A Method for Classifying Pathological Gamblers According to “Enhancement,” “Coping,” and “Low Emotion Regulation” Subtypes
Notice bibliographique
Résumé
Pathological gamblers vary in their personality traits, psychopathological characteristics, and motivations for gambling. Methods for classifying them according to disseminated subtyping schemes, however, are not readily available, which may hinder further research on subtypes or efforts to incorporate subtyping schemes into clinical practice. With regard to affective motivations for gambling, we describe and evaluate a method for classifying pathological gamblers according to “enhancement,” “coping,” and “low emotion regulation” subtypes. Generalized squared distance was used to determine the best profile fit for 158 pathological gamblers on the basis of their Inventory of Gambling Situations (IGS) scores and in relation to refined IGS subtype profiles obtained through cluster analysis, these refined subtypes also having been validated via Gambling Motives Questionnaire scores. No gamblers were misclassified, suggesting that this method may perform well on cross-validation. For interested researchers and practitioners, an easy-to-use tool is available that automates this profile-matching approach to classification. Additional research is needed on how this method fares in independent samples of regular gamblers and of individuals with gambling disorder.Les joueurs pathologiques varient quant à leurs traits de personnalité, leurs caractéristiques psychopathologiques et leurs motivations à jouer. Il n’existe cependant pas de méthodes facilement utilisables pour les classés selon des schémas de sous-types disséminés, ce qui risque de ralentir la recherche sur les sous-types ou les efforts déployés pour intégrer des schémas de sous-types à la pratique clinique. En ce qui concerne les motivations affectives au jeu, la présente étude décrit et analyse une méthode de classement des joueurs pathologiques reposant les sous-types suivants : la « stimulation », l’« adaptation » et la « faible régulation des émotions ». La distance généralisée au carré a été utilisée pour déterminer la « meilleure correspondance de profil » pour 158 joueurs pathologiques en fonction de leur score au questionnaire de la liste des occasions de jeu (LOJ) et relativement à des profils plus précis de sous-types de la LOJ obtenus au moyen d’une analyse typologique et validés à partir des résultats du questionnaire sur les motivations à jouer. Aucun joueur n’a été classé de manière erronée à l’aide de la méthode analysée, ce qui laisse entendre qu’elle peut être efficace dans le cadre d’une validation croisée. Un outil « facile d’emploi » permettant d’automatiser une telle approche de classification par association avec des profils se trouve ainsi accessible aux chercheurs et aux praticiens intéressés. Des recherches supplémentaires sont nécessaires pour déterminer l’efficacité de cette méthode avec des échantillons indépendants de joueurs ordinaires et de joueurs présentant un problème de jeu.
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 | 0,012 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,009 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| 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 | 0,002 |
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 ».