SimSmoke simulation models by educational status: past and future US trends and the potential role of policy
Notice bibliographique
Résumé
INTRODUCTION: Simulation models are helpful in anticipating future trends and developing effective tobacco control policies to reduce smoking-related inequities. However, few models have systematically analysed smoking trends by education group. METHODS: We developed four separate SimSmoke models by educational group: less than high school, high school, some college and college and above. Education status is based on the US Census estimates, and smoking prevalence is based on the Current Population Survey-Tobacco Use Supplement (CPS-TUS). Following a first-order Markov process, smoking prevalence evolves through yearly initiation, cessation and relapse, subject to tobacco control policies. The models begin in 2006 and incorporate the impact of tobacco control policies implemented through 2023. They are used to project trends in smoking prevalence and smoking-attributable deaths (SADs) and the impact of policies. The smoking prevalence estimates from the model have also been compared with the CPS-TUS in recent years. RESULTS: Adults with higher educational attainment had the lowest smoking prevalence with the greatest relative decline from 2006 to 2023. Per capita SADs were highest among adults with less education. Price increases, Tobacco 21 laws and smoke-free air laws were most effective in reducing long-term smoking prevalence. The models underestimate the reduction in smoking prevalence relative to CPS-TUS estimates in recent years, especially among youth. DISCUSSION: We found major differences in the initial levels and rates of decline in smoking prevalence by education, leading to widening health inequities. Further study is warranted on education-related policy impacts and the relationship of electronic nicotine delivery systems and other non-cigarette product use to cigarette use.
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 ».