Open-source algoritme van de Universiteit van Amsterdam brengt risicovol gokgedrag in kaart
Open-source algoritme van de Universiteit van Amsterdam brengt risicovol gokgedrag in kaart
Researchers van de Universiteit van Amsterdam hebben een open-source machine-learning algoritme ontwikkeld dat risicovol gokgedrag in online casino's kan inschatten op basis van concrete gegevens zoals inzetbedragen, frequentie en patronen waaronder nachtelijk spel; het model komt voort uit financiering door het Verslavingspreventiefonds van de Kansspelautoriteit en is getraind op gegevens van dertien Nederlandse online casino's die de periode van juli 2023 tot juli 2025 beslaan.
Projectachtergrond en financiering
Het initiatief ontstond omdat toezichthouders en vergunninghouders behoefte hebben aan onafhankelijke instrumenten die hen helpen om zorgplichtverplichtingen na te komen, terwijl het model nu vrij toegankelijk is via de website van de Kansspelautoriteit zodat zowel toezichthouders als operators er direct mee aan de slag kunnen; data uit de genoemde dertien casino's vormen de basis en het algoritme analyseert variabelen zoals totale inzetten, speelduur en tijdstippen om scores te genereren die wijzen op verhoogd risico.
Technische werking van het model
Het algoritme verwerkt gestructureerde gegevensreeksen waarbij patronen zoals verhoogde activiteit tijdens nachtelijke uren of plotselinge stijgingen in inzetbedragen worden herkend als indicatoren voor mogelijk problematisch gedrag, en omdat het open-source is kunnen ontwikkelaars en onderzoekers het verder aanpassen of valideren zonder dat commerciële belangen de transparantie in de weg staan; dit zorgt ervoor dat de methode reproduceerbaar blijft en onafhankelijk kan worden getoetst door derden.
Toepassing door toezichthouders en operators
Regulators kunnen het model gebruiken om meldingen van hoog-risico spelers sneller te identificeren en om naleving van de zorgplicht te beoordelen, terwijl operators het kunnen inzetten als aanvulling op bestaande spelerbeschermingsmaatregelen zoals limietinstellingen of zelfuitsluitingssystemen; de tool is ontworpen als transparant en onafhankelijk hulpmiddel dat naast bestaande protocollen functioneert en geen vervanging vormt voor menselijke beoordeling of wettelijke procedures.
Door de openbare beschikbaarheid ontstaat ruimte voor bredere samenwerking waarbij meerdere partijen hetzelfde model kunnen toepassen en resultaten onderling kunnen vergelijken, en de Kansspelautoriteit biedt het model aan via haar eigen site zodat iedereen die werkt aan verslavingspreventie direct toegang heeft zonder extra drempels.
Gegevensverzameling en periode
De trainingsdata beslaan twee volledige jaren en komen uitsluitend van vergunde Nederlandse platforms waardoor de uitkomsten relevant zijn voor de lokale markt; variabelen zoals gemiddelde inzet per sessie, aantal sessies per week en voorkeur voor bepaalde uren worden gecombineerd tot een risicoscore die operators en toezichthouders kunnen interpreteren om vroegtijdig in te grijpen.
Conclusie
Het open-source karakter van het algoritme zorgt ervoor dat de methode breed beschikbaar blijft en verder ontwikkeld kan worden door de sector als geheel, terwijl de financiering via het Verslavingspreventiefonds en de training op Nederlandse casinodata de relevantie voor de Nederlandse markt waarborgen; daarmee vormt dit initiatief een concrete stap in het verbeteren van de detectie van risicovol gedrag zonder dat het bestaande maatregelen vervangt.