Gambling-related harms: Developing priorities for harm reduction policy setting
Notice bibliographique
Résumé
As jurisdictions worldwide have overseen gambling expansion, most have implemented regulatory and public policy regimes to reduce harm. This study was conducted to specify the nature and extent of gambling-related harm that public policy efforts could prevent or mitigate in Ontario, Canada.\nResearch has historically operationalized harm from gambling as cases of disordered gambling; and policy work has focused on the prevalence and treatment of these cases. Recent work to fully conceptualize and measure gambling-related harm in individual gamblers, their families, and communities (Blaszczynski et al, 2015, Browne et al., 2016, 2017; Langham et al., 2016,) dovetailed with the desire of policy makers in Ontario to measure the return on investment (ROI) of harm reduction efforts.\nTo develop priorities for harm reduction policy-setting, investigators conducted extensive literature reviews, Delphi consensus process, in-depth interviews, and knowledge translation workshops with two informant groups: international research experts on gambling harm; and, Ontario policy leaders from ministries and agencies involved in gambling operation, regulation, and harm reduction.\nFindings outline expert opinion of effective evaluation metrics, data requirements, stakeholder roles, and harm reduction strategies. This research contributes methodological and evidentiary guidance for policy makers to identify priority harms and measure ROI from harm reduction programming.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».