Addressing gambling harm to affected others: A scoping review (Part I: Prevalence, socio-demographic profiles, gambling profiles, and harm)
Notice bibliographique
Résumé
Awareness is growing that gambling harm can affect social networks, including family members and friends. This scoping review broadly aimed to examine contemporary research on gambling harm to adult affected others, covering prevalence, socio-demographic profiles, gambling profiles, and harm (Part I); and coping strategies, assessment, and treatment (Part II). A systematic search of electronic databases identified 121 studies published from 2000, 88 of which related to prevalence (9.9 %), socio-demographic profiles (6.6 %), gambling profiles (4.1 %), and harm (71.9 %). Prevalence estimates in the general population ranged from 4.5 %-21.2 %, though these may overstate direct harm by focusing on exposure to problem gambling. Socio-demographic profiles are mixed, but women are more often affected family members and men are more often affected close friends. Affected others also have higher gambling participation and problems than non-affected individuals. Gambling problems harm an average of six others, who experience an average of seven harms, many of which persist beyond problem resolution, resulting in reduced quality of life. Studies consistently identified harm across multiple domains of harm, with emotional and relationship harms the most common, followed by financial and health harms. Harms were consistently identified using measures with and without direct reference to gambling, but equivocal findings were most evident in research employing standardised measures that did not directly reference gambling. There was some discordance in harm perceptions between gamblers and affected others, suggesting differing family experiences. These findings highlight the need for targeted action by governments, industry, researchers, and service providers to protect affected others from gambling-related harm.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,011 | 0,003 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».