The 10-item and 20-item gambling harms scale for affected others (GHS-10-AO, GHS-20-AO): benchmarked to health utility using propensity weighting and control for comorbidities
Notice bibliographique
Résumé
Gambling-related harms significantly impact not only gamblers but also people socially connected to them (affected others or AOs), yet quantifying these impacts has remained challenging. This study developed and validated two scales for measuring harm to people due to someone else's gambling - the 10-item and 20-item Gambling Harms Scale for Affected Others (GHS-10-AO and GHS-20-AO) - benchmarked to health utility metrics. Using data from 2,018 Australian adults with close relationships to gamblers, we employed psychometric item selection, propensity weighting, and control for comorbidities to establish evidence for causal links between reported harms and health utility decrements measured by the SF-6D. Emotional, relational, and financial harms were the most prevalent items selected. Both scales demonstrated excellent reliability (α = 0.89 for GHS-10-AO; α = 0.94 for GHS-20-AO) and strong correlations with health utility measures (r = -0.47 to -0.48 with SF-6D). The relationship between harm scores and health utility showed significant non-linearity, with increasing convexity at higher harm levels. These scales provide the first validated instruments for quantifying health impacts to AOs using a common metric comparable to gambler-focused harm measures, enabling population-level assessment of current gambling harm in the adult population; inclusive of gamblers and connected others. The instruments fill a critical gap in gambling harm measurement and offer jurisdictions tools for monitoring progress toward harm minimisation that encompasses impacts on both gamblers and those around them.
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 | 0,012 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 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 ».