The near-miss effect in online slot machine gambling: A series of conceptual replications.
Notice bibliographique
Résumé
OBJECTIVE: Near-misses are a structural characteristic of gambling products that can be engineered within modern digital games. Over a series of preregistered experiments using an online slot machine simulation, we investigated the impact of near-miss outcomes on subjective ratings (motivation, valence) and two behavioral measures (speed of gambling, bet size). METHOD: = 172) measured bet size as a function of the previous trial outcome. RESULTS: In Study 1a, near-misses increased the motivation to continue gambling relative to full-misses, supporting Hypothesis 1. On valence ratings, near-misses were rated significantly more positively than full-misses, in the opposite direction to Hypothesis 2; this effect was confirmed in a close replication (Study 1b). In Study 2, participants gambled faster following near-misses relative to full-misses, supporting Hypothesis 3. In Study 3, participants significantly increased their bet size following near-misses relative to full-misses, supporting Hypothesis 4. CONCLUSION: Across all dependent variables, near-miss outcomes yielded statistically significant differences from objectively equivalent full-miss outcomes, corroborating the "near-miss effect" across both subjective and behavioral measures, and in the environment of online gambling. The unexpected findings on valence ratings are considered in terms of boundary conditions for the near-miss effect, and competing theoretical accounts based on frustration/regret, goal generalization, and skill acquisition. (PsycInfo Database Record (c) 2024 APA, all rights reserved).
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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) | 0,000 | 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 ».