A Content Analysis of Behavior Change Techniques Employed in North American Vaping Prevention Interventions
Notice bibliographique
Résumé
Introduction: Vaping among North American youth has surfaced as a concerning public health epidemic. Increasing evidence of harms associated with E-cigarette use, especially among the young, has prompted urgency in addressing vaping. Although a number of individual behavior change campaigns have arisen as a result, little is known about which behavior change techniques are being employed to influence youth vaping behavior. In this study, we aimed to code all North American vaping prevention campaigns using the behavior change technique taxonomy (Version 1) to determine which behavior change techniques are being used. Methods: We identified the sample of campaigns through systematic searches using Google. After applying the exclusion criteria, the campaigns were reviewed and coded for behavior change techniques. Results: In total, 46 unique vaping prevention campaigns were identified, including 2 federal (1 from Canada, 1 from the U.S.), 43 U.S. state-level, and 1 Canadian provincial-level campaign(s). The number of behavior change technique categories and behavior change techniques in a campaign ranged from 0 to 5 (mean=1.56) and 0 to 6 (mean=2.13), respectively. Of the 16 possible behavior change technique categories, 4 were utilized across the campaigns, which included 5. Natural consequences (89%), 6. Comparison of behavior (22%), 13. Identity (20%), and 3. Social support (11%). Conclusions: Only a small number of behavior change techniques were used in North American vaping prevention campaigns, with a heavy and often sole reliance on communicating the health consequences of use. Incorporating other promising behavior change techniques into future campaigns is likely a productive way forward to tackling the complex and multifaceted issue of youth vaping.
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 | 0,001 | 0,003 |
| 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 ».