Using machine learning to retrospectively predict self‐reported gambling problems in Quebec
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Participating in online gambling is associated with an increased risk for experiencing gambling-related harms, driving calls for more effective, personalized harm prevention initiatives. Such initiatives depend on the development of models capable of detecting at-risk online gamblers. We aimed to determine whether machine learning algorithms can use site data to detect retrospectively at-risk online gamblers indicated by the Problem Gambling Severity Index (PGSI). DESIGN: Exploratory comparison of six prominent supervised machine learning methods (decision trees, random forests, K-nearest neighbours, logistic regressions, artificial neural networks and support vector machines) to predict problem gambling risk levels reported on the PGSI. SETTING: Lotoquebec.com (formerly espacejeux.com), an online gambling platform operated by Loto-Québec (a provincial Crown Corporation) in Quebec, Canada. PARTICIPANTS: N = 9145 adults (18+) who completed the survey measure and placed at least one bet using real money on the site. MEASUREMENTS: Participants completed the PGSI, a self-report questionnaire with validated cut-offs denoting a moderate-to-high-risk (PGSI 5+) or high-risk (PGSI 8+) for experiencing past-year gambling-related problems. Participants agreed to release additional data about the preceding 12 months from their user accounts. Predictor variables (144) were derived from users' transactions, apparent betting behaviours, listed demographics and use of responsible gambling tools on the platform. FINDINGS: Our best classification models (random forests) for the PGSI 5+ and 8+ outcome variables accounted for 84.33% (95% CI = 82.24-86.41) and 82.52% (95% CI = 79.96-85.08) of the total area under their receiver operating characteristic curves, respectively. The most important factors in these models included the frequency and variability of participants' betting behaviour and repeat engagement on the site. CONCLUSIONS: Machine learning algorithms appear to be able to classify at-risk online gamblers using data generated from their use of online gambling platforms. They may enable personalized harm prevention initiatives, but are constrained by trade-offs between their sensitivity and precision.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».