Predicting self-exclusion status in online gambling data via machine learning algorithms
Notice bibliographique
Résumé
Abstract: The identification of problematic gambling in online gamblers from behavioural data (‘player tracking’) may enable interventions to be targeted to those users experiencing harms. This study tested the predictive performance of machine learning models in classifying online gamblers based on voluntary self-exclusion (VSE) status as a binary indicator of problem gambling. We used 1 year of de-identified data from the eCasino section of the PlayNow.com platform in British Columbia, Canada, comprising 31,115 users placing over half a billion individual bets. Input variables were based on daily-aggregate and session-aggregate measures capturing gambling frequency, intensity, and variability. To mitigate concerns about the ‘black box’ nature of machine learning, we report ‘feature importance’ values to show the variables that are most predictive. The primary model compared 1323 self-excluders against an under-sampled (n = 3000) control group. Across 6 variants of our machine learning model, we obtained classification performance (AUROC) from 75 to 79%. Variability in a monetary measure of gambling intensity (Variance in Money Bet per Session) showed the highest feature importance value. Model predictions were used to classify control participants in three risk levels based on resemblance to self-excluders; these risk subgroups differed significantly on each of the 9 input variables. Implications: Machine learning can classify online gamblers based on self-exclusion status with 75-79% performance, using relatively coarse input variables that do not require baseline data or analysis of trajectories. Next steps are to establish convergence across different gambling forms, and using alternative markers of problem gambling.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».