Factors Associated with Changes in E-Cigarette Use and Tobacco Smoking by Adolescents and Young People in Nigeria during the COVID-19 Pandemic
Notice bibliographique
Résumé
This study aimed to assess the proportion of adolescents and young people (AYP) in Nigeria who changed their frequency of e-cigarette use and tobacco smoking during the COVID-19 pandemic; and factors associated with the increase, decrease or no change in e-cigarette use and tobacco smoking (including night smoking). This study was a cross-sectional study of AYP recruited from all geopolitical zones in the country. Multivariate logistic regression analyses were conducted to determine if respondents’ health HIV and COVID-19 status and anxiety levels were associated with changes in e-cigarette use and tobacco smoking frequency. There were 568 (59.5%) e-cigarette users, of which 188 (33.1%) increased and 70 (12.3%) decreased e-cigarette use and 389 (68.5%) increased night e-cigarette use. There were 787 (82.4%) current tobacco smokers, of which 305 (38.8%) increased and 102 (13.0%) decreased tobacco smoking and 534 (67.9%) increased night tobacco smoking. Having a medical condition was associated with lower odds of increased e-cigarette use (AOR:0.649; p = 0.031). High anxiety (AOR:0.437; p = 0.027) and having a medical condition (AOR:0.554; p = 0.044) were associated with lower odds of decreased e-cigarette use. Having COVID-19 symptoms (AOR:2.108; p < 0.001) and moderate anxiety (AOR:2.138; p = 0.006) were associated with higher odds of increased night e-cigarette use. We found complex relationships between having a medical condition, experiencing anxiety, changes in tobacco smoking and e-cigarette use among AYP in Nigeria during the COVID-19 pandemic that need to be studied further.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».