Behavioral economic predictors of brief alcohol intervention outcomes.
Notice bibliographique
Résumé
OBJECTIVE: The present study attempted to determine whether behavioral economic indices of elevated alcohol reward value, measured before and immediately after a brief alcohol intervention, predict treatment response. METHOD: Participants were 133 heavy drinking college students (49.6% female, 51.4% male; 64.3% Caucasian, 29.5% African American) who were randomized to 1 of 3 conditions: motivational interviewing plus personalized feedback (brief motivational interventions; BMI), computerized personalized feedback intervention (electronic check-up to go; e-CHUG), and assessment only. RESULTS: Baseline level of alcohol demand intensity (maximum consumption) significantly predicted drinks per week and alcohol problems at 1-month follow-up and baseline relative discretionary expenditures on alcohol significantly predicted drinks per week and alcohol problems at 6-month follow-up. BMI and e-CHUG were associated with an immediate postsession reduction in alcohol demand (p < .001, ηp2 = .29) that persisted at the 1-month follow-up, with greater postsession reductions in the BMI condition (p = .02, ηp2 = .06). Reductions in demand intensity and Omax (maximum expenditure) immediately postintervention significantly predicted drinking reductions at 1-month follow up (p = .04, ΔR2 = .02, and p = .01, ΔR2 = .03, respectively). Reductions in relative discretionary expenditures on alcohol at 1-month significantly predicted drinking (p = .002, ΔR2 = .06,) and alcohol problem (p < .001, ΔR2 = .13) reductions at the 6-month follow-up. CONCLUSIONS: These results suggest that behavioral economic reward value indices may function as risk factors for poor intervention response and as clinically relevant markers of change in heavy drinkers.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».