UvA en Kansspelautoriteit lanceren open-source algoritme voor vroegdetectie van risicovol online gokgedrag
UvA en Kansspelautoriteit lanceren open-source algoritme voor vroegdetectie van risicovol online gokgedrag
In augustus 2026 presenteerden onderzoekers van de Universiteit van Amsterdam samen met de Kansspelautoriteit een open-source machine-learning algoritme dat realtime spelersdata analyseert en daarmee risicovol gokgedrag in online casino's vroegtijdig signaleert terwijl operators dit model vrij kunnen gebruiken als aanvulling op bestaande maatregelen.
Technische opzet van het detectiemodel
Het algoritme verwerkt variabelen zoals inzettijden, frequentie van weddenschappen, sessieduur en reacties op winst- of verliesreeksen en vertaalt deze naar een risicoscore die operators inzicht geeft in patronen die kunnen wijzen op problematisch gedrag en tegelijk transparant blijft omdat de broncode publiek beschikbaar is via de website van de Kansspelautoriteit.
Financiering en publieke toegankelijkheid
Het Verslavingspreventiefonds van de Kansspelautoriteit financierde de ontwikkeling waardoor het model niet alleen wetenschappelijk gevalideerd is maar ook direct toegankelijk blijft voor alle vergunde aanbieders zonder extra kosten en daarmee een breed toepasbaar hulpmiddel vormt in de Nederlandse markt.
Gebruik van spelersdata in de praktijk
Operators kunnen het model integreren in hun bestaande systemen om bijvoorbeeld inzetten, pauzes tussen sessies en emotionele respons na verliespartijen te monitoren en zo preventieve interventies te activeren voordat problemen escaleren terwijl de open-source structuur zorgt voor continue verbetering door onafhankelijke experts.
Volgens de Kansspelautoriteit levert het algoritme een aanvullende laag van transparantie bovenop de al bestaande verantwoord gokken protocollen en maakt het mogelijk om gedragsdata objectief te vergelijken over verschillende platforms zonder dat spelersidentiteit wordt prijsgegeven.
Integratie met bestaande maatregelen
Het model functioneert als aanvulling op limieten voor inzetten, time-outs en zelfuitsluitingsregisters en ondersteunt operators bij het tijdig signaleren van afwijkende patronen zoals opeenvolgende snelle weddenschappen na verliezen of plotselinge verhoging van inzetbedragen terwijl de data-analyse volledig geautomatiseerd verloopt.
Validatie en toekomstige toepassingen
Validatietests uitgevoerd door de Universiteit van Amsterdam toonden aan dat het algoritme patronen herkent die correleren met verhoogd risico en daarmee een wetenschappelijke basis biedt voor preventieve acties in de online goksector en tegelijk de deur opent voor verdere verfijning door de gemeenschap.
Conclusie
Met de publicatie van dit open-source algoritme zetten de Universiteit van Amsterdam en de Kansspelautoriteit een concrete stap naar datagedreven preventie waarbij operators in augustus 2026 en daarna kunnen profiteren van een transparant hulpmiddel dat risicovol gedrag vroeg detecteert en tegelijk de privacy en toegankelijkheid waarborgt.