Gambling Data and Modalities of Interaction for Responsible Online Gambling: A Qualitative Study
Notice bibliographique
Résumé
Online gambling, as opposed to land-based gambling and other mediums of problematic and addictive behaviour such as alcohol and tobacco consumption, offers unprecedented opportunities for monitoring and understanding users’ behaviour in real-time. It also provides the ability to adapt persuasive messages and interactions that would fit the gamblers usage and personal context. These features open a new avenue for research on the monitoring and interactive utilization of gambling behavioural data. In this paper, we explore the range of data and modalities of interaction which can facilitate richer interactive persuasive interventions, and offer additional support to limit setting, with the ultimate aim of aiding gamblers, who gamble at low to moderate levels, to stay in control of their gambling experience. The exploration is based on our previous research on online addiction and interviews with experts (ne = 13) from different relevant multidisciplinary backgrounds and different points of view. We also interviewed gamblers (ng = 6) about their perception of the utilization of their data for aiding more conscious gambling. Directed at multiple stakeholders, including the gambling software providers, compliance and responsible gambling personnel, as well as policymakers, this paper aims to provide a basis and a reference point for empowering future responsible gambling socio-technical tools through the capture and utilization of relevant online gambling behavioural data.RésuméLe jeu en ligne, contrairement aux formes de jeu hors ligne et à d’autres types de comportements problématiques et de dépendance comme la consommation d’alcool et de tabac, offre des possibilités sans précédent de surveillance et de compréhension du comportement des utilisateurs en temps réel, ainsi que la capacité d’adapter des messages persuasifs et des interactions adaptées à l’utilisation des joueurs et au contexte personnel. Cela ouvre une nouvelle voie pour la recherche sur la surveillance et l’utilisation interactive des données comportementales relatives au jeu. Dans cet article, nous explorons à cette fin la gamme de données et les modalités d’interaction qui peuvent faciliter des interventions persuasives interactives plus riches et permettre un soutien accrû pour l’établissement de limites, dans le but ultime d’aider les joueurs de niveaux faibles à modérés à demeurer en contrôle de leur expérience de jeu. L’exploration est basée sur nos recherches antérieures sur la dépendance en ligne et sur des entretiens avec des experts (ne = 13) issus de différents contextes multidisciplinaires pertinents et ayant différents points de vue. Nous avons également interrogé des joueurs (ng = 6) à propos de leur perception de l’utilisation de leurs données pour contribuer à un jeu plus conscient. Ce document vise à fournir une base et un point de référence pour l’autonomisation de futurs outils socio-techniques du jeu responsable grâce à la saisie et l’utilisation de données pertinentes sur les comportements de jeu en ligne, et il est destiné à de multiples parties prenantes, notamment des fournisseurs de logiciels de jeu, du personnel de conformité et de jeu responsable ainsi que des décideurs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,006 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».