Facteurs de risque et facteurs associés au jeu problématique ou pathologique sur Internet : revue de la littérature
Bibliographic record
Abstract
La prévalence sur l’année en France du jeu de hasard et d’argent en ligne en population adulte est de l’ordre 3,7 % (Tovar et al., 2013). Se basant sur l’Indice canadien du Jeu Excessif (ICJE) (Ferris et Wynne, 2001) pour l’évaluation des pratiques de jeu, la proportion de joueurs « problématiques » parmi les joueurs dans l’année s’élève à 17 % (Tovar et al., 2013). Ces chiffres sont nettement supérieurs à ceux retrouvés avec l’offre de jeu traditionnelle, majoritairement non-en ligne : 10,8 % de joueurs problématiques parmi les joueurs actifs, c.-à-d., ceux ayant joué plus d’une fois par semaine et/ou dépensé plus de 500 euros dans l’année (Costes et al., 2011). Des résultats comparables ont été retrouvés dans d’autres pays évoquant un niveau de risque plus élevé des jeux sur internet par rapport à l’ensemble des jeux (Tovar et al., 2013). Cela peut être en rapport avec des éléments socio-démographiques ou cliniques associés aux pratiques de jeux en ligne (Kairouz et al., 2011). Des facteurs en rapport avec la pratique du jeu en ligne peuvent intervenir : l’anonymat, l’accessibilité, le côté abordable de ces conduites, ainsi que les caractéristiques structurelles mêmes des jeux (Griffiths, 2003). Nous nous proposons dans ce travail de faire une revue systématique de la littérature sur les bases Medline et PsycINFO au sujet des facteurs de risque et facteurs associés au jeu problématique ou pathologique et de discuter les résultats retrouvés.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.003 |
| Bibliometrics | 0.009 | 0.008 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".