Impact de la comorbidité dans le traitement des joueurs pathologiques
Bibliographic record
Abstract
Les jeux de hasard et d’argent ne cessent de se développer à travers le monde et l’accroissement de leur visibilité permet un portrait plus juste des variables impliquées dans la problématique du trouble lié au jeu d’argent. Les données pro- bantes quant à la compréhension de ce trouble se développent rapidement et le jeu d’argent pathologique se présente majoritairement en cooccurrence avec d’autres troubles de santé mentale. Les résultats de recherches ont démontré que jusqu’à 96 % des personnes ayant reçu un diagnostic de jeu d’argent pathologique ont satisfait aux critères d’au moins un autre trouble psychiatrique au cours de leur vie (Bischof et al., 2013 ; Kessler et al., 2008 ; Steel et Blaszczynski, 1998). Par ailleurs, les troubles d’utilisation de substances (TUS) ont un taux de prévalence particulièrement élevé chez les joueurs pathologiques (Cowlishaw et al., 2014 ; Fernández, 2002) et cette concomitance peut avoir un impact important sur la problématique de même que sur l’issue d’un traitement. De plus, les joueurs pathologiques ne représentent pas un groupe homogène et plusieurs caractéristiques les distinguent entre eux. Ce sont ces caractéristiques qui demandent à être mieux comprises. Ainsi, l’objectif de cet article est d’identifier les différences étiologiques chez les joueurs en lien avec l’impact de la comorbidité, particulièrement le TUS associé au jeu d’argent pathologique (JAP) et leurs influences sur les programmes de traitement.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 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) | 0.005 | 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".