Enabling New Strategies to Prevent Problematic Online Gambling: A Machine Learning Approach for Identifying At-risk Online Gamblers in France
Notice bibliographique
Résumé
Gambling activities are rapidly migrating online. Algorithms that effectively detect at-risk users could improve the prevention of online gambling-related harms. We sought to identify machine learning algorithms capable of detecting self-reported gambling problems using demographic and behavioral data. Online gamblers were recruited from all licensed online gambling platforms in France by the French Online Gambling Regulatory Authority (ARJEL). Participants completed the Problem Gambling Severity Index (PGSI), and these data were merged and synchronized with past-year online gambling behaviors recorded on the operators’ websites. Among all participants (N = 9,306), some users reported betting exclusively on sports (N = 1,183), horseracing (N = 1,711), or poker (N = 2,442) activities. In terms of Area Under the Receiver Operating Characteristic Curve (AUC), our algorithms showed excellent performance in classifying individuals at a moderate-to-high (PGSI 5+; AUC = 83.20%), or high (PGSI 8+; AUC = 87.70%) risk for experiencing gambling-related harms. Further, these models identified novel behavioral markers of harmful online gambling for future research. We conclude that machine learning can be used to detect online gamblers at-risk for experiencing gambling problems. Using algorithms like these, operators and regulators can develop targeted harm prevention and referral-to-treatment initiatives for at-risk users.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».