The relationship between player losses and gambling‐related harm: evidence from nationally representative cross‐sectional surveys in four countries
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Flaws in previous studies mean that findings of J-shaped risk curves for gambling should be disregarded. The current study aims to estimate the shape of risk curves for gambling losses and risk of gambling-related harm (a) for total gambling losses and (b) disaggregated by gambling activity. DESIGN: Four cross-sectional surveys. SETTING: Nationally representative surveys of adults in Australia (1999), Canada (2000), Finland (2011) and Norway (2002). PARTICIPANTS: A total of 10 632 Australian adults, 3120 Canadian adults, 4484 people aged 15-74 years in Finland and 5235 people aged 15-74 years in Norway. MEASUREMENTS: Problem gambling risk was measured using the modified South Oaks Gambling Screen, the NORC DSM Screen for Gambling Problems and the Problem Gambling Severity Index. FINDINGS: Risk curves for total gambling losses were estimated to be r-shaped in Australia {β losses = 4.7 [95% confidence interval (CI) = 3.8, 6.5], β losses(2 =) -7.6 (95% CI = -17.5, -4.5)}, Canada [β losses = 2.0 (95% CI = 1.3, 3.9), β losses(2 =) -3.9 (95% CI = -15.4, -2.2)] and Finland [β losses = 3.6 (95% CI = 2.5, 7.5), β losses(2 =) -4.4 (95% CI = -34.9, -2.4)] and linear in Norway [β losses = 1.6 (95% CI = 0.6, 3.1), β losses(2 =) -2.6 (95% CI = -12.6, 1.4)]. Risk curves for different gambling activities showed either linear, r-shaped or non-significant relationships. CONCLUSIONS: Player loss-risk curves for total gambling losses and for different gambling activities are likely to be linear or r-shaped. For total losses and electronic gaming machines, there is no evidence of a threshold below which increasing losses does not increase the risk of harm.
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 | 0,002 | 0,001 |
| 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 ».