O impacto das Finanças Comportamentais no Mercado dos jogos de sorte ou azar
Bibliographic record
Abstract
A palavra jogo pode adquirir diferentes significados, estando associados neste estudo aos jogos de sorte ou azar. Estes caracterizam-se por darem origem a ganhos ou perdas, às quais se encontram associadas diferentes probabilidades de sorte ou azar. Para melhor identificar as motivações do jogo, pretende-se com recurso às finanças comportamentais, identificar os fatores que condicionam as decisões tomadas pelos jogadores. A escolha do tema vem ao encontro de um interesse pessoal, bem como da vontade de aprofundar conhecimentos numa área que me fascina. Os estudos recentes sobre finanças comportamentais revelaram que, a irracionalidade com origem nas emoções, à semelhança do que ocorre com os profissionais do mercado financeiro, também, está presente nas decisões dos gestores e dos jogadores. Neste sentido, pretende-se, identificar os principais perfis dos jogadores e, as suas principais características. Um jogador propenso ao risco comporta-se como um especulador, na medida em que, aceita correr riscos com o objetivo de melhorar rendimentos; se avesso ao risco, procura segurança e estabilidade, apostando em resultados certos; se neutro ao risco, procura melhores rendimentos, mas em segurança. Para identificar os diferentes perfis de risco dos jogadores, recorreu-se a um questionário anónimo, com o objetivo de avaliar a prevalência da participação individual em diferentes tipologias de jogos de sorte e azar, inventariar os fatores sociodemográficos associados ao jogo, bem como, as atitudes dos jogadores, com o propósito de aferir o nível de risco a que ficam expostos. Na sua elaboração esteve presente o manual DSM-IV (Diagnostic and Statistical Manual of Mental Disorder) com o propósito de avaliar as motivações psicologias subjacentes ao ato de apostar e o indicador de avaliação de risco PGSI (The Canadian Problem Gambling Severity Index) centrado mais nos danos e nas consequências associados ao jogo. Foi igualmente possível comparar os dois critérios (DSM-IV e PGSI), concluindo-se que, quando se recorre aos critérios separadamente, existe uma maior predominância de os indivíduos apresentarem uma maior propensão ao risco pelo critério DSM-IV do que pelo critério PGSI, no entanto, quando se estabelece uma igualdade entre os dois critérios observa-se que o critério PGSI ganha maior relevância na tomada de decisão individual. Os dados obtidos foram analisados com recurso à estatística descritiva, à análise fatorial e à regressão múltipla, sugerem que os indivíduos do sexo feminino são mais propensos ao risco do que os indivíduos do sexo masculino. Os resultados revelam ainda que, a idade, o nível salarial e a natureza da atividade profissional, não são indutores do nível de risco. Em suma, verifica-se que na região norte e centro prevalecem variáveis indutoras do risco, nomeadamente, o género, o nível de qualificação e a natureza da atividade desenvolvida pelos indivíduos. Por outro lado, na região sul não foi possível identificar qualquer indutor de risco. O estudo realça a importância das finanças comportamentais, como corpo teórico, capaz de flexibilizar o conceito de racionalidade completa, ao contemplar a forma como os indivíduos se comportam, avaliando o impacto das suas decisões.
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 | 0.002 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".