Utilisation d’une échelle d’intervention pour analyser le soutien à d’éventuelles politiques de lutte contre le tabagisme de la part du grand public et d’influenceurs en matière de politiques en Alberta et au Québec
Bibliographic record
Abstract
Objectif Évaluer, dans deux provinces canadiennes, l’appui du grand public et d’influenceurs en matière de politiques vis-à-vis de politiques de lutte contre le tabagisme à l’échelle de la population. Méthodologie En 2016, nous avons mis en oeuvre le sondage Prévention des maladies chroniques auprès d’un échantillon d’influenceurs (n = 302) et d’un échantillon aléatoire de la population (n = 2400) en Alberta et au Québec (Canada). Les participants ont exprimé leur degré d’appui vis-à-vis de diverses politiques de lutte contre le tabagisme, au moyen d’une échelle de type Likert dont les réponses ont été regroupées sous forme de pourcentages favorables nets. Le degré de soutien a ensuite été analysé à l’aide du codage de chaque politique au moyen de l’échelle d’intervention du Nuffield Council on Bioethics, afin de mieux définir le degré d’intrusion qu’elle représente par rapport aux libertés individuelles. Résultats Si les influenceurs comme le grand public ont évalué comme « extrêmement » ou « très » positives une grande majorité des politiques de lutte contre le tabagisme, l’avis des influenceurs en Alberta et au Québéc a divergé sur plus de la moitié des politiques, l’appui ayant été plus marqué au Québec. Les influenceurs comme le grand public ont exprimé un soutien solide à plusieurs politiques de lutte contre le tabagisme très intrusives (c.-à-d. les politiques ciblant les enfants et les jeunes et les nouveaux produits associés au tabagisme comme les cigarettes électroniques), malgré des effets escomptés sur les libertés individuelles. Ils ont fait preuve d’un soutien moins important aux politiques fiscales de lutte contre le tabagisme (c.-à-d. la taxation), malgré l’efficacité prouvée de telles politiques. Conclusion Dans l’ensemble, les influenceurs et le grand public se sont montrés très favorables à des politiques plus restrictives de lutte contre le tabagisme. Cette étude révèle quelles politiques reçoivent un appui unanime dans les deux groupes de population (de potentielles « victoires rapides » pour les défenseurs de la santé). Elle indique aussi pour quels sujets des efforts supplémentaires de sensibilisation sont nécessaires afin de mieux faire comprendre les avantages des politiques antitabac pour la santé des populations.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.019 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".