Types of change strategies for limiting or reducing gambling behaviors and their perceived helpfulness: A factor analysis.
Notice bibliographique
Résumé
Gamblers engage with a broad range of resources and strategies to limit or reduce their gambling. However, there is limited research examining the uptake and helpfulness of the full range of strategies gamblers employ. The aim of this study was to compile a comprehensive inventory of change strategies and then group these using principal component analysis based on perceived helpfulness. We also aimed to determine whether there are differences in the helpfulness of strategies by demographic, gambling severity, and readiness indicators. The Change Strategies Questionnaire-Version 1 contained 99 strategies, and 489 gamblers (including 333 problem gamblers) identified the most frequently endorsed strategy as remind yourself of negative consequences of gambling (92%) and think about how money could be better spent (92%). Principal components analysis identified 15 strategy groupings: cognitive, well-being, consumption control, behavioral substitution, financial management, urge management, self-monitoring, information seeking, spiritual, avoidance, social support, exclusion, planning, feedback, and limit finances. There were differences in the helpfulness of strategies by age and gambling severity. Few strategies were correlated with confidence to manage an urge to gamble. Overall, change strategies were viewed as moderately helpful. The top five strategies were all used by at least 90% of gamblers, and these strategies were all cognitive in nature. This study provides important information for the development of interventions targeting gambling behavior. Furthermore, it suggests that interventions for problem gambling should target cognitive, feedback, planning, and urge management strategies. (PsycINFO Database Record
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».