The problem gambling measure: a revision of the problem & pathological gambling measure to better predict at-risk and chronic gambling
Notice bibliographique
Résumé
Most problem gambling (PG) assessment instruments classify individuals with subthreshold levels of problem gambling symptomatology as ‘at-risk’, implying a future risk of developing more serious problems. However, this convention lacks empirical support. The present study aimed to develop an empirically supported revision of the Problem and Pathological Gambling Measure (PPGM) that (1) better assesses the risk of future gambling-related harm (GRH) and PG as well as (2) better predicts cases in which PG persists. Data from the Alberta Gambling Research Institute’s National Project Baseline and Follow-up Online Panel Surveys (n = 4676) were used to identify predictors of future GRH and PG. Five variables maximized prediction power: PPGM total score, problem perception, rated importance of gambling as a leisure activity, largest single day gambling loss, and breadth of monthly gambling involvement. A 16-point scale was produced based on the relative risk of developing GRH and PG and Receiver Operating Characteristic (ROC) analyses found that scores of 1, 4, and 8 best captured a gradient of risk for future GRH or PG. Regarding chronicity, a total score of 7 and higher was found to be most parsimoniously predictive of chronic PG. The revised instrument was renamed the Problem Gambling Measure (PGM).
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».