UvA presenteert open-source algoritme voor detectie van risicovol gokgedrag

De Universiteit van Amsterdam heeft een nieuw open-source algoritme ontwikkeld dat risicovol gokgedrag in online casino's schat op basis van daadwerkelijke gameplay data van spelers en dit model is nu beschikbaar via de website van de Kansspelautoriteit. Het algoritme richt zich op vroege detectie van hoog-risico gedrag en maakt gebruik van transparante methodes die door iedereen kunnen worden ingezien en toegepast. Charles de Leau als promovendus bij de UvA werkte hieraan samen met hoogleraren Reinout Wiers en Johan Bollen terwijl de financiering afkomstig was van het Verslavingspreventiefonds van de Ksa.

Details van het ontwikkelde model

Het algoritme analyseert patronen in het speelgedrag van gebruikers zoals sessieduur, inzet frequenties en verlieslimieten om scores te genereren die wijzen op potentieel problematisch gedrag en deze aanpak bouwt voort op bestaande datasets uit de online goksector. Onderzoekers verzamelden en verwerkten anonieme gameplay records om het model te trainen waardoor het in staat is om vroege signalen te herkennen zonder dat persoonlijke identificatie nodig is. Data toont aan dat dergelijke patronen vaak voorafgaan aan langdurige periodes van intensief spelen wat de noodzaak onderstreept voor preventieve tools zoals dit open-source systeem.

Ontwikkelaars en financiering achter het project

Charles de Leau als PhD-kandidaat leidde de technische ontwikkeling terwijl Reinout Wiers en Johan Bollen als professoren expertise bijdroegen op het gebied van verslavingsonderzoek en data-analyse en samen realiseerden zij een model dat zowel wetenschappelijk onderbouwd als praktisch inzetbaar is. Het Verslavingspreventiefonds van de Kansspelautoriteit stelde de middelen beschikbaar voor dit initiatief wat past binnen bredere inspanningen om verantwoord gokken te bevorderen in Nederland. Het resultaat is een transparant algoritme dat niet alleen door toezichthouders maar ook door operators en onderzoekers kan worden gebruikt en geëvalueerd.

Werking gebaseerd op gameplay data

Het model verwerkt variabelen zoals frequentie van inzetten, duur van spelsessies en patronen in winsten of verliezen om een risicoscore te berekenen en dit gebeurt zonder dat gevoelige persoonsgegevens worden opgeslagen. Onderzoekers pasten machine learning technieken toe om correlaties te identificeren tussen bepaald gedrag en verhoogde kans op probleemgokken wat resulteert in een systeem dat zowel accuraat als uitlegbaar blijft. Die transparantie onderscheidt dit algoritme van gesloten commerciële alternatieven en maakt het mogelijk voor onafhankelijke partijen om de werking te valideren en te verbeteren.

Context binnen de Nederlandse gokregulering

De presentatie van dit algoritme sluit aan bij bestaande regelgeving van de Kansspelautoriteit die online operators verplicht tot het monitoren van risicovol gedrag en het verstrekken van tools voor zelfbeperking. Het open-source karakter ondersteunt samenwerking tussen universiteiten, toezichthouders en de industrie terwijl het bijdraagt aan een breder ecosysteem van preventieve technologieën. Data uit eerdere studies toont aan dat vroege interventies gebaseerd op gameplay analyse de incidentie van gokproblemen kunnen verminderen en dit model biedt een concrete methode om die aanpak te operationaliseren.

Conclusie

Het open-source algoritme van de UvA vormt een nieuwe bron van inzicht in risicovol gokgedrag en is nu beschikbaar voor breed gebruik via de Ksa. Met bijdragen van Charles de Leau, Reinout Wiers en Johan Bollen plus financiering vanuit het Verslavingspreventiefonds levert dit project een praktische tool die operators helpt bij vroege detectie. Het UvA onderzoek algoritme risicogedrag spelers blijft evolueren door open evaluatie en aanpassingen in de komende periodes inclusief verdere tests in augustus 2026.