The joint role of impulsivity and distorted cognitions in recreational and problem gambling: A cluster analytic approach
Notice bibliographique
Résumé
BACKGROUND AND AIMS: The Pathways Model (Blaszczynski & Nower, 2002) posits that problem gambling is a heterogeneous disorder with distinct subgroups (behaviorally conditioned gamblers, emotionally vulnerable gamblers, and antisocial-impulsivist gamblers). Impulsivity traits and gambling-related cognitions are recognized as two key psychological factors in the onset and maintenance of problem gambling. To date, these constructs have been explored separately, and their joint role in determining problem gambling subtypes has received little attention. The goal of our study was to identify subgroups of gamblers based on impulsivity traits and gambling-related cognitions, and to determine whether this approach is consistent with the Pathways model. METHODS: Gamblers from the community (N = 709) and treatment-seeking pathological gamblers (N = 122) completed questionnaires measuring gambling habits, disordered gambling symptoms, gambling-related cognitions, and impulsivity traits. RESULTS: Cluster analyses revealed that three clusters globally aligned with the pathways proposed by Blaszczynski & Nower (2002). Two other clusters emerged: (1) impulsive gamblers without cognitive-related cognitions; and (2) gamblers without impulsivity or gambling-related cognitions. Gamblers with both heightened impulsive traits and gambling-related cognitions had more severe problem gambling symptoms. CONCLUSION: We successfully identified, based on an a priori theoretical framework, different subtypes of gamblers that varied in terms of problem gambling symptoms and clinical status. The diversity of the cluster profiles supports the development of personalized prevention strategies and psychological interventions.
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 ».