E-Cigarette Dependence in Youth
Notice bibliographique
Résumé
INTRODUCTION: The majority of e-cigarette vaping youth use nicotine when vaping. Some then become dependent on the nicotine, which can result in subsequent health effects. There has been limited evaluation of convergent validity of e-cigarette dependence measures for use specifically in youth. The aim of this study was to investigate and validate various e-cigarette dependence measures for use in youth populations. AIMS AND METHODS: One thousand two hundred and five Canadian youth aged 16-24 who completed a cross-sectional online survey reported vaping at least monthly and were thus included in the analysis. E-cigarette dependence was assessed using a modified Penn State Electronic Cigarette Dependence Index (PS-ECDI), the E-Cigarette Dependence Scale (EDS), a self-perceived vaping dependence question, and time to first vape after waking. Internal consistency, convergent validity, and concurrent validity of the measures were assessed. RESULTS: Both the PS-ECDI and the EDS exhibited a good degree of internal consistency (α = 0.8472 and 0.8405, respectively). All measures exhibited convergent validity against each other and against time to first vape upon waking (p < .001), as well as concurrent validity against vaping frequency and nicotine concentration (p < .001). The PS-ECDI was inferior to the EDS, self-perceived measure, and time from waking when predicting daily vaping frequency, but, along with the self-perceived measure, was superior to the EDS and time from waking when predicting monthly vaping. CONCLUSIONS: All measures exhibit convergent and concurrent validity, as well as internal consistency. Depending on the needs of the study, it would be appropriate to use any of these measures when assessing e-cigarette dependence in adolescent and young-adult populations. IMPLICATIONS: The PS-ECDI and the self-perceived measure are equally effective in predicting monthly vaping, but the self-perceived measure was superior in predicting daily vaping. Thus, the one-item self-perceived measure of dependence is appropriate for use and preferable to the 11-item PS-ECDI or the 4-item EDS in situations of limited time or where subjects are at risk of respondent fatigue, and is superior to time to first vape after waking to predict vaping frequency.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».