Loot boxes, gambling-related risk factors, and mental health in Mainland China: A large-scale survey
Notice bibliographique
Résumé
Loot boxes can be bought with real-world money to obtain random content inside video games. Loot boxes are viewed by many as gambling-like and are prevalently implemented globally. Previous Western and international studies have consistently found loot box spending to be positively correlated with problem gambling. Previous Western studies presented mixed results as to the correlations between loot box purchasing and gambling-related risk factors, mental wellbeing, and psychological distress. A large-scale survey of adult video game players from the People's Republic of China (PRC) (N = 2601) was conducted through Tencent Survey. The positive correlations between loot box spending and problem gambling, and between loot box spending and problem videogaming, were successfully replicated. However, other potential risk factors (i.e., impulsivity/impulsiveness; binary past-year gambling participation status; and sensation-seeking tendencies) either did not positively correlate with loot box spending or only did so weakly. Contrary to expectations, high impulsivity was negatively associated with loot box engagement. The Risky Loot Box Index (RLI) most strongly positively correlated with, and was the best predictor in multiple linear regression models for, loot box spending. The RLI may be effective at measuring loot box harms cross-culturally. A surprising weak positive correlation was found between loot box engagement and PRC players' mental wellbeing, and high psychological distress unexpectedly negatively predicted loot box purchasing. Although gambling-like, the risk and protective factors of loot boxes are seemingly different, meaning they should rightfully be treated as novel products. Cross-cultural research can contribute to a better understanding of loot box harms.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».