Problem gambling and gaming in elite athletes
Notice bibliographique
Résumé
BACKGROUND: High-level sports have been described as a risk situation for mental health problems and substance misuse. This, however, has been sparsely studied for problem gambling, and it is unknown whether problem gaming, corresponding to the tentative diagnosis of internet gaming disorder, may be overrepresented in athletes. This study aimed to study the prevalence and correlates of problem gambling and problem gaming in national team-level athletes. METHODS: A web-survey addressing national team-level athletes in university studies (survey participation 60%) was answered by 352 individuals (60% women, mean age 23.7), assessing mental health problems, including lifetime history of problem gambling (NODS-CLiP) and problem gaming (GASA). RESULTS: Lifetime prevalence of problem gambling was 7% (14% in males, 1% in females, p < 0.001), with no difference between team sports and other sports. Lifetime prevalence of problem gaming was 2% (4% in males and 1% in females, p = 0.06). Problem gambling and problem gaming were significantly associated (p = 0.01). CONCLUSIONS: Moderately elevated rates of problem gambling were demonstrated, however with large gender differences, and interestingly, with comparable prevalence in team sports and in other sports. Problem gaming did not seem more common than in the general population, but an association between problem gambling and problem gaming was demonstrated.
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 | 0,000 | 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 | 0,000 |
| 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 ».