Protection des groupes vulnérables contre les méfaits du tabac pendant et après la pandémie de COVID-19
Bibliographic record
Abstract
Les groupes marginalisés sont touchés de manière disproportionnée par la pandémie actuelle. Parmi les effets directs, notons des taux d’infection supérieurs associés à une morbidité et à une mortalité accrues, les effets indirects découlant quant à eux de la réponse sociétale visant à limiter la propagation du virus. Ces groupes présentent également des taux de tabagisme nettement plus élevés que ceux de la population générale. Dans cet article, nous examinons, au moyen du cadre syndémique, la façon dont la pandémie a contribué à exacerber les méfaits du tabac chez ces groupes. Cette approche nous permet d’étudier les facteurs qui favorisent le cumul des méfaits du tabac et des méfaits de la COVID 19, en particulier une aggravation de la détresse psychologique, une augmentation potentielle du tabagisme, une exposition accrue à la fumée secondaire et un accès réduit aux services d’arrêt du tabac. Nous proposons ensuite des stratégies d’atténuation destinées à protéger les groupes défavorisés contre les méfaits du tabac, pendant et après la pandémie de COVID-19 : des services d’arrêt du tabac abordables, une approche proactive du traitement du tabagisme à l’aide des technologies de l’information, un dépistage et un traitement de la dépendance au tabac au moment où les personnes vont se faire vacciner contre la COVID-19, la prise de mesures pour instaurer une couverture universelle de la pharmacothérapie de sevrage du tabac, des politiques d’interdiction totale de fumer et une réglementation de la densité des points de vente au détail de tabac. Aujourd’hui plus que jamais, les cliniciens, les systèmes de soins de santé, les organismes de santé publique et les responsables des politiques de santé doivent agir de manière coordonnée pour protéger les groupes vulnérables contre les méfaits du tabac.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".