What is the harm? Applying a public health methodology to measure the impact of gambling problems and harm on quality of life.
Bibliographic record
Abstract
While the PGSI is indeed an established index of problem-gambling symptoms, it nevertheless does not quantify the degree of harm experienced by individuals at different points on the spectrum of gambling problems. The purpose of the present study was to establish the relationship between the PGSI category and health-related quality of life (HRQoL) decrements using a population health (PH) method. Harms reported by gamblers and affected others across the PGSI spectrums were transformed into 798 vignettes. A general population panel (N=786) and experts who work with gamblers (N=51) rated the impact of these vignette descriptions on quality of life using the Time Trade-Off task, and a Visual Analogue Scale incorporating 27 comparison conditions. Disability weights (DW) were then estimated for different levels of gambling symptoms. A DW of 0.44 was estimated for problem gamblers (PG), suggesting a reduction in the effective enjoyment of life by over 4 years for every 10 years in lifespan. Lower—but non-negligible—DWs of .14 and .29 were determined for low- and moderate-risk gamblers. Gambling is compared with a number of other conditions with respect to HRQoL impact. On average, PG harm appears to be similar to that of a manic episode of bipolar disorder and severe alcohol abuse disorder. We discuss advantages, and methodological challenges, in applying PH methods to measuring the severity of gambling problems in terms of HRQoL.Bien que l'indice du jeu excessif (PGSI) soit en effet un indice établi des symptômes liés aux problèmes de jeu, il ne quantifie pas le niveau de préjudice subi par les personnes situées à différents points sur le spectre des problèmes de jeu. Le but de l'étude a été d’établir la relation entre la catégorie PGSI et les écarts à la baisse en lien avec la qualité de vie liée à la santé (QVLS) en utilisant une méthode de santé de la population. Les torts signalés par les joueurs et les personnes touchées dans le spectre PGSI ont été transformés en 798 vignettes. Un groupe de population en général (N = 786) et des experts qui travaillent avec des joueurs compulsifs (N = 51) ont évalué l’incidence de ces descriptions de vignette sur la qualité de vie à l’aide de la tâche Time Trade-Off (marchandage de temps) et une échelle visuelle analogue intégrant 27 conditions de comparaison. Les poids d’incapacité (DW) ont ensuite été estimés pour différents niveaux de symptômes du jeu. Un DW de 0,44 a été estimé pour les joueurs compulsifs, ce qui laisse supposer une diminution de la jouissance réelle de la vie de plus de 4 ans pour chaque tranche de vie de 10 ans. Les DW inférieurs, mais non négligeables, de 0,14 et 0,29 ont été déterminés pour les joueurs à risque faible et modéré. Le jeu est comparé à un certain nombre d’autres conditions en ce qui concerne l’incidence de la qualité de vie liée à la santé (QVLS). En moyenne, le préjudice causé par un joueur compulsif s'apparente à celui d’un épisode maniaque de trouble bipolaire et d’un trouble sévère d’abus d’alcool. Nous discutons des avantages et des défis méthodologiques, en appliquant des méthodes de santé de la population pour mesurer la gravité des problèmes de jeu en termes de QVLS.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.014 | 0.025 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".