Applying Behavioral Economics to Enhance Safe Firearm Storage
Notice bibliographique
Résumé
Behavioral economics applies key principles from psychology and economics to address obstacles to behavior change. The important topic of pediatric firearm injuries has not yet been explored through a behavioral economic lens. Pediatric firearm-related injuries are a significant public health problem in the United States. Despite American Academy of Pediatrics guidelines advising that firearms be stored unloaded, in a locked box or with a locking device, and separate from ammunition, estimates suggest that ∼4.6 million children live in homes with at least 1 loaded and unlocked firearm. In this article, we use behavioral economic theory to identify specific cognitive biases (ie, present bias; in-group, out-group bias; and the availability heuristic) that may influence parental decision-making around firearm storage. We illustrate situations in which these biases may occur and highlight implementation prompts, in-group messengers, and increased salience as behaviorally informed strategies that may counter these biases and subsequently enhance safe firearm storage. We also describe other opportunities to leverage the behavioral economic tool kit. By better understanding the individual behavioral levers that may impact decision-making around firearm storage, behavioral scientists, pediatric providers, and public health practitioners can partner to design and test tailored interventions aimed at decreasing pediatric firearm injuries. Further empirical study is warranted to identify the presence of specific biases and heuristics and determine the most effective behavior change strategies for different subpopulations.
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) | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; 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 ».