No full text
Unpublished conference/Abstract (Scientific congresses, symposiums and conference proceedings)
Évaluation de la validité des critères du Trouble lié au Jeu Vidéo en ligne selon le DSM-5 : Une approche en “Machine Learning”
Infanti, Alexandre; Vögele, Claus; Deleuze, Jory et al.
2021Colloque GREPACO (Groupe de Réflexion en Psychopathologie Cognitive). Addictions : Diversité des pratiques et des approches
 

Files


Full Text
No document available.
Annexes
[FR]Dias v4.pptx
(5.85 MB)
Request a copy

All documents in ORBilu are protected by a user license.

Send to



Details



Keywords :
Trouble du jeux vidéo en ligne; DSM-5; Machine Learning; forêt d’arbres décisionnels; diagnostic
Abstract :
[fr] INTRODUCTION : En 2013, le trouble lié au jeu vidéo en ligne (TJV) a été introduit dans la section III du DSM-5 qui répertorie les troubles émergents nécessitant plus de recherche avant d’être potentiellement reconnus [1]. 9 critères de diagnostic ont été proposés à partir de ceux initialement établis pour les troubles liés à l’utilisation de substance et au jeu d’argent [2]. Certains de ces critères, comme l’augmentation progressive du temps de jeu, ont été critiqués quant à leur validité vis-à-vis de l’évaluation du TJV [3]. Bien que le score seuil proposé par le DSM-5 pour établir un diagnostic semble soutenu dans la littérature [4], la présence de critères jugés peu pertinents par les experts rend possible une sur-pathologisation des joueurs fortement engagés dans les jeux vidéo [5]. Le Machine Learning (ML) représente une opportunité d’innovation dans l’évaluation de la validité des critères d’un outil diagnostic (validité clinique, utilité clinique, valeur pronostique). Bien que le ML soit de plus en plus utilisé en psychologie, il n’y a à notre connaissance aucune étude qui a utilisé cette approche pour tester la validité des critères proposés pour définir le TJV selon le DSM-5. OBJECTIF : Évaluer la validité des critères du DSM-5 concernant le TJV en fonction du score seuil de diagnostic (cut-off) prédéterminé et observer l’apport du ML. MATERIEL ET METHODE : Trois bases de données venant de deux études publiées [6, 7] et d’une étude non publiée ont été regroupées afin d’obtenir un échantillon final de 412 répondants. Les participants sont âgés entre 18 et 43 ans (M=21.89, SD=3.42), présentent un temps de jeux hebdomadaire allant de 1 à 70 heures (M=12.36, SD=9.06) et ont répondu de façon dichotomique à un questionnaire en ligne évaluant la présence des 9 critères du DSM-5 [2]. Aucun style de jeu en ligne particulier n’est ciblé. Selon le DSM-5, 95 (23%) participants présenteraient un TJV. Pour les statistiques traditionnelles, nous avons calculé les scores de Khi carré pour chaque critère du DSM-5. Concernant le ML, nous avons entraîné 2500 forêts d’arbres décisionnels et nous avons ensuite calculé pour chaque critère la moyenne de son importance au sein des 2500 modèles de prédiction entrainés. RESULTATS : Dans les deux types d’analyses, les critères de perte de contrôle et de perte d’intérêt ont obtenu les plus hauts scores. Les analyses de ML considèrent le critère de préoccupation comme étant le moins important. Du côté des statistiques traditionnelles, le critère de tolérance obtient la plus faible valeur. DISCUSSION : Le rajout du ML dans nos analyses a permis de confirmer la pertinence des critères de perte de contrôle et de perte d’intérêt repéré dans les analyses faites à l’aide des statistiques traditionnelles. De plus, le ML a attiré notre attention sur le critère de préoccupation comme étant potentiellement non valide, à l’instar du critère de tolérance dont la faible validité a été mise en lumière par les statistiques traditionnelles. Utiliser plusieurs méthodes d’analyse pour évaluer les critères d’un outil de diagnostic a apporté un avantage certain à notre étude et semble prometteur pour l’avenir. Bibliographie [1] American Psychiatric Association. (2013). Diagnostic and statistical manual of mental disorders: DSM-5 (5th ed.). Arlington, VA: American Psychiatric Association. [2] Petry, N. M., Rehbein, F., Gentile, D. A., Lemmens, J. S., Rumpf, H. J., Mößle, T., Bischof, G., Tao, R., Fung, D. S. S., Borges, G., Auriacombe, M., González Ibáñez, A., Tam, P., & O’Brien, C. P. (2014). An international consensus for assessing internet gaming disorder using the new DSM-5 approach. Addiction, 109(9), 1399–1406. https://doi.org/10.1111/add.12457 [3] Castro-Calvo, J., King, D. L., Stein, D. J., Brand, M., Carmi, L., Chamberlain, S. R., Demetrovics, Z., Fineberg, N. A., Rumpf, H. J., Yücel, M., Achab, S., Ambekar, A., Bahar, N., Blaszczynski, A., Bowden-Jones, H., Carbonell, X., Chan, E. M. Lo, Ko, C. H., de Timary, P., … Billieux, J. (2021). Expert appraisal of criteria for assessing gaming disorder: an international Delphi study. Addiction. https://doi.org/10.1111/add.15411 [4] Ko, CH., Yen, JY., Chen, SH., Wang, PW., Chen, CS., Yen, CF. (2014). Evaluation of the diagnostic criteria of Internet gaming disorder in the DSM-5 among young adults in Taiwan. J. Psychiatr. Res. 53:103–10. https://doi.org/10.1016/j.jpsychires.2014.02.008 [5] Billieux, J., Flayelle, M., Rumpf, H.-J., & Stein, D. J. (2019). High Involvement Versus Pathological Involvement in Video Games: a Crucial Distinction for Ensuring the Validity and Utility of Gaming Disorder. Current Addiction Reports, 6(3), 323–330. https://doi.org/10.1007/s40429-019-00259-x [6] Deleuze, J., Long, J., Liu, T. Q., Maurage, P., & Billieux, J. (2018). Passion or addiction? Correlates of healthy versus problematic use of videogames in a sample of French-speaking regular players. Addictive Behaviors, 82(March), 114–121. https://doi.org/10.1016/j.addbeh.2018.02.031 [7] Deleuze, J., Nuyens, F., Rochat, L., Rothen, S., Maurage, P., & Billieux, J. (2017). Established risk factors for addiction fail to discriminate between healthy gamers and gamers endorsing DSM-5 Internet gaming disorder. Journal of Behavioral Addictions, 6(4), 516–524. https://doi.org/10.1556/2006.6.2017.074
Disciplines :
Neurosciences & behavior
Author, co-author :
Infanti, Alexandre  ;  University of Luxembourg > Faculty of Humanities, Education and Social Sciences (FHSE) > Department of Behavioural and Cognitive Sciences (DBCS)
Vögele, Claus ;  University of Luxembourg > Faculty of Humanities, Education and Social Sciences (FHSE) > Department of Behavioural and Cognitive Sciences (DBCS)
Deleuze, Jory
Baggio, Stéphanie
Billieux, Joël
External co-authors :
yes
Language :
French
Title :
Évaluation de la validité des critères du Trouble lié au Jeu Vidéo en ligne selon le DSM-5 : Une approche en “Machine Learning”
Publication date :
01 June 2021
Event name :
Colloque GREPACO (Groupe de Réflexion en Psychopathologie Cognitive). Addictions : Diversité des pratiques et des approches
Event date :
From 31-05-2021 to 01-06-2021
Audience :
International
FnR Project :
FNR12252781 - Data-driven Computational Modelling And Applications, 2017 (01/09/2018-28/02/2025) - Andreas Zilian
Available on ORBilu :
since 10 March 2023

Statistics


Number of views
74 (2 by Unilu)
Number of downloads
0 (0 by Unilu)

Bibliography


Similar publications



Contact ORBilu