Kansspelautoriteit ondersteunt open-source machine learning model van Universiteit van Amsterdam

De Kansspelautoriteit heeft een open-source machine learning model laten ontwikkelen door onderzoekers aan de Universiteit van Amsterdam en steunt dit instrument actief voor de analyse van spelersgedrag in online kansspelen, waarbij data over inzetpatronen, sessiefrequentie, win- en verliesreeksen plus reacties worden verwerkt tot risicoscores die operators helpen bij het identificeren van mogelijk schadelijk gokgedrag als aanvulling op zelfgerapporteerde informatie.

Dit project past binnen bredere Europese initiatieven die gedragsanalyses inzetten voor vroegtijdige detectie van schade, en het model is ontworpen als extra laag in bestaande systemen voor spelersbescherming bij vergunde aanbieders.

Ontwikkeling en opdracht van de KSA

De Kansspelautoriteit gaf de opdracht aan de Universiteit van Amsterdam voor de creatie van dit open-source instrument, waarbij het model specifiek is gebouwd om patronen in spelersdata te herkennen die kunnen wijzen op verhoogd risico zonder dat operators uitsluitend afhankelijk zijn van meldingen van de spelers zelf, en de autoriteit bevestigt dat het model als aanvulling dient op bestaande maatregelen.

Onderzoekers verzamelden en verwerkten gegevens over aspecten zoals frequentie van sessies, timing daarvan, reeksen van winst of verlies en directe reacties van spelers op uitkomsten, waarna het algoritme deze informatie omzet in numerieke risicoscores die operators kunnen integreren in hun monitoringprocessen.

Werking van het model en data-analyse

Het machine learning model evalueert meerdere variabelen tegelijk, waaronder inzetpatronen die afwijken van normaal gedrag, onregelmatige sessieduur en opeenvolgende resultaten die kunnen leiden tot verhoogde activiteit, en het genereert scores die aangeven of een speler mogelijk in een risicocategorie valt volgens de parameters die de ontwikkelaars hebben vastgesteld op basis van de verstrekte datasets.

Operators kunnen de uitkomsten gebruiken als signaal om extra controles uit te voeren of interventies te overwegen, terwijl het open-source karakter van het model toelaat dat andere partijen het kunnen inspecteren, aanpassen en verder ontwikkelen voor eigen toepassingen binnen de gereguleerde markt.

Integratie in Europese context en spelersbescherming

Het initiatief vormt onderdeel van Europese inspanningen waarbij gedragsanalyses worden ingezet om schade eerder te signaleren dan mogelijk is met traditionele methoden, en de KSA positioneert het model als hulpmiddel dat operators ondersteunt bij het voldoen aan hun zorgplicht zonder dat het bestaande zelfrapportage-systemen vervangt.

Volgens gegevens uit het project worden elementen zoals reacties op winsten of verliezen en de timing van sessies meegenomen in de berekening, waardoor het model een bredere kijk biedt op gedragspatronen die in de praktijk kunnen wijzen op problematisch spelgedrag bij een deel van de spelerspopulatie.

Toepassing door operators en technische details

Vergunde aanbieders in Nederland kunnen het open-source model implementeren als aanvullende tool naast hun huidige spelersbeschermingssystemen, waarbij de gegenereerde risicoscores dienen als indicatie die verdere analyse of actie kan triggeren, en de Universiteit van Amsterdam heeft het model vrijgegeven zodat technische teams het kunnen evalueren en integreren in bestaande infrastructuur.

Het algoritme verwerkt de inputdata in realtime of periodiek, afhankelijk van de configuratie die een operator kiest, en produceert scores die variëren op basis van de combinatie van factoren zoals sessiefrequentie en win-verlies dynamiek, zonder dat het model zelf beslissingen neemt maar enkel ondersteunende informatie levert.

Conclusie

De Kansspelautoriteit heeft met dit project een instrument beschikbaar gesteld dat operators helpt om spelersdata effectiever te analyseren via machine learning, en het model blijft beschikbaar als open-source oplossing die bijdraagt aan de bredere Europese aanpak van gedragsmonitoring in de kansspelensector.