Bibliographic record
Abstract
En France, la loi du 12 mai 2010 a encadré l’ouverture à la concurrence et à la régulation du marché des jeux de hasard et d’argent (JHA) sur Internet. Seuls trois types de jeux ont été autorisés : les paris sportifs, les paris hippiques et le poker. Une récente enquête épidémiologique nationale a indiqué que 3,7 % de la population générale adulte déclaraient avoir joué à un JHA en ligne au cours de l’année écoulée, soit environ deux millions d’individus [1]. Se basant sur l’Indice canadien du Jeu Excessif [2] pour l’évaluation des pratiques de jeu, cette même enquête identifiait 17 % de joueurs « problématiques » parmi les joueurs dans l’année. Ces chiffres sont nettement supérieurs à ceux retrouvés avec l’offre de jeu traditionnelle hors ligne, confirmant que jouer sur Internet est un facteur de risque considérable de perdre le contrôle. Le poker est sans aucun doute le JHA qui a le plus « bénéficié » de la légalisation des jeux en ligne en France, représentant à lui seul plus de 80 % des mises sur l’ensemble des jeux en ligne. Au troisième trimestre 2013, le nombre moyen de comptes joueurs actifs en poker était ainsi de 244 000 comptes/semaine [3]. Il existe encore peu de données épidémiologiques disponibles sur la prévalence du jeu excessif dans le cadre précis du poker, ni sur les caractéristiques des joueurs de poker en ligne, problématiques ou non. Pourtant, il apparaît aux cliniciens qui reçoivent les joueurs de poker en ligne problématiques qu’ils présentent des caractéristiques bien particulières, qu’il convient d’étudier à grande échelle. Mieux connaître les spécificités de ces joueurs permet de mieux adapter l’offre de soins, mais aussi de mener des politiques de prévention plus efficaces, car mieux ciblées. L’une des pistes en ce sens serait d’imposer aux opérateurs de jeu l’installation de modérateurs de jeu dont l’efficacité a été scientifiquement démontrée.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.003 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.039 | 0.006 |
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".