Exploring the Effectiveness of an Intelligent Messages Framework for Developing Warning Messages to Reduce Gambling Intensity
Notice bibliographique
Résumé
Warning messages are a common tool used in public health initiatives in an attempt to minimize consumer harm. Electronic gaming machines provide a unique opportunity to deliver messages that are personalized, that is, based on player behaviour, gambling history, and personal characteristics. This study explores whether messages that respond to player behaviour may be effective in reducing gambling intensity on the basis of the Intelligent Messages Framework (Langham, Thorne, Rockloff, & Donaldson, 2017). One-hundred and seventy-two participants (82 males, 90 females) from 20 to 88 years of age (M = 48.95, SD = 16.06) played a computerized gambling simulation. Participants were presented with a pop-up message following the 21st spin during game play, which varied according to message purpose (informative, self-monitoring, self-evaluative) and message frame (positive, challenging, negative). Results showed that female participants had faster betting speeds, greater betting persistence, and greater total losses in the negative, self-evaluative condition than in the other conditions. Findings suggest that messages need to be tailored appropriately to the consumer’s characteristics to be effective. Messages that do not consider the individual needs of the consumer may increase gambling intensity and therefore fail to be an effective harm-minimization tool. More sophisticated methods of delivering messages to consumers need to be developed and tested, particularly given that ineffective messages have the potential to be counterproductive in reducing gambling intensity.RésuméLes messages d’avertissement sont un outil souvent utilisé dans les initiatives de santé publique pour minimiser les préjudices causés aux consommateurs. Les machines de jeux électroniques offrent une possibilité unique de livrer des messages personnalisés, c’est-à-dire basés sur le comportement des joueurs, l’historique de jeu et les caractéristiques personnelles. Cette étude évalue si les messages qui répondent au comportement des joueurs peuvent être efficaces pour réduire l’intensité du jeu sur la base du cadre de travail de messages intelligents (Intelligent Messages Framework) (Langham, Thorne, Rockloff et Donaldson, 2017). Cent-soixante-douze participants (82 hommes, 90 femmes) âgés de 20 à 88 ans (M = 48,95, SD = 16,06) ont participé à une simulation de jeu informatisée. Les participants ont reçu un message contextuel à la suite du 21e tour de jeu, qui variait en fonction du but du message (informatif, auto-surveillance, auto-évaluation) et du cadre du message (positif, stimulant, négatif). Les résultats ont montré que les participantes avaient des vitesses de pari plus rapides, une plus grande persistance de paris et des pertes totales plus importantes dans la condition négative d’auto-évaluation, comparée à d’autres conditions. Les résultats indiquent que pour être efficaces, les messages doivent être adaptés de manière appropriée en fonction des caractéristiques du consommateur. Les messages qui ne tiennent pas compte des besoins individuels du consommateur peuvent augmenter l’intensité du jeu et ainsi n’être d’aucune utilité pour minimiser les dommages. Il est nécessaire de concevoir et de tester des méthodes plus sophistiquées pour livrer des messages aux clients, d’autant plus que les messages inefficaces peuvent être contre-productifs pour réduire l’intensité du jeu.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».