Caffeine consumption patterns, motivations, and adverse effects among Brazilian esports players: a cross-sectional study
Notice bibliographique
Résumé
Background Electronic sports (esports) are a growing global phenomenon engaging millions of competitive players worldwide. Caffeine is a widely used compound for individuals seeking cognitive enhancement. However, evidence on consumption patterns, motivations, and safety in esports remains limited. We aimed to describe daily caffeine intake among Brazilian esports players and examine associations with competitive level, gaming habits, and adverse effects.Methods Cross-sectional study of 181 Brazilian esports players. A 64-item questionnaire captured demographics, gaming habits, and caffeine intake from all dietary sources. We compared amateurs vs semi-professional/professional players and performance-motivated vs other motivations, and examined dose-response using intake categories (≤100, 101–300, 301–600, >600 mg/day) and correlations for continuous variables.Results Median 168 mg/day (IQR 52–402; mean 280 ± 316); coffee was the main source (72.2% of total), and 55.8% consumed energy drinks, contributing 14.0% of intake. Overall, 25.7% exceeded 400 mg/day (46/179); intake did not differ between competitive levels (Amateur 172 vs Semi-Pro/Pro 121 mg/day; p = 0.387). No correlation with gaming hours (ρ = 0.068; p = 0.369). Under the primary positivity rule (≥“occasional”), adverse effects were common among respondents with symptom frequency data: any adverse effect 76.5%, insomnia 45.2%, tachycardia 29.1%, stomach pain 45.5%, tremors 23.7%. Linear trend tests across dose categories were not significant (any 0.822; insomnia 0.530; tachycardia 0.905; stomach pain 0.409; tremors 0.877), and per-category effect sizes were small (r-trend ≈ 0.01–0.08; OR per +1 category ≈ 0.89–1.16). Comparing >300 vs ≤300 mg/day for any adverse effect yielded OR 1.38 (95% CI 0.56–3.45). Performance-motivated players (12.6%) consumed more (+89 mg/day; p < 0.001). Using caffeine to combat fatigue (56.0%) was associated with higher insomnia (OR 2.50; 95% CI 1.37–4.55; q = 0.004). Notably, insomnia was common (45.2%), underscoring applied relevance.Conclusions Brazilian esports players show moderate caffeine intake, mainly from coffee. Adverse effects were common, although linear dose-response across intake categories was not observed; the observed fatigue-caffeine cycle highlights the need for practical guidance on timing and source awareness, alongside sleep-hygiene strategies, to support sustainable performance.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».