Analyse comparative des motivations à jouer entre différents types de joueurs de premier cycle universitaire
Bibliographic record
Abstract
CONTEXTE. Les étudiants universitaires ont la prévalence la plus élevée de joueurs pathologiques probables (JP) parmi les populations à risque de développer des problèmes de jeu. OBJECTIF. Cette étude qualitative vise à comparer les motivations à jouer entre les joueurs récréatifs (JR) et les JP chez des étudiants universitaires de premier cycle. MÉTHODE. Dans le cadre de l’enquête épidémiologique ENHJEU, 20 participants classés selon l’Indice canadien de jeu excessif (ICJE), ont été rencontrés : 15 JR en entrevue focus group (FG) et 5 JP en entrevue individuelle. Une analyse descriptive des données démographiques et une analyse thématique des profils de joueurs ont été effectuées. RÉSULTATS. L’échantillon est représenté par les hommes à 80 % chez les JP et à 67 % chez les JR, l’âge moyen est de 24 et 23,2 ans respectivement. Soixante pourcent des JP mentionnent avoir fait de gros gains dès leur initiation aux jeux et jouent par compulsion ou par dépendance; 80 % perçoivent le jeu comme une échappatoire et jouent pour des motivations financières. Quant aux JR, ils ont tous rapporté jouer principalement par procrastination, pour le divertissement et pour l’aspect social du jeu. Finalement, les deux profils de joueurs s’accordent pour dire qu’ils jouent par ennui, selon l’accessibilité et pour l’excitation physique que le jeu leur procure. CONCLUSION. La motivation aux jeux est un indicateur significatif dans le développement de problèmes de jeux.
Stored with the screening record, where it is evidence for the labels above.
How this classification was reachedexpand
The three-model screen
all 5,600 screened works →All three models called this out of scope.
Dissertation comparing gambling motivations among undergraduate students; the object is gambling behavior.
It studies gambling motivations among university students, not research practice.
Psychology study of gambling motivations among undergraduates; clinical/behavioural object, not research.
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 | 0.004 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".