A Treatment Approach for Adolescents with Gambling Problems
Notice bibliographique
Résumé
As indicated in previous chapters‚ it is not uncommon for an adolescent to be participating in one form of gambling or another‚ be it the lottery‚ card playing for money‚ sports wagering‚ or gambling on electronic gambling devices. The results of the National Research Council’s (NRC) (1999) review of empirical studies suggest that 85% of adolescents (the median of all studies) report having gambled during their lifetime‚ with 73% of adolescents (median value) reporting gambling in the past year. This raises serious mental health and public policy concerns (Derevensky‚ Gupta‚ Messerlian & Gillespie‚ in this volume; NRC‚ 1999). Meta-analyses (Shaffer & Hall‚ 1996) and a review of more recent studies (see Jacobs‚ in this volume) confirm that between 4–8% of youth are experiencing very serious gambling-related problems‚ with another 10–15% at-risk for the development of a gambling dependency. More recent debates have raised the question as to the accuracy of prevalence rates of problem gambling amongst youth. Some have recently argued that our current instruments and screens are not accurately assessing pathological gambling amongst adolescents but are over-estimating the prevalence rates (i.e‚ Ladouceur et al.‚ 2000; Jacques & Ladouceur‚ 2003). Yet‚ in a comprehensive discussion of the arguments‚ Derevensky‚ Gupta and Winters (2003) and Derevensky and Gupta (in this volume) suggest that many of the assertions raised have little merit. Nevertheless‚ while this debate plays itself out in the research community and
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».