Evaluating the Effectiveness of Responsible Gambling Messages: A Rapid Evidence Assessment
Notice bibliographique
Résumé
To minimize the harms associated with gambling, an array of responsible gambling (RG) messages has been developed to raise awareness of the risks of problem gambling and encourage safer gambling behaviors. However, evidence is limited as to the utility of RG messages to promote positive gambling-related beliefs and behaviors. In the current paper, we report the results of a Rapid Evidence Assessment (REA) of empirical research on RG messages. We identified 3200 unique articles published between 1890 and September 2024 using search terms related to RG messaging. Eighteen articles (containing 20 unique studies) met our inclusion criteria. Two general themes emerged: 1) RG message preferences among players and 2) RG message effectiveness. Specifically, players prefer self-appraisal messages, which were more effective in promoting RG behaviors compared to informative messages. Messages content also needs to be segmented (i.e., low-risk players prefer different types of messages than high risk players, such as highlighting player quizzes for low-risk players and helplines for high-risk players). Lastly, RG messages should be presented dynamically (e.g., pop-ups on an Electronic Gaming Machine: EGM). Results suggest a need for the gambling industry to adopt targeted, evidence-based RG messaging, as well as a need to engage in integrated knowledge mobilization, to more effectively promote RG. These findings underscore the importance of tailoring RG messages to player risk levels and preferences while leveraging dynamic delivery methods to maximize their effectiveness in promoting safer gambling behaviors and reducing 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 | 0,024 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».