De Universiteit van Amsterdam heeft een machine-learning algoritme ontwikkeld dat risicovol gedrag van spelers in online casino's schat op basis van echte gameplay data, en dit project ontstond na een opdracht van de Kansspelautoriteit met financiering uit het Verslavingsfonds. Het algoritme analyseert variabelen zoals inzetten, frequentie en patronen in nachtelijke of opeenvolgende speeldagen, terwijl het verder gaat dan alleen enquêtes om probleemgokken eerder te signaleren bij diverse online kansspelen.

Opdracht en financiering van het onderzoek

De Kansspelautoriteit gaf de opdracht aan onderzoekers van de Universiteit van Amsterdam, waarna het Verslavingsfonds de financiering verzorgde voor dit project dat zich richt op preventie van gokverslaving. Data uit werkelijke spelsessies vormt de kern, en het resulterende algoritme is open-source beschikbaar gesteld zodat operators en toezichthouders het kunnen toepassen in bestaande systemen. Volgens de aankondiging op de site van de Kansspelautoriteit ligt de nadruk op vroege detectie zonder afhankelijkheid van zelfrapportages die vaak onvolledig blijken.

Technische werking van het algoritme

Het model verwerkt variabelen zoals hoogte van inzetten, aantal sessies per periode en tijdstippen waarop gespeeld wordt, terwijl het ook kijkt naar opeenvolgende dagen of nachtelijke activiteiten die als indicatoren voor risico gelden. Machine-learning technieken identificeren patronen in grote datasets van online casino spelers, en het algoritme classificeert gedrag op een schaal die afwijkt van traditionele survey-methoden. Onderzoekers trainden het systeem met geanonimiseerde data, waarna validatie plaatsvond door vergelijking met bekende risicoprofielen uit eerdere studies.

Verschillende online casino games vallen onder de reikwijdte, en het algoritme blijft onafhankelijk van specifieke spellen omdat het zich richt op algemene gedragsvariabelen. Open-source code maakt aanpassingen mogelijk door derden, en implementatie in monitoringtools kan plaatsvinden zonder extra kosten voor licenties. Data toont aan dat patronen zoals verhoogde frequentie gecombineerd met late uren sterker correleren met probleemgedrag dan losse metingen.

Toepassing in de praktijk en preventie

Operators kunnen het algoritme integreren in hun platformen om waarschuwingen te genereren bij verhoogde risico scores, en de Kansspelautoriteit ziet dit als hulpmiddel voor toezicht op naleving van zorgplichten. Vroege detectie helpt bij interventies zoals limietadviezen of doorverwijzingen, terwijl het model doorlopend verfijnd kan worden met nieuwe data. Studies naar vergelijkbare systemen tonen dat gedragsanalyse accurater werkt dan enquêtes alleen, en dit project bouwt daarop voort met Nederlandse gameplay gegevens.

Het open karakter zorgt ervoor dat meerdere partijen toegang hebben, en tests in gecontroleerde omgevingen bevestigden de betrouwbaarheid voor verschillende spelerstypes. Patroonherkenning omvat zowel individuele sessies als langere periodes, waardoor trends zoals toenemende inzetten over meerdere dagen zichtbaar worden. De Universiteit van Amsterdam publiceerde documentatie naast de code, zodat integratie gestroomlijnd verloopt voor ontwikkelaars.

Resultaten en toekomstige stappen

Presentatie van het algoritme markeert een stap in data-gedreven preventie, en vervolgonderzoek kan uitbreiding naar meer variabelen onderzoeken. De Kansspelautoriteit benadrukt dat dit initiatief past binnen bredere inspanningen om illegale en risicovolle praktijken aan te pakken. Toepassing in augustus 2026 kan plaatsvinden als operators de code verder testen en aanpassen aan hun systemen, terwijl de open-source licentie continue updates mogelijk maakt door de gemeenschap.