Risk factors for pathological gambling along a continuum of severity: Individual and relational variables
Notice bibliographique
Résumé
This study’s aim was to identify characteristics with higher odds of distinguishing a group of pathological gamblers (PG) from (1) a group of gamblers without a gambling problem (NP) and 2) a sub-clinical group (SP). An additional aim was to investigate those characteristics as risk/protective factors along the continuum of problem-gambling severity. Sociodemographic (gender, age, marital status, and educational level), individual (psychopathological symptoms) and relational (family functioning, dyadic adjustment, and differentiation of self) variables were considered. The sample consisted of 331 participants: 162 NP, 117 SP and 52 PG. The main results indicate that the characteristics with higher odds of distinguishing among the groups were gender, educational level, age, differentiation of self, and psychopathological symptoms. The odds of being a PG were higher for men with a low educational level and less adaptive psycho-relational functioning. Conversely, the odds of being a NP were higher for women with a high educational level and more adaptive psycho-relational functioning. Gender and educational level stood out with respect to their relevance as risk/protective factors, and their role was found to be dynamic and interdependent with the severity of problem gambling and/or the investigated psycho-relational characteristics. The risk/protective value was more remarkable when gamblers already exhibited SP.L’objectif de cette étude était d'identifier les caractéristiques présentant une probabilité plus élevée de distinguer un groupe de joueurs pathologiques (PG) d'un groupe de joueurs sans problème de jeu (NP) et un groupe sous-clinique (SP). Un autre objectif consistait à étudier ces caractéristiques en tant que facteurs de risque / protection dans le continuum de la gravité du jeu problématique. Les variables sociodémographiques (sexe, âge, état matrimonial et niveau d'instruction), individuelles (symptômes psychopathologiques) et relationnelles (fonctionnement familial, ajustement dyadique et différenciation de self) ont été prises en considération. L'échantillon comprenait 331 participants: 162 NP, 117 SP et 52 PG. Les principaux résultats indiquent que les caractéristiques ayant une plus grande probabilité de distinction entre les groupes étaient le sexe, le niveau d'instruction, l'âge, la différenciation de self et les symptômes psychopathologiques. Les probabilités d'être un PG étaient plus élevées chez les hommes ayant un faible niveau d'instruction et moins adaptative au fonctionnement psycho-relationnel. À l'inverse, les probabilités d'être NP étaient plus élevées chez les femmes ayant un niveau d'instruction élevé et un fonctionnement psycho-relationnel plus adaptatif. Le sexe et le niveau de scolarité se distinguent par leur pertinence en tant que facteurs de risque / protection et leur rôle est jugé dynamique et interdépendant de la gravité du jeu problématique et / ou des caractéristiques psycho-relationnel étudiées. La valeur risque / protection était plus remarquable lorsque les joueurs présentaient déjà SP.
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 | 0,001 |
| 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 ».