Sports-betting-related gambling disorder: Clinical features and correlates of cognitive behavioral therapy outcomes
Notice bibliographique
Résumé
BACKGROUND AND AIMS: The number of patients with gambling disorder (GD) whose gambling preference is sports betting is increasing. However, their clinical profile and their responses to psychological treatments -compared to patients with other forms of gambling- have not been thoroughly studied. Therefore, the aims of this study were: (1) to compare the clinical characteristics of GD patients whose primary gambling activity was sports betting (SB+; n = 113) with GD patients with other primary gambling activities (SB-; n = 1,135); (2) to compare treatment outcomes (dropout and relapses) between SB + and SB- patients; and (3) to explore relationships between specific variables (GD severity, psychological distress and personality features) and treatment outcome in SB + and SB- GD patients, through correlation models and path-analysis. METHODS: The cognitive behavioral treatment consisted of 16 weekly sessions. Personality features, psychopathology, and sociodemographic and clinical factors were assessed. RESULTS: The SB + group included higher proportions of younger patients who were single and had higher educational levels, older ages of GD onset, and greater GD severities. Regarding treatment outcomes, the dropout rate was lower in the SB + group, and no between-group differences were found regarding relapse. Dropout within the SB + group was related to being unemployed, and relapse was related to being unmarried and experiencing more psychological distress. DISCUSSION AND CONCLUSION: The differences between SB + and SB- GD patients suggest that GD patients with sports-betting problems may benefit from tailored therapeutic approaches.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».