Internet Gambling: A Critical Review of Behavioural Tracking Research
Notice bibliographique
Résumé
This paper reviews and analyzes studies that are focused on Internet gambling with the use of behavioural tracking and big data to identify gambling behaviour. The behaviour of gamblers has been extensively studied and much has been published on the subject. The vast majority of research has relied on self-reported gambling behaviour or case study research. With the advent of the Internet, however, it has become possible for researchers to remotely study the real behaviour of gamblers. The goal has been to empirically describe playing behaviour in several conditions and contexts. Existing research, conducted since the 2000s, focuses on several forms of gambling such as sports betting, casino, poker, and lottery, but there is still only a concise body of research on gambling behaviour with the use of Internet gambling tracking data. Most studies are based on the same databases, meaning that a few companies and websites were the basis for most of the research produced so far. It is important to explore new sources of information, methodologies, and approaches to enrich discussion and contribute to a better understanding of this field. The empirical analysis of gambling behaviour with the use of tracking data was found to greatly contribute to the understanding of player behaviour, despite existing limitations and problems. Considering that Internet gambling behavioural tracking is still a fairly recent phenomenon, much can still be done to further develop this field of research.Cet article examine et analyse les études axées sur le jeu en ligne qui recourent au suivi comportemental et aux mégadonnées pour cerner le comportement lié au jeu. Or, on a souvent étudié le comportement des joueurs et on a beaucoup publié sur le sujet, mais jusqu’à présent, la majeure partie de la recherche repose sur le comportement autodéclaré ou la recherche fondée sur les études de cas. Avec l’avènement d’Internet, il est dorénavant possible pour les chercheurs d’étudier à distance le comportement réel des joueurs. L’objectif a donc consisté à décrire de manière empirique le comportement lié au jeu dans plusieurs conditions et contextes. La recherche existante, menée depuis les années 2000, se concentre sur plusieurs formes de jeux de hasard tels que les paris sportifs, le casino, le poker et la loterie. Mais à ce jour, il n’existe qu’un corpus de recherches très concis sur le comportement lié au jeu qui utilise des données de suivi sur le jeu par Internet. La plupart des études sont fondées sur les mêmes bases de données, car seulement quelques entreprises et sites Web ont servi de base à la plupart des recherches produites jusqu’à maintenant. Il est donc important d’explorer de nouvelles sources d’information, méthodologies et approches pour pouvoir enrichir les discussions et améliorer la compréhension de ce domaine. L’analyse empirique du comportement lié au jeu à l’aide de données de suivi a ainsi largement contribué à la compréhension du comportement du joueur en dépit des limites et problèmes existants. Si l’on tient compte du fait que le suivi comportemental du jeu sur Internet est un phénomène encore assez récent, il reste beaucoup à faire pour exploiter davantage ce domaine de recherche.
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 | 0,007 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».