Medical Trainees’ Knowledge and Attitudes Towards Electronic Cigarettes and Hookah: A Multinational Survey Study
Notice bibliographique
Résumé
BACKGROUND: The rising prevalence of electronic cigarette (e-cigarette) and hookah use among youth raises questions about medical trainees' views of these products. We aimed to investigate medical trainees' knowledge and attitudes toward e-cigarette and hookah use. METHODS: We used data from a large cross-sectional survey of medical trainees in Brazil, the United States, and India. We investigated demographic and mental health aspects, history of e-cigarettes and tobacco use, knowledge and attitudes toward e-cigarettes and hookah, and sources of information on e-cigarettes and hookah. Although all medical trainees were eligible for the original study, only senior students and physicians-in-training were included in the present analysis. RESULTS: Of 2,036 senior students and physicians-in-training, 27.4% believed e-cigarette use to be less harmful than tobacco smoking. As for hookah use, 14.9% believed it posed a lower risk than cigarettes. More than a third of trainees did not acknowledge the risks of passive e-cigarette use (42.9%) or hookah smoking (35.1%). Also, 32.4% endorsed e-cigarettes to quit smoking, whereas 22.5% felt ill equipped to discuss these tobacco products with patients. Fewer than half recalled attending lectures on these topics, and their most common sources of information were social media (54.5%), Google (40.8%), and friends and relatives (40.3%). CONCLUSIONS: Medical trainees often reported incorrect or biased perceptions of e-cigarettes and hookah, resorted to unreliable sources of information, and lacked the confidence to discuss the topic with patients. An expanded curriculum emphasis on e-cigarette and hookah use might be necessary because failing to address these educational gaps could risk years of efforts against smoking normalization.
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 ».