Predictors of problem gambling remission in adults: A Canadian longitudinal study.
Notice bibliographique
Résumé
OBJECTIVE: Remission from problem gambling (PG) continues to be a priority of clinicians and researchers. Data from cross-sectional studies indicate that some correlates are more predictive of PG, and existing longitudinal studies have exclusively examined risk factors that predict emergence of PG. This study's objective is to fill in the remaining pieces of the puzzle by identifying factors that might facilitate remission from PG. METHOD: = 468) were assessed on a series of modifiable gambling, psychosocial, mental health, and substance use variables. A forward stepwise logistic regression was conducted to identify the strongest predictors of remission from PG at follow-up. A Least Absolute Shrinkage and Selection Operator regression was also conducted to confirm the most relevant predictors. RESULTS: Out of 75 candidate variables, 10 were retained by the regression model. Two were related to cessation of specific gambling activities, two were related to gambling motivations, two were psychosocial in nature, two were related to substance use while gambling, and one was related to remission from a mental health disorder. The final and strongest predictor was PG severity at baseline. CONCLUSIONS: Although PG remission predictors were mostly gambling-related, psychosocial aspects may also be targeted by stakeholders aiming to reduce PG. Ceasing to use tobacco while gambling and diversifying leisure activities may be promising targets. Other mental health and substance use predictors may still possibly be relevant, but only for a subset of people with PG. (PsycInfo Database Record (c) 2024 APA, all rights reserved).
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 | 0,002 | 0,002 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».