A research plan to define Canada’s first low-risk gambling guidelines
Notice bibliographique
Résumé
From a public health perspective, gambling shares many of the same characteristics as alcohol. Notably, excessive gambling is associated with many physical and emotional health harms, including depression, suicidal ideation, substance use and addiction and greater utilization of health care resources. Gambling also demonstrates a similar 'dose-response' relationship as alcohol-the more one gambles, the greater the likelihood of harm. Using the same collaborative, evidence-informed approach that produced Canada's Low-Risk Alcohol Drinking and Lower Risk Cannabis Use Guidelines, a research team is leading the development of the first national Low-Risk Gambling Guidelines (LRGGs) that will include quantitative thresholds for safe gambling. This paper describes the research methodology and the decision-making process for the project. The guidelines will be derived through secondary analyses of several large population datasets from Canada and other countries, including both cross-sectional and longitudinal data on over 50 000 adults. A scientific committee will pool the results and put forward recommendations for LRGGs to a nationally representative, multi-agency advisory committee for endorsement. To our knowledge, this is the first systematic attempt to generate a workable set of LRGGs from population data. Once validated, the guidelines inform public health policy and prevention initiatives and will be disseminated to addiction professionals, policy makers, regulators, communication experts and the gambling industry. The availability of the LRGGs will help the general public make well-informed decisions about their gambling activities and reduce the harms associated with gambling.
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 | 0,001 | 0,000 |
| 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) | 0,003 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».