Knowledge and Concerns About Smoking‐Related Health Risks: A Cross‐Sectional Analysis of the 2021 International Tobacco Control Japan and Korea Surveys
Notice bibliographique
Résumé
INTRODUCTION: This cross-sectional study examined: (i) knowledge of smoking-related health risks among adults who currently and formerly smoke; (ii) concerns about personal health damage from smoking among adults who currently smoke; (iii) sociodemographic predictors of knowledge; and (iv) associations between knowledge and concerns in Japan and the Republic of Korea. METHODS: Data from the 2021 International Tobacco Control Surveys included adults (aged ≥ 20, ≥ 19 respectively) in Japan (n = 2956 currently smoke, n = 852 formerly smoke) and Korea (n = 3776 currently smoke, n = 194 formerly smoke). Primary outcomes included knowledge of smoking-related health risks (six consistently measured: stroke, heart disease, lung cancer, emphysema, impotence, early death), categorised as correct or incorrect, summed into a knowledge index score and concerns about smoking damaging their own health. Survey-weighted analyses examined country and smoking status differences and associations between knowledge, concerns and sociodemographic characteristics. RESULTS: Among adults who currently smoke, knowledge of lung cancer was highest (Japan: 82.8%, Korea: 92.2%); lowest were impotence in Japan (35.7%) and heart disease in Korea (69.6%). Adults who formerly smoked had higher knowledge than those who currently smoke in Japan (4.74 [4.50-4.97] vs. 4.00 [3.82-4.18]) but not in Korea (5.05 [4.39-5.72] vs. 4.69 [4.47-4.90]). Japanese adults who currently smoke had lower knowledge and fewer concerns than their Korean counterparts (p < 0.05). Greater knowledge predicted increased concerns in both countries (OR = 1.27 [1.20, 1.35]). Only in Japan were younger age (B = 0.59 [0.06, 1.13]) and moderate income (B = 0.41 [0.16, 0.66]) associated with greater knowledge. DISCUSSION AND CONCLUSIONS: The observed differences in knowledge and concerns about smoking-related health risks between Japan and Korea may reflect their contrasting tobacco control policies.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».