Variety of gambling activities from adolescence to age 30 and association with gambling problems: a 15‐year longitudinal study of a general population sample
Notice bibliographique
Résumé
AIMS: To estimate trajectories of gambling variety from mid-adolescence to age 30 years, and compare the different trajectory groups with regard to the type and the frequency of gambling activities practiced and gambling-related problems. DESIGN: Prospective longitudinal cohort study. SETTING: Province of Quebec, Canada. PARTICIPANTS: A mixed-gender general population cohort assessed at ages 15 (n=1882), 22 (n=1785) and 30 (n=1358). MEASUREMENTS: Adolescent and adult versions of the South Oaks Gambling Screen (SOGS). FINDINGS: Group-based trajectory analysis identified three distinct trajectories: a late-onset low trajectory (26.7% of sample) initiating gambling at age 22, an early-onset low trajectory (64.8% of sample), characterized by one to two different activities from age 15 onwards and a high trajectory (8.4% of sample), with an average of four to five different activities from age 15 to 30. Males (14.2%) were four times more likely to be on a high trajectory than females (3.5%) (P<0.001). Preferred types of gambling activities were similar across the three trajectories. Participants on a high trajectory reported higher gambling frequency at ages 15 and 30, and were more likely to experience problem gambling at age 30: 3.09 [95% confidence interval (CI)=1.66, 5.75] and 2.26 (95% CI=1.27, 4.04) times more, respectively, than late-onset low and early-onset low participants, even when socio-economic status (SES), frequency of gambling and problem gambling in adolescence, gender, age 30 education, SES and frequency of gambling were controlled. CONCLUSIONS: Engaging in several different types of gambling in early adulthood appears to be a risk factor for emergence of problem gambling.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».