AMSTERDAMIN yliopiston UvA:n tutkijat ovat kehittäneet koneoppimiseen perustuvan algoritmin, jolla voidaan arvioida käyttäjien rahapelikäyttäytymiseen liittyvää riskiä.
Malli analysoi muun muassa sitä, kuinka paljon ja usein pelaaja panostaa, mihin aikaan ja miten tiheästi hän pelaa sekä sitä, miten pelaaminen muuttuu voitto- ja tappioputkien aikana.
Näiden tietojen perusteella algoritmi muodostaa pelaajalle riskipisteytyksen.
Maan rahapeliviranomainen Kansspelautoriteit (KSA) sanoo, että mallia voidaan käyttää esimerkiksi sen arvioimiseen, vastaavatko rahapeliyhtiöiden omat riskipisteytykset riippumattoman mallin antamia tuloksia.
Tästä syystä algoritmi on julkaistu avoimena lähdekoodina. Sen koodi ja menetelmät ovat muiden tutkijoiden, viranomaisten sekä rahapeliyhtiöiden saatavilla.
Lue myös: Rahapeliongelmat ja lähisuhdeväkivalta kulkevat usein käsi kädessä
TUTKIMUSTA johti UvA:n väitöskirjatutkija Charles de Leau yhdessä psykologian professori Reinout Wiersin ja tietojenkäsittelytieteen professori Johan Bollenin kanssa.
Tutkimuksesta tekee erikoisen sen käytössä ollut aineisto. UvA:n tutkijat pystyivät analysoimaan 13 hollantilaiselta nettikasinolta kaikki pelaajien panokset kahden vuoden ajalta 30.7.2023–30.7.2025.
De Leaun mukaan vastaavanlaista aineistoa ei ole aiemmin analysoitu riippumattomassa tutkimuksessa näin laajassa mittakaavassa. Tutkimuksen rahoitti ZonMw KSA:n riippuvuuksien ehkäisyyn tarkoitetusta rahastosta.
TAVOITTEENA on ollut selvittää, millaiset pelaamisen käyttäytymismallit ennakoivat vakavampia rahapeliongelmia.
Rahapeliyhtiöillä on käytössään yksityiskohtaista tietoa asiakkaidensa pelaamisesta. Samaa dataa voidaan käyttää sekä riskialttiin pelaamisen tunnistamiseen että pelaajien sitouttamiseen ja markkinointiin.
Operaattorit voivat käyttää uutta mallia oman vastuullisuustyönsä kehittämiseen, mutta algoritmin käyttöönotto ei anna operaattorille takeita siitä, että sen huolenpitovelvollisuus täyttyy. Mallia voidaan käyttää ainoastaan muiden vastuullisen pelaamisen toimenpiteiden täydentäjänä.
KSA totesi jo vuonna 2023 julkaistussa valvontatutkimuksessaan, että operaattoreiden välillä oli huomattavia eroja siinä, miten nopeasti riskikäyttäytymiseen reagoitiin. Kaikki operaattorit eivät myöskään pystyneet seuraamaan pelaamista reaaliaikaisesti.
Uuden algoritmin merkitys liittyykin laajemmin siihen, miten rahapelivalvojat voivat arvioida operaattoreiden omia vastuullisen pelaamisen järjestelmiä.
UvA:n mukaan KSA voi uuden mallin avulla laskea pelaajille riskipisteitä ja verrata niitä esimerkiksi operaattoreiden omien järjestelmien antamiin riskipisteisiin. Näin viranomaisella on käytössään operaattoreista riippumaton vertailukohta.
Lue myös: Tutkimus: Rahapelaaminen lapsena kasvattaa riskiä aikuisena
KONEOPPIMISEN avulla voidaan yhdistää samanaikaisesti useita pelaajan käyttäytymisessä havaittavia muutoksia ja muodostaa niiden perusteella kokonaisarvio riskistä.
UvA:n mallin tarkoituksena on yhdistää tällaisia signaaleja kokonaisuudeksi, jonka perusteella pelaajalle muodostetaan mainittu riskipisteytys.
KYSEINEN UvA ja KSA algoritmi ei ole ensimmäinen laatuaan, sillä riskialttiin pelaamisen tunnistamista on tutkittu aiemminkin suoraan operaattorien asiakasdatalla.
Esimerkiksi vuonna 2025 julkaistussa tutkimuksessa koneoppimismalleja testattiin 30, 60 ja 90 päivän pelaamishistorian perusteella. Mallit hyödynsivät muun muassa talletuksiin, pelisessioihin, maksutapahtumiin ja vastuullisen pelaamisen työkalujen käyttöön liittyviä tietoja.
Myös vedonlyöntiyhtiö Tipicolla on käytössään oma tekoälypohjainen riskiluokittelujärjestelmä. Vuonna 2026 julkaistun tutkimuksen mukaan algoritmi arvioi jatkuvasti asiakkaiden käyttäytymis- ja viestintätietoja ja luokittelee heitä riskialttiiseen pelaamiseen viittaavien merkkien perusteella.
Ranskan rahapeliviranomainen ANJ on puolestaan kehittänyt algoritmin, jolla verkkopelaajat voidaan luokitella neljään riskitasoon viihdepelaajista selvästi liiallisesti pelaaviin.
ANJ algoritmi perustuu 23 riskikriteeriin ja analysoi muun muassa pelaajan panostamista, tappioita ja merkkejä siitä, että pelaamisen hallinta on heikentynyt.
ERONA Alankomaiden ja Ranskan ANJ:n mallien välillä on ennen kaikkea se, että Ranskan versio on viranomaisen kehittämä valvonta- ja riskiluokittelutyökalu, kun taas Alankomaiden algoritmimallia voidaan hyödyntään operaattoreiden omien järjestelmien vertailussa.
Molemmat mallit kertovat kuitenkin laajemmasta kehityksestä, jossa pelaajakäyttäytymiseen perustuvia riskiluokituksia hyödynnetään yhä enemmän rahapelihaittojen tunnistamisen ja valvonnan tukena.
Lue myös: Algoritmit ja affiliate-mallit ohjaavat rahapelaamista
Lähteet
ScienceDirect – “Interpretable behavioral clusters of gamblers through unsupervised learning” – Mana Azizsoltani, Ismael Gomez-Talal, José Luis Rojo Alvarez, Kasra Ghaharian – 16.5.2026
Scientific Reports – “The relationship between executive functions, decision-making, and changes in symptoms of gambling disorder in online sports bettors” – Theresa Wirkus, Robert Czernecka, Gerhard Bühringer, Anja Kräplin – 12.4.2026
PubMed Central – “Insights into the temporal dynamics of identifying problem gambling on an online casino: A machine learning study on routinely collected individual account data” – Sam Andersson, Per Carlbring, Keenan Lyon, Måns Bermell, Philip Lindner – 27.2.2025
Kansspelautoriteit – “UvA onderzoek: algoritme risicogedrag spelers”
