Attitude-Support Relationship in Gambling: A Modified Theory of Planned Behaviour
Notice bibliographique
Résumé
In this study, we modified the theory of planned behaviour and proposed that attitude towards gambling explains and predicts gambling support. We explored whether locals and tourists support or oppose the gambling industry and the factors that led to support or opposition. This information is vital, as policy decisions are often made by taking into consideration public support. Using a structured questionnaire, we gathered data from 385 respondents from Goa, a popular tourist and gambling destination in India. Through structural equation modelling, we found that most of the variance (87%) in support of gambling was explained by attitude. Perceived benefits and risks explained the significant variance (58%) in attitude towards gambling, as indicated in the theory of planned behaviour. The coefficients were significant except for the path from social risk to attitude, which was removed from the final model. The direct path from benefits and risk to support were not significant. In addition, the path from personal risk to attitude was moderated by the respondent’s gambling behaviour. Although gamblers had a more positive attitude with increasing personal risk, non-gamblers had a more negative attitude with increasing personal risk. This finding confirms the risk-seeking behaviour of gamblers. Résumé Cet article modifie la théorie du comportement planifié et avance que l’attitude à l’égard des jeux de hasard explique et prédit l’appui donné à ces jeux. L’étude vise à déterminer si les habitants et les touristes appuient l’industrie des jeux de hasard ou s’ils s’y opposent, et à cerner les facteurs menant à un appui ou à une opposition. Il s’agit d’une information de grande importance, car les décisions d’orientation prennent souvent en considération l’appui du public. Des données ont été recueillies au moyen d’un questionnaire structuré auprès de 385 répondants de Goa, en Inde, une destination touristique et de jeu très prisée. À l’aide d’une modélisation par équation structurelle, la recherche a révélé que la variance (87 %) dans l’appui aux jeux de hasard s’explique en majeure partie par l’attitude. Comme le suggère la théorie du comportement planifié, les avantages et les risques perçus expliquent la variance importante (58 %) dans l’attitude à l’égard des jeux de hasard. Les coefficients sont significatifs, à l’exception de la piste causale entre le risque social et l’attitude, qui a été retirée du modèle final. Les pistes directes allant des avantages et des risques vers l’appui n’étaient pas significatives. Il est apparu que les comportements de jeu des répondants avaient un effet modérateur sur la piste allant du risque personnel vers l’attitude. L’attitude des joueurs était de plus en plus positive à mesure qu’augmentait le risque personnel, tandis que celle des non-joueurs était de plus en plus négative. Ce résultat confirme l’existence d’un comportement de recherche du risque chez les joueurs.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».