Logistic Regression With Machine Learning Sheds Light on the Problematic Sexual Behavior Phenotype
Notice bibliographique
Résumé
OBJECTIVES: There has been a longstanding debate about whether the mechanisms involved in problematic sexual behavior (PSB) are similar to those observed in addictive disorders, or related to impulse control or to compulsivity. The aim of this report was to contribute to this debate by investigating the association between PSB, addictive disorders (internet addiction, compulsive buying), measures associated with the construct known as reward deficiency (RDS), and obsessive-compulsive disorder (OCD). METHODS: A Canadian university Office of the Registrar invited 68,846 eligible students and postdoctoral fellows. Of 4710 expressing interest in participating, 3359 completed online questionnaires, and 1801 completed the Mini-International Neuropsychiatric Interview. PSB was measured by combining those screening positive (score at least 6) on the Sexual Addiction Screening Test-Revised Core with those self-reporting PSB. Current mental health condition(s) and childhood trauma were measured by self-report. OCD was assessed by a combination of self-report and Mini-International Neuropsychiatric Interview data. RESULTS: Of 3341 participants, 407 (12.18%) screened positive on the Sexual Addiction Screening Test-Revised Core. On logistic regression, OCD, attention deficit, internet addiction, a family history of PSB, childhood trauma, compulsive buying, and male gender were associated with PSB. On multiple correspondence analysis, OCD appeared to cluster separately from the other measures, and the pattern of data differed by gender. CONCLUSIONS: In our sample, factors that have previously been associated with RDS and OCD are both associated with increased odds of PSB. The factors associated with RDS appear to contribute to a separate data cluster from OCD and to lie closer to PSB.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».