A Method for Classifying Pathological Gamblers According to “Enhancement,” “Coping,” and “Low Emotion Regulation” Subtypes
Bibliographic record
Abstract
Pathological gamblers vary in their personality traits, psychopathological characteristics, and motivations for gambling. Methods for classifying them according to disseminated subtyping schemes, however, are not readily available, which may hinder further research on subtypes or efforts to incorporate subtyping schemes into clinical practice. With regard to affective motivations for gambling, we describe and evaluate a method for classifying pathological gamblers according to “enhancement,” “coping,” and “low emotion regulation” subtypes. Generalized squared distance was used to determine the best profile fit for 158 pathological gamblers on the basis of their Inventory of Gambling Situations (IGS) scores and in relation to refined IGS subtype profiles obtained through cluster analysis, these refined subtypes also having been validated via Gambling Motives Questionnaire scores. No gamblers were misclassified, suggesting that this method may perform well on cross-validation. For interested researchers and practitioners, an easy-to-use tool is available that automates this profile-matching approach to classification. Additional research is needed on how this method fares in independent samples of regular gamblers and of individuals with gambling disorder.Les joueurs pathologiques varient quant à leurs traits de personnalité, leurs caractéristiques psychopathologiques et leurs motivations à jouer. Il n’existe cependant pas de méthodes facilement utilisables pour les classés selon des schémas de sous-types disséminés, ce qui risque de ralentir la recherche sur les sous-types ou les efforts déployés pour intégrer des schémas de sous-types à la pratique clinique. En ce qui concerne les motivations affectives au jeu, la présente étude décrit et analyse une méthode de classement des joueurs pathologiques reposant les sous-types suivants : la « stimulation », l’« adaptation » et la « faible régulation des émotions ». La distance généralisée au carré a été utilisée pour déterminer la « meilleure correspondance de profil » pour 158 joueurs pathologiques en fonction de leur score au questionnaire de la liste des occasions de jeu (LOJ) et relativement à des profils plus précis de sous-types de la LOJ obtenus au moyen d’une analyse typologique et validés à partir des résultats du questionnaire sur les motivations à jouer. Aucun joueur n’a été classé de manière erronée à l’aide de la méthode analysée, ce qui laisse entendre qu’elle peut être efficace dans le cadre d’une validation croisée. Un outil « facile d’emploi » permettant d’automatiser une telle approche de classification par association avec des profils se trouve ainsi accessible aux chercheurs et aux praticiens intéressés. Des recherches supplémentaires sont nécessaires pour déterminer l’efficacité de cette méthode avec des échantillons indépendants de joueurs ordinaires et de joueurs présentant un problème de jeu.
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 | 0.012 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.009 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".