Assessing cancer prevention literacy among European population: a cross-sectional study
Notice bibliographique
Résumé
Abstract Background Cancer prevention literacy (CPL) is essential for empowering individuals to make health-informed decisions and adopt preventive measures to reduce their cancer risk. This study aims to measure CPL among the European population. Methods A cross-sectional population-based study was conducted from February to March 2024 among European residents over 18 years old (N = 2312) in the context of BUMPER Project (https://bumper.cancer.eu/). An online self-administered questionnaire was developed including: sociodemographic characteristics (age, gender, country of residence, educational level), and CPL (general and by European Code Against Cancer -ECAC- topics). A descriptive analysis was performed and the chi-square and Kruskal-Wallis test were calculated to examine the relationship between CPL and sociodemographic variables. Results 44.2% showed a high level of CPL, followed by 39.5% with medium, and 16.3% with low level. 61.1% of participants are not aware of ECAC. ECAC topics with higher levels of knowledge are: UV exposure (88.3%), pollution (81.6%), tobacco (78.7%), second-hand smoking (60.9%). ECAC topics with lower levels are: hormone replacement therapy (47.9%), breastfeeding (41.6%), and vaccination (32.9%). Statistically significant differences (p < 0.05) are observed in CPL level by gender, country of residence, and educational level. Those with a higher % of low CPL levels are men (22.8%), people from West and South Europe (20.8% and 18.1%), and primary education level (34.7%). Conclusions CPL level is medium-high among the European population, with social and gender inequalities. Further studies are needed to delve into these inequalities. Key messages • The cancer prevention literacy level is medium-high among the European population, with social and gender inequalities. • There is a need of tailored interventions to address social inequalities in cancer prevention literacy among European population.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».