E-cigarettes: knowledge and usage habits among dental patients
Bibliographic record
Abstract
Cigarros eletrônicos são cada vez mais populares em muitos países (como por exemplo, no Canadá) e se tornaram um problema de saúde pública. Em alguns lugares, como no Brasil, os aparelhos eletrônicos para fumar foram banidos do comércio. Apesar de os cigarros eletrônicos serem ilegais no Brasil, é importante que se enfatize a necessidade de educar os profissionais da odontologia em relação aos perigos potenciais do ‘vaping’ para a saúde oral e sistêmica. Este estudo questionou pacientes de uma faculdade de odontologia do Canadá sobre cigarros eletrônicos, com o objetivo de informar profissionais da odontologia a respeito deste problema contemporâneo. Cento e sessenta e três (163) pacientes adultos que procuraram atendimento na clínica dentária de uma faculdade de odontologia do Canadá no período de fevereiro a maio de 2018 responderam um questionário fechado objetivando investigar o conhecimento dos pacientes sobre cigarros eletrônicos e os hábitos de uso. Os dados foram descritivamente reportados (frequências e percentagens). Somente 7 (4,29%) pacientes (≥ 18 anos) nunca tinham ouvido falar sobre cigarros eletrônicos. De uma forma geral, os pacientes acreditam que os cigarros convencionais são mais prejudiciais à saúde geral (88.95%) e oral (91.41%), em comparação com os efeitos negativos causados pelos cigarros eletrônicos para a saúde geral (69.93%) e oral (69.32%). Coroas de próstese e implantes dentários foram citados como as estruturas que talvez não sejam afetadas pelos cigarros eletrônicos. Vinte e um (12,88%) pacientes já tinham fumado um cigarro eletrônico (metade destes eram não fumantes). As razões para fumar cigarro eletrônico foram: “eles ajudam a parar de fumar e são uma alternativa segura ao cigarro”. A nocividade dos cigarros eletrônicos comparada aos cigarros convencionais foi citada como: i) ambos são igualmente prejudiciais ii) cigarros eletrônicos são prejudiciais, mas não tanto quanto os cigarros convencionais iii) cigarros eletrônicos são mais prejudiciais. Os pacientes estavam cientes dos efeitos negativos causados pelos cigarros eletrônicos, mas em um grau menor quando comparado com o conhecimentos que tinham sobre os efeitos dos cigarros convencionais. Poucos participantes já tinham fumado um cigarro eletrônico e a metade destes eram não-fumantes.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".