A scoping review of the association between loot boxes, esports, skin betting, and token wagering with gambling and video gaming behaviors
Notice bibliographique
Résumé
Background and aims: Many new digital gambling-like activities such as loot boxes, esports betting, skin betting, and token wagering have recently emerged and grown in popularity. This scoping review aimed to: (a) synthesize the existing empirical research literature on gambling-like activities and their associations with gambling and video gaming behaviors, including problem gambling and video gaming; (b) identify sociodemographic, psychological, and motivational factors associated with engagement in gambling-like activities; and (c) identify research gaps and areas for further research. Methods: A systematic search of Ovid, Embsco, and ProQuest databases and Google Scholar was conducted in May 2021 and last updated in February 2022. The search yielded a total of 2,437 articles. Articles were included in the review if they were empirical studies that contained quantitative or qualitative results regarding the relationship between gambling-like activities and gambling or gaming. Results: Thirty-eight articles met inclusion criteria and were included in the review. Overall, the review results suggest that all forms of gambling-like activities were positively associated with gambling and gaming with small to medium effects. Gambling-like activity participation was also positively associated with mental distress and impulsivity. Gaps identified included a lack of inquiry into skin betting and token wagering, a lack of diversity in the research methods (i.e., mainly cross-sectional surveys), and a paucity of research that includes more ethnically, culturally, and geographically diverse populations. Discussion: Longitudinal studies with more representative samples are needed to examine the causal link between gambling-like activities and gambling and video gaming.
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 | 0,009 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,020 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».