Jeux de hasard en ligne : perception du risque par des joueurs hors ligne
Bibliographic record
Abstract
Contexte et objectifs : Une transition numérique a été observée depuis plusieurs années dans le domaine des jeux de hasard et d’argent (JHA). Toutefois, peu d’études se sont intéressées à la perception des joueurs hors ligne sur les jeux en ligne (JEL). Cet article a pour but d’explorer, à l’aide d’entretiens individuels, les perceptions de joueurs de JHA ayant été catégorisés comme non-joueurs en ligne sur les JEL. Le projet pourrait aider à mieux adapter les stratégies de prévention pour les joueurs. Méthode : Cette étude exploratoire qualitative présente les analyses secondaires de 28 entrevues semi-dirigées réalisées auprès de joueurs hors ligne dans le cadre d’une étude menée au printemps 2020. Une analyse thématique effectuée sur le logiciel NVivo a permis d’identifier les perceptions de ces joueurs en lien avec les JEL. Résultats : L’analyse thématique a permis de faire ressortir deux thèmes principaux reliés à la perception de risque dans le JEL : 1) la faible légitimité du JEL reliée au délai de réception de gains, l’origine du contrôle du jeu et les soupçons de fraudes ; et 2) la perte de contrôle avec les JEL, reliée à son fonctionnement et à son environnement. Conclusion et futures directions : Ces données permettent d’enrichir les connaissances sur les a priori de ces joueurs sur les JEL, leur perception négative et leur compréhension des risques associés aux JEL. Elles permettent de formuler des hypothèses sur les raisons de la non-participation aux JEL et soulignent l’importance de s’intéresser aux différents profils de joueurs pour développer des stratégies de prévention adaptées.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".