Replication Data for: "Zoned In or Zoned Out? Investigating Immersion in Slot Machine Gambling using Mobile Eye Tracking"
Notice bibliographique
Résumé
Background and Aims Immersion during slot machine gambling has been linked to disordered gambling. Current conceptualizations of immersion (namely dissociation, flow, and the machine zone) make contrasting predictions as to whether gamblers are captivated by the game per se (‘zoned in’) or motivated by the escape that immersion provides (‘zoned out’). We examined whether selected eye movement metrics can distinguish between these predictions. Design and Setting Pre-registered, correlational analysis in a laboratory setting. Participants gambled on a genuine slot machine for 20 minutes while wearing eye tracking glasses. Participants Fifty-three adult slot machine gamblers who were not high-risk problem gamblers. Measurements We examined self-reported immersion during the gambling session and eye movements at different areas of the slot machine screen (the reels, the credit window, etc.). We further explored these variables’ relationships with saccade count and amplitude. Findings The ratio of dwell time on the game’s credit window relative to the game’s reels was positively associated with immersion (t(51) = 1.68, p = .049 one-tailed, R2 = .05). Follow-up analyses described event-related changes in these patterns following different spin outcomes. Conclusions Immersion while gambling on a slot machine appears to be associated with active scanning of the game and a focus on the game’s credit window. These results are more consistent with a ‘zoned in’ account of immersion aligned with flow theory than a ‘zoned out’ account based on escape.
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 | 0,036 | 0,172 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,089 | 0,020 |
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 ».