Drinking Game Behaviors among College Students: How Often and How Much?
Notice bibliographique
Résumé
BACKGROUND: Participation in drinking games (DG) has been identified as a common health-risk behavior among college students. However, research suggests that the frequency of DG participation alone may not pose a significant health risk; rather, gaming may be most hazardous when large amounts of alcohol are consumed. OBJECTIVES: The present study was designed to examine whether specific gaming behaviors (frequency of play and amount of consumption) place gamers at elevated risk for negative drinking outcomes. METHOD: Students from 30 U.S. colleges completed self-report questionnaires via the Internet about their drinking attitudes and behaviors. Four groups of student gamers (N = 2,230) were examined: low frequency/low consumption (n = 1,047), low frequency/high consumption (n = 453), high frequency/low consumption (n = 326), and high frequency/high consumption (n = 404). RESULTS: Multilevel regression analyses indicated that the frequency x consumption interaction emerged as a significant predictor of negative drinking consequences. Follow-up analyses indicated that quantity of alcohol consumed during DG predicted negative drinking consequences for high-frequency gamers only. CONCLUSIONS/SCIENTIFIC CONTRIBUTION: The present results challenge the assumption that all drinking-gaming practices pose equivalent health risks for gamers. Considering only participation in or level of consumption during DG may not tell the complete story with respect to the health hazards involved with gaming behaviors among college students.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».