The influence of music on the addictive trajectory: a conceptual framework
Notice bibliographique
Résumé
Music is increasingly considered to promote the health and well-being of clinical populations treated in hospital and psychiatric settings. Research shows numerous benefits of music on physical and mental health issues by responding to psychological, emotional, social and physical needs. However, while music’s benefits are largely supported among clinical populations, it appears that marginalized populations remain stigmatized through a lasting emphasis on their difficulties, including their use of music. Nevertheless, music appears as an innovative, accessible and promising tool to address such needs in individuals who experience social inequity regarding their access to health and helping services. Among those are marginalized individuals who suffer psychoactive substance abuse. Though research in this population remains scarce, we observe beneficial and harmful influences of music on psychoactive substance use and on the long-term addictive trajectory. In a more comprehensive manner, this article critically explores the relevance of the music and health conceptual framework developed by Västfjäll et al. to explain the role of music on the addictive trajectory. Accounting for music, individual and contextual factors, the model explains how music alters emotional states positively or negatively, which in turn modulates psychoactive substance use and the different periods encountered through the associated addictive trajectory. Despite some limitations, the model offers insights that can usefully guide and contribute to adapt its use in community interventions and as a harm reduction tool, conditional to the careful consideration of individuals’ needs and interpretation of their musical experiences.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».