Open-source algoritme van UvA brengt risicogedrag bij online gokken in kaart

De Universiteit van Amsterdam heeft een open-source machine-learning algoritme ontwikkeld dat risicovol gokgedrag in online casino's, waaronder blackjack, kan inschatten op basis van echte spelersdata zoals inzetpatronen, frequentie, timing en win-verliesreeksen, terwijl enquêtes achterwege blijven, en dit model is nu beschikbaar via de website van de Kansspelautoriteit als transparant hulpmiddel voor vroege detectie van probleemgokken.

Het project werd geleid door UvA-promovendus Charles de Leau in samenwerking met professoren Reinout Wiers en Johan Bollen, met financiering vanuit het Verslavingspreventiefonds van de Kansspelautoriteit, en de aanpak verschilt van traditionele methodes omdat het zich richt op concrete gedragsgegevens in plaats van zelfrapportages.

Onderzoekers verzamelden anonieme data van echte spelers bij online kansspelen, analyseerden patronen in weddenschappen en streaks, en trainden het algoritme om signalen van risicovol gedrag te herkennen zonder dat spelers hoeven te worden ondervraagd, terwijl de focus lag op objectieve metrics zoals frequentie van inzetten en timing tussen acties.

Het team werkte aan een transparant systeem dat operators en toezichthouders kunnen inzetten voor preventie, en de open-source release zorgt ervoor dat iedereen het model kan inspecteren en aanpassen aan eigen datasets, wat de toegankelijkheid vergroot in de Nederlandse gokmarkt.

Het model verwerkt variabelen zoals inzetpatronen, speelduur, pauzes tussen ronden en opeenvolgende winsten of verliezen, waarna het een risico-inschatting produceert die vroegtijdig kan aangeven wanneer een speler mogelijk problematisch gedrag vertoont, en dit gebeurt volledig geautomatiseerd op basis van historische data.

Door machine-learning technieken toe te passen op grote hoeveelheden transactiegegevens ontstaan voorspellingen die nauwkeuriger kunnen zijn dan methodes die afhankelijk zijn van vragenlijsten, terwijl de open-source aard ervoor zorgt dat onafhankelijke partijen de code kunnen verifiëren en verbeteren.

Het algoritme staat nu online op de site van de Kansspelautoriteit, waar het als downloadbaar hulpmiddel fungeert voor vergunninghouders en onderzoekers die risicogedrag willen monitoren, en de publicatie markeert een stap richting meer datagedreven preventie in de sector.

Operators kunnen het model integreren in hun systemen om patronen te signaleren die wijzen op mogelijke problemen, terwijl de transparantie van de code voorkomt dat er black-box oplossingen ontstaan die moeilijk te controleren zijn, en dit past binnen bredere inspanningen om probleemgokken terug te dringen.

Het model richt zich specifiek op online kansspelen zoals blackjack en andere casinospellen, waarbij data over win-verliesreeksen en timing cruciaal blijken voor de inschatting, en onderzoekers hebben aangetoond dat deze gedragsvariabelen sterker correleren met risico dan demografische of survey-gebaseerde indicatoren alleen.

In augustus 2026 verwachten betrokken partijen verdere integratie van soortgelijke tools in de Nederlandse markt, omdat vergunninghouders steeds vaker verplicht worden om preventieve maatregelen te nemen op basis van realtime data, en het open-source karakter maakt het mogelijk dat meerdere organisaties het algoritme testen en verfijnen.

Het project onderstreept hoe samenwerking tussen universiteiten, toezichthouders en de industrie kan leiden tot praktische instrumenten die probleemgokken aanpakken aan de bron, terwijl de nadruk ligt op feitelijke metingen in plaats van subjectieve inschattingen.

De release van dit open-source algoritme door de UvA vormt een concrete bijdrage aan de detectie van risicovol gedrag in online gokken, en het stelt de Kansspelautoriteit en operators in staat om data-gedreven interventies te ontwikkelen die gebaseerd zijn op echte spelerspatronen, met behoud van transparantie en reproduceerbaarheid.