Les jeux vidéo violents augmentent-ils le biais d’attribution hostile chez des préadolescents ?
Notice bibliographique
Résumé
Cette étude examine si l’usage des jeux vidéo violents exerce une influence sur le biais d’attribution hostile au sein d’une population de préadolescents. Un protocole quasi expérimental a été utilisé, composé de 43 sujets, de sexe masculin, âgés entre 11 et 12 ans (Moy. âge = 11.3) provenant d’une population à haute vulnérabilité sociétale et d’une population à plus faible vulnérabilité sociétale. Chaque sous échantillon a été soumis à deux contenus de jeux vidéo : un jeu vidéo à contenu violent (groupe expérimental) et un jeu vidéo à contenu non violent (groupe contrôle). Tous les sujets ont été au préalable soumis à une mesure de biais d’attribution hostile avant l’expérimentation (pré-test) et après celle-ci, (post-test). Les résultats montrent que le contenu du jeu ainsi que le niveau de vulnérabilité sociétale n’ont pas d’impact sur le biais d’attribution hostile et l’interprétation de situations sociales ambigües. Néanmoins, il y a significativement plus d’interprétation hostile lors de la phase post-test que lors de la phase pré-test et ce, indépendamment du niveau de vulnérabilité sociétale ou du groupe expérimental (jeu violent vs jeu non violent). Cette étude se conclut par une discussion sur le jeu vidéo comme facteur possible de risque du biais d’attribution hostile et des comportements agressifs en général.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».