Understanding the Emotions of Those With a Gambling Disorder: Insights From Automated Text Analysis
Notice bibliographique
Résumé
The diffusion and growth of the web and the social media applications that it has provided have seen people increasingly turn to social media to express their feelings, frustrations, and ambitions and to generally share life events. Like other internet users, those with a gambling disorder are also known to use specialized online forums to read the experiences articulated by others and to open up, share, and express themselves online. In this study, we examined how those with a gambling disorder talk about their emotions and express sentiment through their online comments. Sentiment Analysis in IBM Watson was used to capture expressed emotions (anger, disgust, fear, happiness, sadness, and surprise) and sentiments. These data were then used as input to a latent class cluster modelling procedure aimed at categorizing those with a gambling disorder into distinct groups. The findings show how qualitative online data can be transformed into quantitative insights in order to identify different categories of people with a gambling disorder. The technique offers a non-intrusive method of data collection that can provide useful insights into the emotions felt and expressed by those with a gambling disorder.Résumé L’usage répandu d’applications Internet et de médias sociaux a conduit les gens à se tourner de plus en plus vers les réseaux sociaux pour communiquer leurs sentiments, leurs ambitions et ce qui se passe dans leur vie. À l’instar d’autres internautes, les personnes qui ont des problèmes de jeu fréquentent des forums spécialisés en ligne pour s’exprimer et savoir ce que vivent des gens ayant des problèmes semblables aux leurs. Cette étude examine, à travers leurs commentaires en ligne, comment ces personnes aux prises avec une dépendance au jeu parlent de leurs émotions. Nous nous servons de la fonction d’analyse des sentiments d’IBM Watson pour capturer les émotions exprimées (colère, aversion, peur, joie, tristesse et étonnement) et autres sentiments. Ces données font ensuite l’objet d’une modélisation conjuguant l’analyse des classes latentes et l’analyse par grappe, et qui vise à constituer des sous-groupes de joueurs ayant un problème de dépendance. Les résultats font voir que les données qualitatives en ligne peuvent être transformées en données quantitatives qui permettent de distinguer des sous-groupes parmi les personnes aux prises avec une dépendance au jeu. Nous traitons dans cet article de la possibilité de traitements ciblés à l’intention de ces sous-groupes, ainsi que des limites de cette méthode.
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».