Concentration of gambling spending by product type: analysis of gambling accounts records in Norway
Notice bibliographique
Résumé
Background: Most previous studies on the distribution of gambling losses were based on self-reported data. In this study, we employed tracking data (i.e. electronic betting records) to examine the concentration of gambling losses and whether concentration varies by product type. Method: = 39 995) of all NT's customers in 2019. We applied three measures of concentration of gambling losses: the mean to median ratio, the Gini coefficient, and the proportion of total losses accounted for by the upper 1%, 5% or 10% of those who gamble. Results: Across the 14 games, the mean/median ratio was 2.22, ranging from 1.37 to 17.48 for the different games, whereas the overall Gini coefficient was 0.65, ranging from 0.55 to 0.90. The upper 1%, 5% and 10% of those who gamble accounted for 17.9% (range = 5.6 - 3 8.3%), 39.5% (range = 23.6 - 74.3%), and 52.2% (range = 37.9 - 86.9%) of the losses, respectively. High concentration of losses was especially pronounced for one type of lottery (Keno), two online casino games (KongKasino and Bingoria), and for two sports betting games (Oddsen and Tipping). These findings were consistent across measures. Conclusion: Overall, the results lend strong support to the notion that a disproportionately large fraction of gambling losses are accounted for by a relatively small minority of people and that concentration of losses varies by product type.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».