Identifying changes in e-cigarette use among a longitudinal sample of Canadian youth e-cigarette users in the COMPASS cohort study, 2017/18–2018/19
Notice bibliographique
Résumé
Objectives: There are few studies describing longitudinal changes in vaping patterns among current youth e-cigarette users. The objective of this study was to identify-one-year changes in e-cigarette use patterns among a longitudinal sample of Canadian youth e-cigarette users between 2017/18 and 2018/19. Methods: The longitudinal sample included n = 4,071 current (past 30-day) e-cigarette users in grades 9-11 attending schools in four Canadian provinces. Students reported the number of days they used e-cigarettes in the past 30 days in 2017/18 and 2018/19. Based on responses, students could have escalated, reduced, stopped, or maintained their level of vaping. The prevalence of each e-cigarette use pattern was identified across demographic characteristics and regression models identified significant predictors of each use pattern. Results: Over one year, 49.2% of current youth e-cigarette users escalated, 12.8% reduced, 20.2% stopped, and 17.8% maintained their frequency of e-cigarette use. Baseline e-cigarette use frequencies varied according to use pattern. Current youth e-cigarette users with higher baseline vaping frequencies had lower odds of escalating and stopping e-cigarette use and higher odds of reducing e-cigarette use relative to maintaining the same frequency of use. Conclusions: While about half of current youth e-cigarette users increased their frequency of e-cigarette use over a 1-year period, a significant number also decreased or stopped vaping at a time when the prevalence of youth e-cigarette use increased rapidly in Canada. There is a need for longitudinal data to monitor and evaluate changes to e-cigarette use patterns that may be in response to changing public health policies.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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) | 0,000 | 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 ».