La comorbidité chez les joueurs pathologiques en traitement
Bibliographic record
Abstract
Plusieurs études telles que le NESARC ont démontré la comorbidité chez les joueurs\npathologiques dans la population générale et dans des échantillons cliniques. Le jeu pathologique se présente souvent avec des troubles comorbides tels que les toxicomanies, les troubles de l’humeur, les troubles anxieux et les troubles de la personnalité. Cette étude a été réalisée auprès de 40 joueurs pathologiques admis en traitement au Centre Dollard-Cormier, Institut universitaire sur les dépendances à Montréal. Les objectifs étaient d’évaluer : la consommation d’alcool et de drogues, la présence d’une détresse psychologique caractérisée par des symptômes et des\nsyndromes cliniques ainsi que par des troubles de la personnalité et la prévalence du trouble de l’ÉSPT dans l’échantillon. L’ICJE a été utilisé pour évaluer la gravité du jeu. Les autres troubles ont été mesurés à travers l’IGT, l’AUDIT, le MCMI-III, le QÉT et l’ÉMST. Les résultats montrent\nque 65 % des participants présentent une consommation problématique d’alcool (25 %\nactuellement, 40 % dans le passé), 27,5 % une consommation problématique de drogues; 52,5 %, un diagnostic probable d’au moins un syndrome clinique (surtout anxiété et dépression), 55 %, un diagnostic probable d’au moins un trouble de la personnalité; 30 %, des symptômes du trouble d’ÉSPT et 17,5 %, un diagnostic probable du trouble. Alors, la comorbidité est présente chez les\njoueurs pathologiques de l’échantillon. Il est essentiel de l’identifier pour mieux répondre aux besoins particuliers de l’individu et l’aider avec les symptômes qui aggravent le problème de jeu et augmentent le risque de récidive.
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 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| 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) | 0.007 | 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".