A Narrative Review of Binge Eating and Addictive Behaviors: Shared Associations with Seasonality and Personality Factors
Notice bibliographique
Résumé
Binge-eating disorder and seasonal affective disorder were first described as clinically relevant conditions in very close temporal proximity a few decades ago. Both disorders have a higher prevalence rate in woman than in men, are characterized by a high proneness-to-stress and manifest heightened responsiveness to high-calorie, hyper-palatable foods. In recent years, a compelling body of evidence suggests that foods high in sugar and fat have the potential to alter brain reward circuitry in a manner similar to that seen when addictive drugs like alcohol and heroin are consumed in excess. These findings have led to suggestions that some cases of compulsive overeating may be understood as an addiction to sweet, fatty, and salty foods. In this paper, it is proposed that high seasonality is a risk factor for binge eating, especially in those characterized by anxious and impulsive personality traits - associations that could only occur in an environment with a superfluity of, and easy access to, rich and tasty foods. Given the well-established links between binge eating and addiction disorders [Ref. (1-3) for reviews], it is also suggested that seasonality, together with the same high-risk psychological profile, exacerbates the likelihood of engaging in a broad range of addictive behaviors. Data from a community sample (n = 412) of adults tested these models using linear regression procedures. Results confirmed that symptoms of binge eating and other addictive behaviors were significantly inter-correlated, and that seasonality, gender, and addictive personality traits were strong statistical predictors of the variance in binge-eating scores. Seasonality and addictive personality traits also accounted for a significant proportion of the variance in the measure of addictive behaviors. Conclusions are discussed in the context of brain reward mechanisms, motivational alternations in response to chronic over-consumption, and their relevance for the treatment of excessive appetitive behaviors.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».