A meta‐analysis of problem gambling risk factors in the general adult population
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,000 |
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 découle