Les biais attentionnels envers l’alcool chez les « petits consommateurs » vs « gros consommateurs » dans un environnement virtuel
Notice bibliographique
Résumé
Introduction : Les personnes dépendantes à l'alcool montrent des biais attentionnels quand elles sont confrontées à des indices liés à l’alcool (Kreusch, Vilenne, & Quertemont, 2013). D’après le modèle de Wiers et al. (2007), les biais attentionnels favoriseraient la consommation répétée de substances. Objectif : Cette étude exploratoire évalue dans quelle mesure la réalité virtuelle fournit un environnement permettant de tester ces biais attentionnels. Hypothèse : Les gros consommateurs d'alcool présentent des biais attentionnels plus fréquents et plus intenses que les petits consommateurs. Méthode : Un questionnaire en ligne permettant de recruter 24 petits et 24 gros consommateurs d’alcool a d’abord été administré afin de présélectionner les sujets. Les participants ont ensuite réalisé une tâche d’immersion dans un environnement virtuel de « bar ». Le nombre de zooms effectués sur les stimuli « bières » et le nombre de commentaires rapportés en lien avec l’alcool étaient mesurés. Directement après l’immersion, la Visual Analogue Craving Scale (VAS) leur était administrée afin d’évaluer leur envie de boire. Résultats : Les « gros consommateurs » présentent davantage de zooms sur les stimuli « bières » que les «petits consommateurs». De plus, les « gros consommateurs » présentent un score plus élevé à la VAS que les «petits consommateurs », ce qui témoignerait d’une envie de consommer plus élevée après l’immersion par rapport aux « petits consommateurs ». Cependant, aucune corrélation significative n’a été mise en avant entre le nombre de zooms effectués et le score à la VAS chez les « gros consommateurs ». Conclusion : En accord avec nos hypothèses, nos résultats ont montré que les gros consommateurs présentent davantage de biais attentionnels envers les stimuli liés à l’alcool que les petits consommateurs ». Cependant, de futures recherches sont nécessaires afin de pouvoir confirmer que la réalité virtuelle fournit un environnement qui permet de tester les biais attentionnels.
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 | 0,001 | 0,003 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 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 ».