An Integrative Review of Transparency for Safer Gambling
Notice bibliographique
Résumé
Online gambling, comprising 43% of the UK's Gross Gambling Yield (GGY) in April 2022-March 2023, raises concerns about harmful gambling due to its easy accessibility, personalized marketing, and persuasive and immersive technology.Safer Gambling (SG) is naturally related to transparency (e.g., clear display of terms and conditions and odds of winning) to mitigate these risks.Using an integrative review approach which enables synthesis of knowledge, we examined a range of data sources and methodologies, identifying a scarcity of literature on this topic.Key themes of transparency emerged from 172 articles in this review, involving information and education for SG, SG tools, data-driven approaches and persuasive technologies, advertising, Corporate Social Responsibility (CSR) and individual responsibility, research evidence and funding sources.These themes form a conceptual framework to guide best practices for stakeholders, including the gambling industry, policymakers, and researchers for SG-driven transparency.Recommendations emphasize providing clear, accessible educational content about gambling risks, correcting misperceptions, ensuring SG tools are well-communicated, tailored, and transparent, and protecting individual data through informed consent and algorithmic transparency.Gambling advertisements should avoid misleading content, focus on fairness, and include SG information.CSR initiatives should clarify responsibilities and undergo independent assessment, while governments must update SG policies and encourage industry accountability.The review calls for more longitudinal research to evaluate and refine this framework while addressing the complexities of balancing transparency with user experience in SG interventions, ultimately reducing risks and promoting responsible and safer gambling attitudes and behavior.
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 | 0,010 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».