Length of continuous play sessions unrelated to problem gambling severity among regular electronic gaming machine players
Notice bibliographique
Résumé
Gambling for long periods of time with fewer breaks (i.e. playing continuously) is understood to be an indicator of harmful gambling. Yet, empirical research using account-based tracking data to establish this relationship remains scarce. In the current study, we addressed this gap by exploring the associations between session length, break length, and risk of gambling-related harm using carded electronic gaming machine (EGM) session data from a land-based casino operator. In line with prior literature, we hypothesized problem gambling severity to be associated with longer gaming sessions, shorter break time, and therefore more continuous play. The dataset for the secondary analyses consisted of 1,332 regular players who gambled on EGMs using their loyalty card from March 2021 to February 2022 and completed the Problem Gambling Severity Index in March 2022. Contrary to our hypotheses, results demonstrated no meaningful associations between problem gambling severity and session length, break length, or the extent to which sessions were continuous. We replicated the analyses with an additional operator dataset of 898 regular EGM customers and corroborated our initial findings. Furthermore, exploratory decision tree classification models revealed no optimal threshold in which machine session length could accurately predict high-risk and problem gambling. These findings contradict the prevailing assumption that problem gambling severity is associated with long, continuous play sessions, bringing into question the utility of solely relying on session length as an indicator of harmful gambling. Rather, harm reduction practices may look to other risky behaviors that occur within these long sessions to more effectively identify and interrupt risky play.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».