Behaviour change techniques reported in intervention studies of alcohol and tobacco use: a rapid review
Notice bibliographique
Résumé
Background: Clinical guidelines recommend addressing alcohol and tobacco use simultaneously, but few providers offer brief alcohol interventions routinely, and these behaviours are often treated separately. While several interventions targeted dual use, there remains a gap in identifying behaviour change techniques (BCTs) designed to modify processes controlling dual use. Objective: To identify commonly used BCTs in interventions targeting both alcohol and tobacco use, their modes of delivery, and explore which BCTs are associated with smoking cessation and/or alcohol reduction. Methods: Following Cochrane recommendations, a rapid review to identify BCTs showing promise for reducing dual use was conducted. Using an eligibility criteria, we retrieved relevant papers from databases and used the Behavioural Change Taxonomy V1 tool to identify BCTs showing promise. Results: Thirty-eight articles of the initial systematic search of 2987 papers met the criteria for full article review. Goal setting, action planning, and pharmacological support were the most common BCTs identified. Most studies (33, 87%) had a low or moderate risk of bias. Of these 33 studies, 13 studies (39%) reported statistically significant outcomes of reduction or cessation in smoking behaviour and alcohol consumption. Face to face (25, 76%) was the most common intervention delivery method. Conclusion: Clinical trials identify goal setting, action planning and problem solving to address the dual use of tobacco and alcohol. Systematic reviews and meta-analyses are needed to evaluate the true impact of these programmes. Future studies should minimally include these BCTs and study the interactional effects of these BCTs on the efficacy of the intervention.
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) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».