A Multivariate Evaluation of 25 Proximal and Distal Risk-Factors for Gambling-Related Harm
Notice bibliographique
Résumé
Individual differences in the risk of developing gambling-related harm play an important role in theoretical models and practical interventions. The present study attempted comprehensive measurement and evaluation of 25 known risk factors for gambling-related harm in order to determine which factors provided large and unique explanatory power. We surveyed 1650 regular gamblers from an online panel, screening in 1174 (466 male) who passed all checks of attention and response consistency. We evaluated each risk factor based on bivariate correlations with harms, then made separate multivariate evaluations of proximal (e.g., gambling motivations) and distal (e.g., religiosity) risk factors. Almost all bivariate correlations were significant, but most distal factors were not significant in multivariate models. Trait impulsivity was the most important risk factor by a large margin. Excessive consumption, less use of safe gambling practices, and more fallacies were key proximal risks of harm. Many well-known correlates of gambling harm (e.g., youth, lower educational attainment) do not show a direct role in the development of gambling harm when controlling for other factors. The results support theoretical models that emphasise early conditioning and biological vulnerability (manifested through impulsivity). Since maladaptive cognitive and behavioural schemas appear to be more important than motivations (e.g., escape, excitement, ego), interventions may benefit by targeting these proximal drivers of harm.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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 ».