Notice bibliographique
Résumé
While esports betting is becoming a big business worldwide, scientific studies primarily focus on an Anglo-Saxon perspective to understand the phenomenon and its users. In this cross-sectional online survey study, we therefore investigated the esports betting profile and motivations of Dutch-speaking, European adults playing or watching video games. We conceptually replicated the American esports bettor profile to the study of Abarbanel, Macey, Hamari, and Melton (2020) in a European context, assessed the robustness of our replication with gambling-behavioral variables, and used an adapted version of the Modified Gambling Motivations Scale to unravel EU-esports bettors’ most salient betting motives. Our results reveal that the America-oriented esports bettor profile cannot be replicated in our European sample, making us question whether socio-demographics, such as gender and age, and gameplay-related variables such as video gaming frequency are robust correlates of esports betting participation. Instead, these findings suggest that involvement in esports spectatorship and the breadth and depth of participation in other gambling activities deliver the most accurate predictions, and that esports bettors are mostly driven by intrinsically- and extrinsically-oriented motives such as excitement, intellectual challenge, and monetary gain. This study may form a starting point for future research into the measurement, targeting, and regulation of esports, and gambling-related ‘at risk’ behaviors and audiences, within the European Union.
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 | 0,000 |
| 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) | 0,000 | 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 ».