Does Self-Reported smoking cessation fatigue predict making quit attempts and sustained abstinence among adults who smoke Regularly?
Notice bibliographique
Résumé
BACKGROUND: Quitting smoking is difficult and many people who smoke experience cessation fatigue (CF) as a result of multiple failed attempts. This study examined the association of CF with making and sustaining a smoking quit attempt. METHODS: Data analysed were 4,139 adults (aged 18 years or older) who smoked daily or weekly and participated in the 2018 and 2020 International Tobacco Control Four Country Smoking and Vaping Surveys (ITC 4CV) conducted in Australia, Canada, England, and the US. CF was assessed at baseline using a single question: "To what extent are you tired of trying to quit smoking?" with response options: "Not at all tired"; "Slightly tired"; "Moderately tired"; "Very tired"; or "Extremely tired". We used binary logistic regression models to test the hypothesis that baseline CF would predict lower odds of both making a quit attempt and sustaining abstinence for a month or longer at follow-up adjusted for socio-demographic and smoking/vaping-related covariates. RESULTS: Persons who currently smoked and reported at least some CF were more likely to make a quit attempt, but less likely to sustain abstinence for at least one month, than those who reported no CF. These associations were independent of socio-demographic variables, and they did not differ by country. CONCLUSION: Contrary to expectation, CF was positively associated with making a quit attempt and non-linearly associated with lower rates of sustained abstinence at follow-up. While these findings should be replicated, they suggest that people with CF may benefit from targeted support to remain abstinent after a quit attempt.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».