Experiences of nicotine users motivated to quit during the COVID-19 pandemic: a secondary qualitative analysis
Notice bibliographique
Résumé
OBJECTIVES: The COVID-19 pandemic has brought to light a variety of key factors that affect tobacco use, including behavioural patterns, social support and connection, and physical and mental health. What we do not know is how those motivated to quit were impacted by the pandemic. As such, understanding the unique experiences and needs of people motivated to quit smoking or vaping during the COVID-19 pandemic is critical. The aim of this study was to examine the cessation experiences of nicotine users during the COVID-19 pandemic. DESIGN: We conducted a supplementary secondary analysis of primary qualitative data, i.e., semi-structured interviews with individuals engaged in cigarette use (smoking), e-cigarette use (vaping) and dual use. SETTING: British Columbia, Canada. PARTICIPANTS: Relevant data were drawn from 33 participants out of the primary study's 80-participant sample pool. MEASURES: Interview questions explored barriers and facilitators to quitting nicotine use. We then used conventional content analysis to identify relevant and additional emergent themes and subthemes surrounding pandemic-specific barriers and facilitators to quitting, and unique needs for cessation support in the context of the COVID-19 pandemic. RESULTS: Pandemic-specific barriers included lifestyle limitations and poor mental health due to isolation. Facilitators to quitting during the pandemic included reduced access and opportunities to use nicotine products, as well as time for personal reflection on nicotine use behaviours. Suggestions for cessation programming included a primary focus on enhancing social support features (e.g., discussion forums, support groups), followed by increasing awareness of the benefits of quitting, and enhancing visibility of resources available to support quitting. CONCLUSIONS: The findings provide directions for how cessation supports can be tailored to better meet the needs of users motivated to quit during and beyond the COVID-19 pandemic.
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 | 0,007 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».