Facteurs de risque et facteurs associés au jeu problématique ou pathologique sur Internet : revue de la littérature
Notice bibliographique
Résumé
La prévalence sur l’année en France du jeu de hasard et d’argent en ligne en population adulte est de l’ordre 3,7 % (Tovar et al., 2013). Se basant sur l’Indice canadien du Jeu Excessif (ICJE) (Ferris et Wynne, 2001) pour l’évaluation des pratiques de jeu, la proportion de joueurs « problématiques » parmi les joueurs dans l’année s’élève à 17 % (Tovar et al., 2013). Ces chiffres sont nettement supérieurs à ceux retrouvés avec l’offre de jeu traditionnelle, majoritairement non-en ligne : 10,8 % de joueurs problématiques parmi les joueurs actifs, c.-à-d., ceux ayant joué plus d’une fois par semaine et/ou dépensé plus de 500 euros dans l’année (Costes et al., 2011). Des résultats comparables ont été retrouvés dans d’autres pays évoquant un niveau de risque plus élevé des jeux sur internet par rapport à l’ensemble des jeux (Tovar et al., 2013). Cela peut être en rapport avec des éléments socio-démographiques ou cliniques associés aux pratiques de jeux en ligne (Kairouz et al., 2011). Des facteurs en rapport avec la pratique du jeu en ligne peuvent intervenir : l’anonymat, l’accessibilité, le côté abordable de ces conduites, ainsi que les caractéristiques structurelles mêmes des jeux (Griffiths, 2003). Nous nous proposons dans ce travail de faire une revue systématique de la littérature sur les bases Medline et PsycINFO au sujet des facteurs de risque et facteurs associés au jeu problématique ou pathologique et de discuter les résultats retrouvés.
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 | 0,008 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».