I en nyligen publicerad vetenskaplig artikel, som jag är medförfattare till, presenteras ny forskning kring hur avancerade maskininlärningsmetoder kan användas för att identifiera problematiskt spelande. Studien bygger på 4,5 års speldata från en stor svensk laglig speloperatör och erbjuder värdefulla insikter om hur vi kan upptäcka och förebygga spelproblem i ett tidigt skede.
Huvudsyftet med studien, som bygger på data från totalt 35,048 spelare, var att undersöka hur stabila och träffsäkra algoritmer för riskbedömning är över tid. Det vill säga: Kan vi förutsäga vilka spelare som löper störst risk att utveckla ett problematiskt spelbeteende, även om vi bara har tillgång till en kortare tidsperiod av deras spelhistorik?
Genom att använda en maskininlärningsmodell (XGBoost) analyserades spelarens beteende, som exempelvis satsningsmönster, sessionernas längd och hur ofta insättningar gjordes. Studien visade att modellen fortsätter prestera robust även när datamängden minskas (till exempel genom att bara titta på 30, 60 eller 90 dagars spelhistorik). Viktiga faktorer för att upptäcka risk var bland annat “loss-chasing” (försök att vinna tillbaka förluster) och negativa balanskurvor över tid.
Att våra resultat förblir stabila trots mindre datamängder tyder på att det är fullt möjligt att upptäcka spelproblem redan tidigt. Detta öppnar upp för mer proaktiva insatser, där spelbolag kan kontakta riskspelare innan problemen eskalerar. Potentialen är stor för att kunna förbättra både folkhälsa och individens välbefinnande genom att i tid bryta skadliga beteenden.
Ett av de större begränsningarna med studien är att data enbart kommer från en enda operatör i en konkurrensutsatt marknad. Spelare med högriskbeteende kan mycket väl ha konton hos flera bolag, vilket innebär att en del av deras totala spelande inte syns i vårt material. Dessutom kan vissa “manuella” riskbedömningar ha färgats av bedömarens subjektiva intryck. Fler studier med data från flera operatörer och mer standardiserade bedömningsmetoder behövs därför för att bekräfta fynden.
Tidigt ingripande vid spelproblem kan göra stor skillnad för den enskilde individen, och minska både psykiskt lidande och ekonomiska förluster. Genom att utveckla robusta metoder för att upptäcka riskmönster kan forskare och operatörer tillsammans verka för en tryggare spelmarknad och skapa insatser som bidrar till att förebygga allvarliga konsekvenser av ett ohälsosamt spelbeteende.
Läs artikeln i sin helhet:
Andersson, S., Carlbring, P., Lyon, K., Bermell, M., & Lindner, P. (2025). Insights into the temporal dynamics of identifying problem gambling on an online casino: A machine learning study on routinely collected individual account data. Journal of Behavioral Addictions. Advance online publication. https://doi.org/10.1556/2006.2025.00013