Deriving low‐risk gambling limits from longitudinal data collected in two independent Canadian studies
Notice bibliographique
Résumé
AIMS: To derive low-risk gambling limits using the method developed by Currie et al. (2006) applied to longitudinal data. DESIGN: Secondary analysis of data from the Quinte Longitudinal Study (n = 3054) and Leisure, Lifestyle and Lifecycle Project (n = 809), two independently conducted cohort studies of the natural progression of gambling in Canadian adults. SETTING: Community-dwelling adults in Southeastern Ontario and Alberta, Canada. PARTICIPANTS: A total of 3863 adults (50% male; median age = 44) who reported gambling in the past year. MEASUREMENTS: Gambling behaviours (typical monthly frequency, total expenditure and percentage of income spent on gambling) and harm (experiencing two or more consequences of gambling in the past 12 months) were assessed with the Canadian Problem Gambling Index. FINDINGS: The dose-response relationship was comparable in both studies for frequency of gambling (days per month), total expenditure and percentage of household income spent on gambling (area under the curve values ranged from 0.66 to 0.74). Based on the optimal sensitivity and specificity values, the low-risk gambling cut-offs were eight times per month, $75CAN total per month and 1.7% of income spent on gambling. Gamblers who exceeded any of these limits at time 1 were approximately four times more likely to report harm at time 2 [95% confidence interval (CI) = 2.9-6.6]. CONCLUSIONS: Longitudinal data in Canada suggest low-risk gambling thresholds of eight times per month, $75CAN total per month and 1.7% of income spent on gambling, all of which are higher than previously derived limits from cross-sectional data. Gamblers who exceed any of the three low-risk limits are four times more likely to experience future harm than those who do not.
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 | 0,001 | 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 ».