Is the economic model of gambling dependent on problem gambling? Evidence from an online survey of regular sports bettors in Britain
Notice bibliographique
Résumé
Understanding how the gambling industry generates revenue is of paramount importance. Questions about whether higher volumes of expenditure are concentrated among a small proportion of gamblers, and how this varies by problematic gambling status, underpin policy debate about consumer protection. Analyzing data from two timepoints (T0; T2) from a British longitudinal study of regular sports bettors, we explored both for total (gross) spend and gross spend on individual activities: (a) the concentration of self-reported spend on gambling among individuals; and (b) the extent to which spending was disproportionately generated by those with elevated Problem Gambling Severity Index (PGSI) scores. Results showed that gross gambling expenditure was unequal (GINI-coefficient >0.70 for most activities). At both timepoints, those with a PGSI score of 3+ had an elevated share of spending: at T2, 14.1% of PGSI 3+ gamblers accounted for 43.5% of gross gambling spend. There were differences by activity: lotteries displayed less reliance on those with a PGSI score of 3+ whereas this group contributed over 80% of gross spend on online casinos. Policy attention should focus on reframing the underlying economic model on which some gambling activities are predicated, creating more equal patterns of consumption and less reliance on those harmed.
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 | 0,002 | 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 | 0,001 | 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 ».