Disordered gambling among higher-frequency gamblers: who is at risk?
Notice bibliographique
Résumé
BACKGROUND: When gambling opportunities are made available to the public in a given jurisdiction, some individuals participate occasionally and others more frequently. Among frequent gamblers, some individuals develop problematic involvement and some do not. This study addresses the association among demographic and social risk factors, frequency of gambling and gambling disorders. METHOD: Data from an adult community sample (n=1372) were used to identify risk factors for higher-frequency gambling and disordered gambling involvement. RESULTS: Individuals with higher intelligence, older individuals and more religious individuals were less frequent gamblers. Males, single individuals and those exposed to gambling environments (friends and family who gamble) and those who started to gamble at a younger age were more frequent gamblers. Excitement-seeking personality traits were also higher among more frequent gamblers. A different set of risk factors was associated with the likelihood of gambling disorder among these higher-frequency gamblers. These variables included mental health indicators, childhood maltreatment and parental gambling involvement. Among higher-frequency gamblers, individuals who smoke cigarettes, those with a diagnosis of alcohol or drug dependence or obsessive-compulsive disorder, those with higher anxiety or depression and those with higher impulsivity and antisocial personality traits were more likely to report gambling-related problems. These individuals were also more likely to report gambling on electronic gambling machines (e.g. slot machines). CONCLUSIONS: These data suggest a model in which higher-frequency gambling, particularly with electronic gambling machines, when combined with any type of emotional vulnerability increased the likelihood of gambling disorder.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,036 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».