Universiteit van Amsterdam ontwikkelt open-source model voor detectie van risicovol online gokgedrag

De Universiteit van Amsterdam heeft een open-source machine-learning model ontwikkeld en vrijgegeven dat risicovol online gokgedrag eerder kan opsporen door analyse van echte spelerdata, en dat model richt zich op patronen in weddenschappen, frequentie, timing zoals nachtelijk spel over meerdere opeenvolgende dagen en reacties op winst of verlies. Dit initiatief komt voort uit een opdracht van de Kansspelautoriteit en wordt gefinancierd via het Fonds voor Preventie van Verslaving, terwijl de code en methodologie voor iedereen toegankelijk zijn via publieke repositories.

Het project en de opdrachtgever

Onderzoekers hebben het model specifiek ontworpen als aanvullende monitoringlaag voor vergunde operators in Nederland, en hoewel operators zelf verantwoordelijk blijven voor eventuele interventies, biedt het systeem risicoscores die gelden over verschillende vormen van online gokken inclusief casinospellen zoals blackjack. De Kansspelautoriteit heeft dit project gecommissioneerd om data-gedreven inzichten te bevorderen, en volgens de beschikbare details uit het gerelateerde nieuwsbericht is het model gebouwd op basis van geanonimiseerde spelergegevens die patronen herkennen zonder dat operators directe toegang tot persoonlijke informatie verliezen.

Technische aanpak en data-analyse

Het model verwerkt variabelen zoals inzetpatronen, de frequentie van activiteiten, tijdstippen van spelen en emotionele reacties die blijken uit gedrag na winst of verlies, en zo ontstaan scores die een indicatie geven van potentieel risicovol gedrag. Onderzoekers hebben methodes toegepast die real-time analyse mogelijk maken terwijl de open-source aard van de tool toestaat dat andere partijen het kunnen aanpassen of valideren, en de publicatie van zowel de code als de onderliggende methodologie ondersteunt transparantie in de sector. Dit project bouwt voort op bestaande verplichtingen voor vergunde aanbieders om verantwoord gokken te monitoren, en het voegt een laag toe die gebaseerd is op machine learning in plaats van alleen op handmatige controles.

Beschikbaarheid en toepassing voor operators

De volledige broncode staat openbaar beschikbaar, en belangstellenden kunnen de methodologie raadplegen om het model te integreren in bestaande systemen, terwijl de Kansspelautoriteit benadrukt dat operators de uiteindelijke verantwoordelijkheid dragen voor het nemen van maatregelen op basis van de gegenereerde scores. Dit betekent dat het model fungeert als een ondersteunend instrument en geen vervanging vormt voor de bestaande protocollen van vergunde partijen. In augustus 2026 verwachten sommige waarnemers verdere updates over de implementatie bij Nederlandse operators, en de publieke release maakt het mogelijk voor onderzoekers en ontwikkelaars om bij te dragen aan verbeteringen.

Het model dekt meerdere gokvormen en richt zich daarbij op gedragsindicatoren die al in eerdere studies over online gokken naar voren kwamen, en door de open-source aanpak kunnen vergunde aanbieders het systeem testen zonder extra licentiekosten. De financiering via het Addiction Prevention Fund van de Kansspelautoriteit zorgt ervoor dat het project onafhankelijk blijft van commerciële belangen, en de focus ligt puur op het eerder signaleren van patronen die verband houden met problematisch gedrag.

Conclusie

Met de release van dit open-source model door de Universiteit van Amsterdam beschikken vergunde operators over een extra hulpmiddel dat gebaseerd is op concrete spelerdata, en de betrokkenheid van de Kansspelautoriteit benadrukt het belang van preventie binnen de gereguleerde Nederlandse gokmarkt. De publieke beschikbaarheid van code en methodologie ondersteunt verdere ontwikkeling terwijl operators hun eigen verantwoordelijkheden behouden.