A meta‐analysis of problem gambling risk factors in the general adult population
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Few meta-analyses have been conducted to pool the most constant risk factors for problem gambling. The present meta-analysis summarizes effect sizes of the most frequently assessed problem gambling risk factors, ranks them according to effect size strength and identifies any differences in effects across genders. METHOD: A random-effects meta-analysis was conducted on jurisdiction-wide gambling prevalence surveys on the general adult population published until March 2019. One hundred and four studies were eligible for meta-analysis. The number of participants varied depending on the risk factor analyzed, and ranged from 5327 to 273 946 (52% female). Weighted mean odds ratios were calculated for 57 risk factors (socio-demographic, psychosocial, gambling activity and substance use correlates), allowing them to be ranked from largest to smallest with regard to their association with problem gambling. RESULTS: The highest odds ratio (OR) was for internet gambling [OR = 7.59, 95% confidence interval (CI) = 5.24, 10.99, P < 0.000] and the lowest was for employment status (OR = 1.03, 95% CI = 0.87, 1.22, P = 0.718). The largest effect sizes were generally in the gambling activity category and the smallest were in the socio-demographic category. No differences were found across genders for age-associated risk. CONCLUSIONS: A meta-analysis of 104 studies of gambling prevalence indicated that the most frequently assessed problem gambling risk factors with the highest effect sizes are associated with continuous-play format gambling products.
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 | 0,023 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,014 | 0,058 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 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 ».