Cheating and stealing to finance gambling: analysis of screening data from a problem gambling self-help program
Notice bibliographique
Résumé
Previous studies have suggested strongly that early engagement in gambling anticipates severe gambling problems. Problem gambling and gambling addiction are linked to financial difficulties, depression and weakened life control. One social consequence of excessive gambling is property crime. In this study, we analyze screening data (N = 1573) from a problem gambling self-help program to locate predictors of such criminal behaviour. We applied logistic regression to determine the relationship between problem gambling and both reported cheating and stealing. Our objective was to create an empirically-based model of the different risk factors related to such criminogenic gambling. Our models suggest that self-reported gambling-related cheating and stealing is related to young age, low education, low income, a high rate of depression, a long history of problem gambling, and negative subjective perception of one’s financial situation.RésuméDes études antérieures ont confirmé qu’une participation précoce à des jeux d’argent prédit de graves problèmes de jeu. Le jeu compulsif et la dépendance au jeu sont liés aux difficultés financières, à la dépression et à un faible contrôle sur la vie. Une conséquence sociale du jeu excessif est la criminalité contre les biens. Dans cette étude, nous analysons les données de dépistage (N = 1573) d’un programme d’auto-assistance sur le jeu problématique pour trouver des prédicateurs d’un tel comportement criminel. Nous avons appliqué la régression logistique pour déterminer la relation entre le jeu problématique et la tricherie et le vol rapportés. Notre objectif était de créer un modèle empirique des différents facteurs de risque liés à ces jeux criminogènes. Nos modèles suggèrent que la tricherie et le vol autodéclarés attribuables au jeu sont liés au jeune âge, à un faible niveau de scolarité, à un faible revenu, à un taux élevé de dépression, à une longue histoire de jeu compulsif et à une perception subjective négative de sa situation financière.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».