Understanding addiction in e-cigarette users – the EVAPE project
Notice bibliographique
Résumé
Abstract Background Electronic cigarettes (e-cigarettes) are often advertised as a healthier option to combustible cigarettes and as smoking cessation aid. However, e-cigarettes are a growing health concern and their addictive potential remains to be fully understood. Within the EValuation of the Addictive Potential of E-cigarettes (EVAPE) project, we studied subjective and objective measures of addiction in relation to e-cigarette use. Methods This cross-sectional analysis was based on 832 participants of the first wave (2016) of England from the ITC Four Country Smoking and Vaping (4CV) Survey, who were using e-cigarettes daily or weekly for at least four months. Perceived addiction to e-cigarettes was categorised as very vs. not/somewhat addicted, and perceived addictiveness of e-cigarettes relative to combustible cigarettes as equally/more addictive vs. less addictive. Objective measures of addiction included urge to vape, time to first vape after waking, frequency of use, and used nicotine strength. We examined associations between these objective and subjective measures of addiction using multivariate logistic regression, adjusted for age, gender, education, and cigarette smoking. Results 17.8% of participants reported feeling very addicted to e-cigarettes and 42.3% considered e-cigarettes equally/more addictive than combustible cigarettes. Those who felt very addicted had higher odds of regarding e-cigarettes as more addictive (OR 3.43 (95%-CI 2.29-5.19)). All objective measures of addiction were associated with higher perceived addiction, whereas only a shorter time to first vape was associated with perceived product addictiveness. Conclusions Subjective measures of addiction to e-cigarettes, in particular perceived addiction, correspond with objective measures. Understanding the addictive potential of e-cigarettes is the cornerstone for developing new strategies for prevention and treatment, and ultimately understanding their role from a public health perspective. Key messages
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 | 0,008 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».