In search of lower risk gambling levels using behavioral data from a gambling monopolist
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: Lower-risk recommendations for avoiding gambling harm have been developed as a primary prevention measure, using self-reported prevalence survey data. The aim of this study was to conduct similar analyses using gambling company player data. Methods: The sample (N = 35,753) were Norsk Tipping website customers. Gambling indicators were frequency, expenditure, duration, number of gambling formats and wager. Harm indicators (financial. social, emotional, harms in two or more areas) were derived from the GamTest self-assessment instrument. Receiver operating characteristics (ROC) curves were performed separately for each of the five gambling indicators for each of the four harm indicators. Results: ROC areas under the curve were between 0.55 and 0.68. Suggested monthly lower-risk limits were less than 8.7 days, expenditure less than 54 €, duration less than 72-83 min, number of gambling formats less than 3 and wager less than 118-140€. Most risk curves showed a rather stable harm level up to a certain point, from which the increase in harm was fairly linear. Discussion: The suggested lower-risk limits in the present study are higher than limits based on prevalence studies. There was a significant number of gamblers (5-10%) experiencing harm at gambling levels well below the suggested cut-offs and the risk increase at certain consumption levels. Conclusions: Risk of harm occurs at all levels of gambling involvement within the specific gambling commercial environment assessed in an increasingly available gambling market where most people gamble in multiple commercial environments, minimizing harm is important for all customers.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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