Validation of a Sports Betting Adaptation to the Problem Gambling Severity Index in Young Adults
Notice bibliographique
Résumé
Background. Sports betting is a rapidly growing addictive behavior, especially among young adults. As such, there is a need for measuring problem sports betting behaviors and consequences separately from established generalized gambling measures. The present study provides support for a sports betting adaptation of the Problem Gambling Severity Index (PGSI-SB). Methods. We recruited a sample (N=221) of young adults aged 18-29 (Mage=24.4; 22% female; 13.2% Hispanic; 68.6% college degree) from 36 different US states. Eligibility criteria included ≥2 sports betting days in the past month. Results. Confirmatory factor analyses showed support for both a single and two-factor model with subscales for problematic behavior (e.g., dependence) and negative consequences. The PGSI-SB was strongly correlated with the original PGSI in terms of scale-level and item-level correlations (i.e., convergent validity). Aim 3 established predictive validity of the single-factor PGSI-SB via significant associations with three indices of past two-week sports betting: frequency, number of bets, and total amount wagered. Predictive validity for the two-factor model was impacted by multicollinearity, given high correlation between subscales. Conclusions. Findings establish the merits of a dedicated problem sports betting measure for young adults, which is a key step towards enhancing the quality and consistency of sports betting research.
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 | 0,006 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».