MétaCan
Menu
Retour à la cohorte
Enregistrement W2972348902 · doi:10.4309/jgi.2019.42.3

Hey Big Spender: An Ecological Momentary Assessment of Sports and Race Betting Expenditure by Gambler Characteristics

2019· article· en· W2972348902 sur OpenAlexvenueno aff
Nerilee Hing, Alex MT Russell, Anna Thomas, Rebecca Jenkinson

Notice bibliographique

RevueJournal of Gambling Issues · 2019
Typearticle
Langueen
DomainePsychology
ThématiqueGambling Behavior and Treatments
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHarmRace (biology)PsychologyActuarial scienceSocial psychologyEconomicsSociology

Résumé

récupéré en direct d'OpenAlex

A major obstacle to understanding how expenditure varies amongst people who gamble is the difficulty of obtaining accurate expenditure data from individual gamblers. To overcome the shortcomings of retrospective self-reports, this study used a prospective ecological momentary assessment (EMA) design to capture these data every 24/48 hours. It aimed to examine 1) demographic, psychological, behavioural and contextual characteristics of high-spending sports and race bettors, and 2) the relationship between betting outlay and problem gambling severity. A baseline survey was completed by 320 regular sports bettors and 402 regular race bettors, followed by 15 EMA surveys over three non-consecutive weeks. Higher spending bettors were more likely to: be male, place more of their bets online, have higher disposable incomes, have commenced betting at a younger age, have more accounts with betting operators, and bet when affected by alcohol. The analyses confirmed the strong link between problem gambling severity and financial outlay on betting. Regular sports bettors experiencing gambling problems spent four times more, and those at moderate-risk spent three times more, than their non-problem gambling counterparts. Regular race bettors experiencing gambling problems spent three times more, and those at moderate-risk spent twice as much, as the non-problem gambling race bettors. These results suggest that regulatory and other initiatives that help bettors to limit or reduce their financial outlay on betting should be central to harm minimisation efforts, in order to reduce the growing number of bettors experiencing gambling problems and harm. Résumé Un des principaux obstacles à la compréhension de la variation des dépenses entre les joueurs est la difficulté d’obtenir des données précises sur les dépenses de la part de joueurs individuels. Pour pallier les faiblesses d’auto-évaluations rétrospectives, cette étude visait à utiliser un modèle d’évaluation écologique momentanée (EMA) prospective pour saisir ces données toutes les 24 à 48 heures, afin d’examiner 1) les caractéristiques démographiques, psychologiques, comportementales et contextuelles de gros parieurs de course et de paris sportifs et 2) la relation entre les dépenses de paris et la gravité du jeu problématique. Une enquête initiale a été réalisée auprès de 320 parieurs sportifs et de 402 parieurs de course réguliers, suivie de 15 sondages EMA sur trois semaines non consécutives. Les plus gros parieurs étaient plus susceptibles de: placer davantage de paris en ligne, d’avoir un revenu disponible plus élevé, d’avoir commencé à parier à un plus jeune âge, d’avoir davantage de comptes auprès d’opérateurs de paris et de parier sous l’influence de l’alcool. Les analyses ont confirmé le lien étroit qui existe entre la gravité du jeu problématique et les dépenses financières consacrées aux paris. Les parieurs sportifs réguliers aux prises avec des problèmes de jeu dépensaient quatre fois plus et ceux à risque modéré, trois fois plus, que leurs homologues sans problème de jeu. Les parieurs de course réguliers aux prises avec des problèmes de jeu dépensaient trois fois plus et ceux à risque modéré, deux fois plus, que leurs homologues sans problème de jeu. Ces résultats laissent entrevoir que les initiatives réglementaires et autres initiatives qui aident les parieurs à limiter ou à réduire leurs dépenses en paris devraient être au cœur des efforts de minimisation des préjudices, afin de réduire le nombre croissant de parieurs ayant des problèmes de jeu et de préjudices.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,148
Tête enseignante GPT0,440
Écart entre enseignants0,293 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Gambling IssuesMême sujetGambling Behavior and TreatmentsTravaux en français237 207