The use of self-management strategies for problem gambling: a scoping review
Notice bibliographique
Résumé
BACKGROUND: Problem gambling (PG) is a serious public health concern that disproportionately affects people experiencing poverty, homelessness, and multimorbidity including mental health and substance use concerns. Little research has focused on self-help and self-management in gambling recovery, despite evidence that a substantial number of people do not seek formal treatment. This study explored the literature on PG self-management strategies. Self-management was defined as the capacity to manage symptoms, the intervention, health consequences and altered lifestyle that accompanies a chronic health concern. METHODS: We searched 10 databases to identity interdisciplinary articles from the social sciences, allied health professions, nursing and psychology, between 2000 and June 28, 2017. We reviewed records for eligibility and extracted data from relevant articles. Studies were included in the review if they examined PG self-management strategies used by adults (18+) in at least a subset of the sample, and in which PG was confirmed using a validated diagnostic or screening tool. RESULTS: We conducted a scoping review of studies from 2000 to 2017, identifying 31 articles that met the criteria for full text review from a search strategy that yielded 2662 potential articles. The majority of studies examined self-exclusion (39%), followed by use of workbooks (35%), and money or time limiting strategies (17%). The remaining 8% focused on cognitive, behavioural and coping strategies, stress management, and mindfulness. CONCLUSIONS: Given that a minority of people with gambling concerns seek treatment, that stigma is an enormous barrier to care, and that PG services are scarce and most do not address multimorbidity, it is important to examine the personal self-management of gambling as an alternative to formalized treatment.
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 | 0,010 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,017 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».