Users’ Modifications to Electronic Nicotine Delivery Systems: Content Analysis of YouTube Video Comments
Notice bibliographique
Résumé
Background: User modifications can alter the toxicity and addictiveness of electronic nicotine delivery systems (ENDSs). YouTube has been a major platform where ENDS users obtain and share information about ENDS modifications. Past research has examined the content and characteristics of ENDS modification videos. Objective: This study aims to analyze the video comments to understand the viewers' reactions to these videos. Methods: We identified 168 YouTube videos depicting ENDS modifications. Each video's top 20 most liked comments were retrieved. The final sample included 2859 comments. A content analysis identified major themes of the comment content. Results: Most comments were directed to creators and interacted with others: 952/2859 (33.30%) expressed appreciation, 135/2859 (4.72%) requested more videos, 462/2859 (16.16%) asked for clarification, and 67/2859 (2.34%) inquired about product purchases. In addition, comments mentioned viewers' experiences of ENDS modifications (430/2859, 15.04%) and tobacco use (167/2859, 5.84%); about 198/2859 (6.93%) also indicated intentions to modify ENDSs and 34/2859 (1.19%) mentioned that they were "newbies." Moreover, comments included modification knowledge: 346/2859 (12.10%) provided additional information, 227/2859 (7.94%) mentioned newly learned knowledge, and 162/2859 (5.67%) criticized the videos. Furthermore, few comments mentioned the dangers of ENDS modifications (136/2859, 4.76%) and tobacco use (7/2859, 0.24%). Lastly, among the 15 comments explicitly mentioning regulations, 13/2859 (0.45%) were against and 2/2859 (0.07%) were supportive of regulations. Conclusions: The results indicated acceptance and popularity of ENDS modifications and suggested that the videos might motivate current and new users to alter their devices. Few comments mentioned the risks and regulations. Regulatory research and agencies should be aware of online ENDS modification information and understand its impacts on users.
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 | 0,002 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».