Traitement du jeu pathologique à l'aide de la réalité virtuelle : la verbalisation de stratégies face aux situations à risque / Virtual Reality Relapse Prevention for Pathological Gamblers: Strategies for Dealing with Risky Situations
Notice bibliographique
Résumé
Il est d’usage, au cours d’un traitement, d’aider les joueurs pathologiques à développer et à mettre en pratique différentes stratégies pour prévenir les rechutes. Le traitement du jeu pathologique a connu des avancées dans les dernières années en utilisant la réalité virtuelle (RV) pour exposer les joueurs à leur envie de jouer. L’influence de cette modalité de traitement sur les stratégies de prévention des rechutes reste toutefois à évaluer. Notre étude visait donc à identifier et à classifier les stratégies proposées par les joueurs pour gérer leur envie de jouer lorsqu’ils sont confrontés à des situations à risque d’une exposition à la RV. Des enregistrements de dix joueurs pathologiques ayant pris part à une séance de prévention de la rechute en RV ont été transformés en verbatim. Le contenu du verbatim a fait l’objet d’une analyse de type déductif et inductif validée par une procédure d’accord interjuges. Les résultats ont révélé six stratégies comportementales et sept stratégies cognitives proposées par les joueurs, avec une moyenne de dix stratégies différentes par joueur. Les stratégies cognitives montrent l’influence possible de la restructuration cognitive qui a eu lieu lors de la thérapie. De plus, l’évitement semble être l’une des stratégies comportementales clés pour les participants, lorsque confrontés à un environnement de bar. Cette étude appuie le potentiel de RV en prévention de la rechute. La spécificité des stratégies provenant de la RV, en comparaison avec l’exposition en imagination, ainsi que l’efficacité des stratégies abordées en séance de RV devraient faire l’objet d’autres études.AbstractIt is common practice, during treatment, to help pathological gamblers develop and implement different strategies to prevent relapses. Treatment for pathological gambling has made progress in recent years and now uses virtual reality (VR) to make gamblers aware of their gambling urges. However, the impact of this treatment method on relapse prevention strategies has yet to be evaluated. This study aims to identify and classify strategies to manage gambling urges as proposed by gamblers when faced with risky situations during exposure in virtual reality. Recordings taken of ten pathological gamblers during a virtual reality relapse prevention session were transcribed verbatim. The verbatim was the subject of a deductive and inductive analysis validated by a procedure agreed upon by the judges. The results reveal six behavioural and seven cognitive strategies proposed by the players with an average of ten strategies per player. The cognitive strategies show that the cognitive restructuring used during treatment had a possible impact. Furthermore, in bars, avoidance seems to be one of the key behavioural strategies for the participants. This study supports the potential of virtual reality in relapse prevention. The specificity of the strategies proposed during VR exposure compared with imaginary exposure as well as the effectiveness of the strategies addressed in VR sessions should be studied further.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».