Interventions for Preventing E-Cigarette Use Among Children and Youth: A Systematic Review
Notice bibliographique
Résumé
INTRODUCTION: Many nonregulatory interventions targeting children and youth have been implemented at three levels: directed at the individual (e.g., interactive video games), delivered to students at school (e.g., campus bans), and launched in the community (e.g., mass media campaigns). This systematic review aims to synthesize the evidence on the effectiveness of interventions aimed at preventing e-cigarette initiation among children and youth. METHODS: MEDLINE, CINAHL, Embase, APA PsycINFO, and Web of Science Core Collection were searched for papers published between January 1, 2004 and September 1, 2022 that reported more than one outcome on vaping prevention among individuals aged less than 21-years-old: vaping prevalence/incidence, initiation intentions, knowledge/attitudes, and other tobacco product use prevalence/initiation intentions. Interventions were at the individual, school, or community level. The risk of bias was assessed using ROBINS-I and RoB 1. RESULTS: Thirty-nine publications met the eligibility criteria. Fourteen individually-based (4 parental monitoring, 3 video games, 2 text messages, 3 graphic message themes, 2 healthcare), 19 school-based (14 educational and skill interventions, 5 vape-free policies/bans), and 6 community-based (3 social media, 3 mass media campaigns) interventions were reported. E-cigarette initiation prevention was observed with high perceived parental monitoring; however, the cross-sectional study designs precluded causal claims. There was promising but limited evidence that social-emotional skills curricula and peer leader programming prevented vaping initiation. DISCUSSION: Some individual- and school-based interventions showed promise for preventing e-cigarette initiation among children and youth.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,002 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».