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 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 | 0,001 | 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 ».