Understanding dropout during psychological treatment for gambling: A scoping review
Notice bibliographique
Résumé
Abstract This scoping review broadly aims to identify recent research on six indices of dropout during face-to-face psychological treatment for harmful gambling, including definitions of dropout, estimates of dropout, reasons for dropout, predictors of dropout, consequences of dropout, and solutions to dropout. A systematic search of electronic databases and grey literature identified 66 studies (from 67 articles/reports) published from 2004, most commonly contributing data to estimates (94 %), followed by predictors (74 %), definitions (73 %), reasons (15 %), consequences (8 %), and solutions (3 %). The findings revealed several definitions of dropout, typically relating to the non-attendance of a pre-defined and usually arbitrary number of treatment sessions, which risks the misclassification of clients with symptom improvement. The median rate of dropout (derived from 76 estimates) was 35.4 % across all treatment types and 34.8 % across Cognitive Behaviour Therapy (CBT) treatments. The most reported reasons for dropout were practical issues (e.g., scheduling conflicts), with few reasons relating to specific therapeutic orientations recorded. A large number of potential predictors have been examined with few consistent results, whereby being married/de-facto appears to consistently lower the risk of dropout. Dropout was consistently associated with higher subsequent gambling symptoms, urges, cognitions, and behaviors, with some additional evidence for worsened psychological symptoms, albeit based on a small number of studies. Only two studies examined the addition of motivational procedures to redress the risk of dropout, which produced favourable results. More research is needed, utilising standardised definitions and bespoke large-scale examinations, to improve retention during gambling treatment. • Broad review of research on dropout during face-to-face psychological treatment for gambling. • Dropout typically defined by non-attendance of arbitrary number of treatment sessions. • Median rate of dropout (across 76 estimates) was 35.4 % across treatment types. • Married/de-facto status consistently predicted dropout; dropout predicted worsened gambling. • Lack of research on solutions to dropout; some evidence for motivational techniques
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 | 0,030 | 0,127 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,022 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 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 ».