significantly prevented vaping onset. In fact, female students at schools that reported adding a theme week had higher odds of e-cigarette initiation (OR 1.68 [95% CI 1.31-2.16]) and male students at schools that reported a cessation program had higher odds of e-cigarette initiation (OR 1.20 [95% CI 1.01-1.44]). These results suggest that schools may not know how to address e-cigarette use and that there can be risks to students if programs are not carefully implemented. Results point to the need for additional support to ensure that schools are taking evidence-based approaches that support all students.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».