FC18-02 - Cognitive distortions among online gamblers
Notice bibliographique
Résumé
Addictive disorders are being increasingly influenced by technology and one of the most recent developments is for gamblers to access games via the Internet. Prevalence data show that up to 10% of the population gamble online and studies have consistently indicated that Internet gamblers are particularly susceptible to developing gambling problems. Therefore, the purpose of this study was to explore differences between Internet and non-Internet gamblers to help determine why online gamblers are more likely to have gambling problems. Three hundred and seventy four participants (143 online gamblers, 172 males) from a large Canadian university completed an online questionnaire to investigate demographic, medium-related, comorbid psychological and cognitive factors with strong empirical support for contributing to problem gambling severity. Variables that significantly differentiated Internet and non-Internet gamblers in a univariate analyses were entered into a logistic regression to predict online gambling. A test of the full model was statistically significant, correctly classifying 77% of gamblers (64% of Internet gamblers and 85% of non-Internet gamblers). Cognitive distortions made an independent contribution to predicting Internet gamblers from those that had never wagered online. A hierarchical linear regression analysis revealed that cognitive distortions added significantly to problem gambling severity among online gamblers after controlling for other contributing variables. The findings have implications for clinicians working with Internet gamblers to specifically address thoughts related to luck, perseverance and illusion of control. As gambling technologies change and evolve, research needs to inform practice by identifying possible causal factors contributing to problem severity.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,004 |
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 ».