A Machine Learning Approach Reveals Distinct Predictors of Vaping Dependence for Adolescent Daily and Non-Daily Vapers in the COVID-19 Era
Notice bibliographique
Résumé
Since 2016, there has been a substantial rise in e-cigarette (vaping) dependence among young people. In this prospective cohort study, we aimed to identify the different predictors of vaping dependence over 3 months among adolescents who were baseline daily and non-daily vapers. We recruited ever-vaping Canadian residents aged 16–25 years on social media platforms and asked them to complete a baseline survey in November 2020. A validated vaping dependence score (0–23) summing up their responses to nine questions was calculated at the 3-month follow-up survey. Separate lasso regression models were developed to identify predictors of higher 3-month vaping dependence score among baseline daily and non-daily vapers. Of the 1172 participants, 643 (54.9%) were daily vapers with a mean age of 19.6 ± 2.6 years and 76.4% (n = 895) of them being female. The two models achieved adequate predictive performance. Place of last vape purchase, number of days a pod lasts, and the frequency of nicotine-containing vaping were the most important predictors for dependence among daily vapers, while race, sexual orientation and reporting treatment for heart disease were the most important predictors in non-daily vapers. These findings have implications for vaping control policies that target adolescents at different stages of vape use.
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 | 0,000 |
| 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 ».