Once online poker, always online poker? Poker modality trajectories over two years
Notice bibliographique
Résumé
Online poker is considered more at-risk than land-based poker in terms of intense gambling behaviors and gambling problems. The development of many online gambling sites has raised public health concerns about the potential increase in online poker players. Longitudinal studies are useful to better understand the evolution of gambling behaviors; however, very few consider online poker players. Using a prospective design, this study aims to identify online and land-based trajectories over a two-year period and the factors influencing those trajectories. Results are based on data collected at three time-points over the course of a prospective cohort study conducted in Quebec (n = 304). A latent class growth analysis was performed to determine trajectories based on the main poker modality played, either online or land-based poker. Multinomial multivariable logistic regression analyses were conducted to determine the correlates of poker playing trajectories. Over two years, three poker playing trajectories were identified, comprising two stable trajectories [stable land-based (51.5%) and stable online (36.3%)] and an unstable trajectory [unstable online land-based (12.1%)]. The second trajectory included online poker players at baseline who transitioned to land-based poker. Number of gambling activities increased the odds of being in the first trajectory as compared to the others. Severity of gambling problems was a significant predictor of the second "unstable" or the third "stable online" trajectories, but not for the first "stable land-based" poker trajectory. The majority of poker players remained in either the land-based or online trajectories over two years. No poker players transitioned from land-based to online poker.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».