Reducing attractiveness of e-liquids: proposal for a restrictive list of tobacco-related flavourings
Notice bibliographique
Résumé
OBJECTIVE: Electronic cigarettes are addictive and harmful, and flavour is a key factor determining their abuse liability. Both adult smokers and young non-smokers like sweet and fruity flavours in particular. In order to discourage e-cigarette use among youth, the Dutch government announced in 2020 to only allow tobacco flavours in e-liquids. We propose a restrictive list of flavourings that will only enable the production of e-liquids with a tobacco flavour. METHODS: We used e-liquid ingredient data notified via the European Common Entry Gate system before the government's announcement. First, we classified all e-liquids into flavour categories, and continued with the set of flavourings present in tobacco e-liquids. Five selection criteria related to prevalence of use, chemical composition, flavour description and health effects were defined to compile a restrictive list of tobacco flavourings. RESULTS: E-liquids marketed as having tobacco flavour contained 503 different flavourings, some with tobacco flavour, but also other (such as sweet) flavours. We excluded (1) 330 flavourings used in <0.5% of e-liquids, (2) 77 used less frequently in tobacco than in all e-liquids, (3) 13 plant extracts, (4) 60 that are sweet or not associated with a tobacco flavour and (5) 7 flavourings with hazardous properties. This resulted in a final list of 16 flavourings. CONCLUSIONS: Implementing this restrictive list will likely discourage e-cigarette use among youth, but could also make e-cigarettes less attractive as smoking cessation aid.
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 | 0,020 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,010 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».