Distorsions cognitives des joueurs de jeux de hasard et d’argent hors ligne et mixtes
Bibliographic record
Abstract
But : Le but de ce travail est de comparer les joueurs qui jouent à de tels jeux sur des sites comme les casinos ou les hippodromes (joueurs hors ligne) et ceux qui jouent en plus en ligne (joueurs mixtes) en traçant les profils de ces joueurs. Méthode : 608 joueurs hors ligne et mixtes ont répondu à plusieurs questionnaires qui ont porté sur : 1) les données sociodémographiques (genre, âge, situation de famille, éducation) ; 2) les mesures de dépistage des usages problématiques des jeux de hasard et d’argent ; 3) la consommation d’alcool ; 4) les mesures d’anxiété et de dépression et 5) les mesures sociocognitives (distorsions cognitives et confiance en soi). Résultats : L’échantillon, d’un âge moyen de 53.0 ans (de 17 à 76 ans ; E.T = 15,9) est composé majoritairement de femmes (femmes : 60 % ; hommes : 39 %) ; 55 % des personnes interrogées vivent en couple. Seulement 23,7 % (N = 144) des participants sont des joueurs mixtes. En ce qui concerne la consommation d’alcool, 31,5 % (N = 191) ont des conduites à risque ou problématiques ; au niveau du jeu 19,6 % (N = 109) sont considérés à risque modéré selon l’indice canadien de jeu excessif (ICJE, 2001), alors que 9 % (N = 55) sont des joueurs pathologiques probables. Les joueurs mixtes sont de façon significative plus jeunes, jouent plus, ont des scores à l’ICJE plus élevés, sont plus anxieux et ont une plus grande consommation d’alcool. Ils présentent également des distorsions cognitives plus intenses (contrôle prédictif), mais ont, en revanche, moins confiance en leur capacité d’arrêter de jouer que les joueurs hors ligne. Conclusion : Une sévérité accrue au jeu pathologique et des distorsions cognitives plus intenses rendent la population des joueurs mixtes fragile. Quelques pistes d’intervention et de prévention seront proposées en guise de conclusion.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".