Use of online crowdsourcing platforms for gambling research
Notice bibliographique
Résumé
Crowdsourcing platforms like Amazon’s Mechnical Turk and Crowdflower have been touted to be a cost-effective way to collect large amounts of behavioural data. Across four large-n studies, gambling-related behaviours, tendencies and traits among participants in these labour markets were examined. In Studies 1 and 2, both conducted on Crowdflower, problem gamblers (as measured by the benchmark Problem Gambling Severity Index) comprised 24.5% and 21.9% of participants, respectively. In Study 3, conducted on Mechanical Turk, problem gamblers comprised 9.0% of participants. In Study 4, a two-wave longitudinal study conducted on Crowdflower, problem gamblers comprised 13.5% of participants in wave one and 14.8% of participants in wave two. In Studies 2 and 3, strong convergent associations were demonstrated across various measures of problem gambling tendencies and general gambling involvement. Furthermore, it was demonstrated that gambling was associated with personality traits (impulsivity, sensation-seeking, self-control), risk attitudes, affect, and behavioural risk-taking consistent with previous research. In Study 4, it was demonstrated that measures of problem gambling have acceptable test-retest reliability. Online crowdsourcing platforms appear to offer access to samples with remarkably high proportions of problem gamblers. However, this characteristic means that such samples are not necessarily representative of gambling tendencies among more general populations.
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».