Tour d’horizon sur les principales approches de traitement du jeu pathologique chez les adultes et les adolescents
Bibliographic record
Abstract
L’industrie des jeux de hasard et d’argent a connu un essor important au cours des dernières années. Parallèlement, les gouvernements ont beaucoup investi dans la recherche et le développement de programmes de traitement afin d’aider les joueurs aux prises avec un problème de jeu. Bien que l’offre de traitement soit diversifiée, on ne dispose pas actuellement de données probantes permettant de statuer sur les meilleures pratiques en matière de traitement du jeu pathologique. Les études évaluatives qui ont été menées auprès de joueurs pathologiques comportent des failles méthodologiques. Néanmoins, certaines approches chez les adultes semblent prometteuses. Par exemple, l’approche cognitivo-béhaviorale et les groupes de soutien de type Gamblers Anonymes (GA) se démarquent en termes de maintien de l’abstinence au jeu. D’autres travaux récents présentent des résultats encourageants obtenus avec l’approche pharmacologique. L’administration de Naltrexone aux joueurs pathologiques permettrait de diminuer l’envie obsessive de jouer. On commence aussi à reconnaître que le modèle transthéorique du changement et l’approche de thérapie conjugale contribuent certainement à améliorer la rétention des joueurs adultes en traitement. Pour les adolescents, l’offre de traitement est moins développée. Les initiatives de programmes d’intervention pour les jeunes présentant un problème de jeu sont encore embryonnaires et empruntent généralement les paradigmes de l’approche cognitivo-béhaviorale. Il sera nécessaire aussi de réfléchir aux critères retenus correspondant à la réussite d’un traitement, que ce soit pour les adultes ou pour les adolescents. L’abstinence complète de tous les jeux de hasard et d’argent n’est peut-être pas le seul indicateur de rétablissement.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 0.002 |
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".