Pareto effects in the eCasino: differences across online products and links with self-exclusion
Notice bibliographique
Résumé
Consumption of many goods adheres to the Pareto rule (or 80:20 law) that the 20% most engaged consumers generate 80% of revenue. Using a dataset from the eCasino section of the provincial online gambling platform in British Columbia, Canada, we recently observed that Pareto values exceeded the conventional 80:20 ratio, with the top 20% generating ~92% of bets and ~90% of revenue (Deng, Lesch & Clark, 2021 Addictive Behaviors 120: 106968). In this presentation, we will examine how these effects vary across different gambling product types within the eCasino: online slot machine games, table games, video poker, and other probability games. As a marker of likely gambling harm, we test rates of enrolment in Voluntary Self-Exclusion (VSE). The dataset comprises 30,920 account holders who placed at least one bet on the platform in 2014-2015, comprising over half a billion individual bets. Across the four product types, Pareto values indicated greatest concentration for video poker (98%) and lowest for slot machines (89%). We also observe higher levels of VSE in the top 20% compared to the remaining 80% (13% vs 7%) with some differences across products.\nStatement of Importance: As online gambling expands, behavioural tracking offers a promising technique for detecting risk, but limited work has examined behavioural markers across different online gambling products. We examine concentrations of consumption using the Pareto rule across 4 different product types in an online casino, and associations with gambling self-exclusion.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».