Education‐based differences in alcohol health literacy in Germany
Notice bibliographique
Résumé
INTRODUCTION: Alcohol health literacy is critical for informed consumer decision making but has yet received limited attention in public health research. We therefore seek to measure alcohol health literacy and its educational distribution in Germany. METHODS: In this cross-sectional study, we developed and applied a brief nine-item questionnaire on alcohol health literacy in an adult convenience sample (n = 391; February to April 2023). The association of educational attainment with 'insufficient' alcohol health literacy was tested in adjusted logistic regression models. RESULTS: Insufficient alcohol health literacy was recorded in 47.8% of men and 41.1% of women in our sample. While most respondents correctly identified common misconceptions and wrong beliefs about alcohol and were able to specify low-risk drinking limits for women and women during pregnancy, only few correctly identified all alcohol-related health conditions, especially respiratory and infectious diseases. Respondents with low education were 1.35 (risk ratio [RR], 95% confidence interval 1.09-1.50, p = 0.014) times more likely to have been classified as having insufficient alcohol health literacy than high-educated respondents. There was no statistically significant difference between respondents with medium versus high education (RR = 1.22, 95% confidence interval 0.99-1.43, p = 0.060). DISCUSSION AND CONCLUSIONS: Educational gaps in alcohol health literacy question a policy rationale that is fundamentally based on the premise of informed consumer choice. Strategies to raise alcohol health literacy must ensure that they reach all population groups, for instance, by providing health warning labels on alcohol containers.
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 | 0,000 | 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 ».