“Quitting gambling can help you with the relationships that matter the most to you”: An experimental comparison of positive emotional harm prevention (safer) gambling messages
Notice bibliographique
Résumé
Objective: Australia was the first jurisdiction to replace gambling industry slogans such as “gamble responsibly” with independently-designed messages. One of the seven current Australian messages is a positive emotional message, intended to leverage positive feelings to enact behavioral change (“imagine what you could be buying instead”). This study sought to compare this and other proposed positive emotional messages against novel alternatives.Method: UK-based gamblers (N=4,204) rated 10 positive emotional messages on four Likert scales (e.g., “this message makes me want to gamble less”; “this message is relevant to me”) and provided free-text responses. Participants also completed the Problem Gambling Severity Index (PGSI), to explore how message ratings varied with levels of gambling harm.Results: Participants did not report disliking messages on average, and saw all messages as being relevant to people experiencing gambling harms. However, the average participant did not think that messages were relevant to them, and only six messages made the average participant want to gamble less. Two novel messages appeared the best overall when scores were averaged across these ratings. Messages appeared better suited to those who are experiencing gambling harms: participants with non-zero PGSI scores reported consequently wanting to gamble less, and messages appeared relevant to participants with PGSI scores of 8+. Analysis of free-text comments revealed that only one message yielded a positive average sentiment from participants, with a judgmental or guilt-inducing tone sometimes being perceived.Conclusions: Continual message design and evaluation can help inform the implementation of gambling harm prevention messages.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 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; 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 ».