Problèmes de consommation d’alcool et les biais attentionnels : étude de population en traitement
Bibliographic record
Abstract
La présente thèse comprend trois chapitres. Dans le premier chapitre, une revue de théories populaires portant sur les problèmes de consommation d’alcool est présentée dans le but d’en faire un compte rendu pour ensuite se pencher sur une explication spécifique : les biais attentionnels. Les biais attentionnels se produisent lorsque les processus d’attention sélective favorisent systématiquement un stimulus spécifique tout en excluant d’autres stimuli pertinents. De nombreuses études ont montré un lien entre la consommation problématique d’alcool et les biais attentionnels (voir Wiers & Stacy, 2006). Or, ce lien a été établi sur la base de tâches artificielles qui ne permettent pas de généraliser ces observations aux activités quotidiennes. Le deuxième chapitre comprend un article empirique soumis pour publication dans la Revue canadienne des sciences du comportement. Cet article a comme objectif de vérifier la présence de biais attentionnels chez les participants parmi les plus sollicités ces dernières années, c’est-à-dire les consommateurs étudiants binges1 et légers ainsi que les consommateurs en cours de traitement, en se servant d’une tâche naturelle. Pour ce faire, les mouvements oculaires des participants sont enregistrés lorsqu’ils observent des scènes complexes (ex. des scènes de bar comprenant plusieurs individus et objets). Le nombre de saccades, l’orientation initiale, la proportion de temps passé sur les stimuli liés à l’alcool et le temps total d’observation sont mesurés. De plus, les participants ont complété le Khavari Alcohol Test (KAT) pour mesurer leurs comportements de consommation d’alcool dans le but de les regrouper sur la base de la fréquence et du volume de consommations rapportées. Les résultats les plus pertinents révèlent que les participants classés comme consommateurs binges regardent les zones d’intérêt plus \nrapidement que les deux autres groupes peu importe le contenu de l’image (liée à l’alcool ou neutre). Aussi, les consommateurs en traitement passent significativement plus de temps que les consommateurs légers dans les zones d’intérêt, peu importe le contenu (liée à l’alcool ou non). Il est à noter que l’échantillon est petit et que les participants varient en âge; des variables devant être prises en considération dans l’interprétation des résultats. Finalement, le troisième chapitre se veut une discussion et une conclusion faisant le lien entre des théories populaires expliquant la consommation problématique d’alcool, les résultats de l’étude empirique de l’article soumis et des liens pratiques pouvant en découler.
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 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 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".