Optimizing DSM-IV-TR Classification Accuracy: A Brief Biosocial Screen for Detecting Current Gambling Disorders among Gamblers in the General Household Population
Notice bibliographique
Résumé
OBJECTIVE: To develop a pathological gambling (PG) screen for efficient application to the household population and for clinicians to use with treatment seekers. METHOD: We applied a series of multivariate discriminant functions to past-12-month Diagnostic and Statistical Manual of Mental Disorders, Fourth Edition, Text Revision (DSM-IV-TR)-based, gambling-related problems; the National Epidemiologic Survey on Alcohol and Related Conditions (NESARC) measured and collected this data. The NESARC conducted computer-assisted personal interviews with 43 093 households and identified the largest sample of pathological gamblers drawn from the general household population. RESULTS: We created a 3-item, brief biosocial gambling screen (BBGS) with high sensitivity (Sensitivity = 0.96; 76 of 79 pathological gamblers correctly identified) and high specificity (Specificity = 0.99; 10 892 of 11 027 nonpathological gamblers correctly identified). CONCLUSIONS: Major US studies reveal extensive comorbidity of PG with other mental illnesses. The BBGS features psychometric advantages for health care providers that should encourage clinicians and epidemiologists to consider current PG along with other problems. The BBGS is practical for clinical application because it uses only 3 items and they are easy to ask, answer, and include in all modes of interviewing, including self-administered surveys. The BBGS has a strong theoretical foundation because it includes 1 item from each of the addiction syndrome 3 domains: neuroadaptation (for example, withdrawal); psychosocial characteristics (for example, lying); and adverse social consequences of gambling (for example, obtaining money from others).
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».