An Eight Component Decision-Making Model for Problem Gambling:A Systems Approach to Stimulate Integrative Research
Notice bibliographique
Résumé
Problem Gambling (PG) represents a serious problem for affected individuals, their families and society in general. Previous approaches to understanding PG have been confined to only a subset of the psychobiological factors influencing PG. We present a model that attempts to integrate potential causal factors across levels of organization, providing empirical evidence from the vast literature on PG and complimentary literatures in decision-making and addiction. The model posits that components are arranged systematically to bias decisions in favor of either immediately approaching or avoiding targets affording the opportunity for immediate reward. Dopamine, Testosterone and Endogenous Opioids favor immediate approach, while Serotonin and Cortisol favor inhibition. Glutamate is involved in associative learning between stimuli and promotes the approach response through its link to the DA reward system. GABA functions to monitor performance and curb impulsive decision-making. Finally, while very high levels of Norepinephrine can induce arousal to an extent that is detrimental to sound decision-making, the reactivity of the Norepinephrine system and its effects of Cortisol levels can shift the focus towards long-term consequences, thereby inhibiting impulsive decisions. Empirical evidence is provided showing the effects of each component on PG and decision-making across behavioural, neuropsychological, functional neuroimaging and genetic levels. Last, an effect size analysis of the growing pharmacotherapy literature is presented. It is hoped that this model will stimulate multi-level research to solidify our comprehension of biased decision-making in PG and suggest pharmacological and psychological approaches to treatment.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| 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 | 0,001 | 0,003 |
| 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 ».