Risky Gambling Behaviors: Associations with Mental Health and a History of Adverse Childhood Experiences (ACEs)
Notice bibliographique
Résumé
Abstract Problem gambling and adverse childhood experiences (ACEs) are highly co-morbid and lead to numerous adverse health outcomes. Research demonstrates that greater levels of well-being protect individuals from experiencing ACE-related harms after a history of childhood adversity; however, this relationship has not been examined in the gambling literature. We hypothesized that individuals who experienced ACEs would engage in more problem gambling behaviors. We also hypothesized that individuals who experienced ACEs and reported flourishing mental health would have lower rates of problem gambling than individuals who experienced ACEs but did not report flourishing mental health. We conducted a secondary data analysis of the adult sample in the Well-Being and Experiences (WE) Study. Examining a parent population, parents and caregivers ( N = 1000; M age = 45.2 years; 86.5% female) of adolescents were interviewed on a variety of measures, including their history of ACEs, their gambling behaviors within the past year, and their mental health and well-being. We used multinomial logistic regression analysis to examine the relationship between 15 ACEs and gambling type (i.e., non-gambler, non-problem gambler, at-risk/problem gambler). We used interaction terms between each ACE and mental health to examine the moderating role of flourishing mental health and well-being. ACEs were associated with at-risk/problem gambling supporting hypothesis 1. Contrary to hypothesis 2, overall, flourishing mental health did not moderate the relationship between ACEs and gambling severity except for one ACE. In this study, we were able to gain a better understanding of how different ACEs each contribute to varying levels of gambling severity.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».