Les biais attentionnels envers l’alcool chez les « petits consommateurs » vs « gros consommateurs » dans un environnement virtuel
Bibliographic record
Abstract
Introduction : Les personnes dépendantes à l'alcool montrent des biais attentionnels quand elles sont confrontées à des indices liés à l’alcool (Kreusch, Vilenne, & Quertemont, 2013). D’après le modèle de Wiers et al. (2007), les biais attentionnels favoriseraient la consommation répétée de substances. Objectif : Cette étude exploratoire évalue dans quelle mesure la réalité virtuelle fournit un environnement permettant de tester ces biais attentionnels. Hypothèse : Les gros consommateurs d'alcool présentent des biais attentionnels plus fréquents et plus intenses que les petits consommateurs. Méthode : Un questionnaire en ligne permettant de recruter 24 petits et 24 gros consommateurs d’alcool a d’abord été administré afin de présélectionner les sujets. Les participants ont ensuite réalisé une tâche d’immersion dans un environnement virtuel de « bar ». Le nombre de zooms effectués sur les stimuli « bières » et le nombre de commentaires rapportés en lien avec l’alcool étaient mesurés. Directement après l’immersion, la Visual Analogue Craving Scale (VAS) leur était administrée afin d’évaluer leur envie de boire. Résultats : Les « gros consommateurs » présentent davantage de zooms sur les stimuli « bières » que les «petits consommateurs». De plus, les « gros consommateurs » présentent un score plus élevé à la VAS que les «petits consommateurs », ce qui témoignerait d’une envie de consommer plus élevée après l’immersion par rapport aux « petits consommateurs ». Cependant, aucune corrélation significative n’a été mise en avant entre le nombre de zooms effectués et le score à la VAS chez les « gros consommateurs ». Conclusion : En accord avec nos hypothèses, nos résultats ont montré que les gros consommateurs présentent davantage de biais attentionnels envers les stimuli liés à l’alcool que les petits consommateurs ». Cependant, de futures recherches sont nécessaires afin de pouvoir confirmer que la réalité virtuelle fournit un environnement qui permet de tester les biais attentionnels.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".