Learning from their experiences: Strategies used by youth and young adult ex-vapers
Notice bibliographique
Résumé
INTRODUCTION: The prevalence of vaping among youth and young adults (YYAs; 16-18 and 19-24 years old, respectively) is moderate worldwide. Existing vaping cessation evidence lacks input from ex-vapers with a history of regular use and substantial maintenance periods. This study noted cessation strategies, relapse triggers, and recommendations for quitting identified by ex-vapers and assessed differences in outcomes across age and gender groups. METHODS: We recruited ex-vapers (N = 290; mean use = 6.5 days/week, SD = 1.05) with a minimum maintenance period of 30 days and a history of three months of consecutive use of nicotine-based devices from Nova Scotia, Canada. The ex-vapers responded to open-ended questions regarding vaping cessation strategies, triggers, and recommendations for quit strategies in an online survey. We coded responses to each topic (e.g., triggers) and grouped them into categories (e.g., social influences). We used chi-square tests and Bonferroni correction tests to determine group differences by topic and within each category. RESULTS: YYA ex-vapers identified cold turkey (28.9 %), self-restriction (27.5 %), and alternative coping mechanisms (19.0 %) as the most common cessation strategies; social influences (35.5 %,), mental state (18.3 %), and substance use (15.7 %) as the top triggers; and support systems (29.5 %), apps (17.3 %), and education (11.8 %) as the most useful recommendations for others. A higher proportion of female youth (51.3 %) identified social influences as a relapse trigger than male YAs (21.2 %) and female YAs (30.3 %). Further, male YAs (36.5 %) reported higher proportions of substance use as a relapse trigger than male youth (3.0 %) and female youth (2.6 %). Female youth (23.7 %) and YAs (22.6 %) recommended apps as a useful cessation strategy more often than male YAs (3.8 %). CONCLUSIONS: Input from ex-vapers can help to inform cessation practices, and gender and age differences shed light onto the need to tailor treatments, such as using social-centric behavioral therapy, for female youth and adopting a polysubstance substance use treatment approach for YAs.
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 | 0,000 |
| 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 ».