Losses disguised as wins in multiline slots: using an educational animation to reduce erroneous win overestimates
Notice bibliographique
Résumé
Slot machines are available in several countries, with multiline games growing in popularity. Interestingly, many audiovisually reinforced small ‘wins’ in multiline games are in fact monetary losses – outcomes referred to as losses disguised as wins (LDWs). Research suggests that LDWs cause players to overestimate how many times they remember actually winning during a playing session. The study sought to replicate this finding and see if a short educational animation about LDWs could significantly reduce this LDW-triggered win overestimation effect. It employed a mixed design, with animation viewed (LDW, control) as the between-subjects factor, and game played (200 spins on a few LDW or many LDW game; game order counterbalanced) as the within-subjects factor. Fifty-four novice participants estimated how many times they won more than they wagered in each game. In the control animation group, the study replicated the LDW-triggered win overestimation effect for participants playing the many LDW game. Crucially, win overestimates were significantly reduced in this many LDW game for players exposed to the LDW animation. The study concludes that LDWs can lead novice gamblers to remember winning more often than they actually do during a playing session, but educating participants about LDWs can reduce these erroneous win overestimates.
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 | 0,001 |
| 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 ».