Impact of state cigarette and e-cigarette flavors bans on smoking, vaping and dual use in the United States
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Some states have banned flavors in various tobacco products. This can reduce use of banned products and induce substitution towards non-banned products. The net impact must be determined empirically. The aim of this study is to evaluate the impacts of these bans on both use and substitution. SETTING: US tobacco market. PARTICIPANTS: 3220 individuals aged 18-41 in the United States who smoked and/or vaped (past 30-day use) completed an online survey. MEASUREMENTS: Multinomial logistic models regressed changes in tobacco product use between two time periods on: states with and without bans on flavored e-cigarettes and menthol cigarettes, individuals' characteristics, and other state-level tobacco policies. Estimated models were used to simulate impacts of flavor bans for people who dual use. RESULTS: Policies' impacts were only observed for those who dual use cigarettes and e-cigarettes. Most who dual use did not change their tobacco product use regardless of state policy. Some significant differences were found by states for those who quit both products. Massachusetts, with bans on both flavored e-cigarettes and menthol cigarettes, had the greatest predicted rate of quitting both products (9 %) compared to states without (3 %). States with e-cigarette flavors bans had higher cessation of e-cigarette use among those who dual use. CONCLUSIONS: Flavor bans on cigarettes and e-cigarettes were associated with reduced vaping among those who dual use. Massachusetts saw a higher proportion of quitting all tobacco products, likely because people who smoked in Massachusetts could not substitute with flavored e-cigarettes which had been banned.
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 ».