Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Πληροφορικής / Department of Informatics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Identifying problematic gambling behaviour

Εναλλακτικός τίτλος :	Αναγνώριση προβληματικής στοιχηματικής συμπεριφοράς

Δημιουργός :	Markakis, Christos Μαρκάκης, Χρήστος

Συντελεστής :	Koutsopoulos, Iordanis (Επιβλέπων καθηγητής) Vrontos, Ioannis (Εξεταστής) Vassalos, Vasilios (Εξεταστής) Athens University of Economics and Business, Department of Informatics (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	59p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=9154

Περίληψη :	In recent years more and more people are getting exposed to internet gambling which makes it necessary to develop methods of monitoring their behaviour. This thesis research methods that can identify problematic gambling behaviour in an unsupervised manner. We utilize real behavioural tracking data from online gambling activity to group players to problem gambling groups with similar gambling behaviour using clustering. Furthermore, we propose an approach for categorizing the players into groups of problem gambling according to their severity and for training machine learning models to be able to classify them. This research is implemented on data concerning players that have significant account activity. The results of clustering show that among the clustering techniques that were implemented, K-means is the most capable one to identify distinct groups, with different characteristics and some of them indicating problematic gambling behaviour. Additionally, the second approach distinguishes players into problem gambling groups of increasing severity and between the classification techniques that were tested, Neural Network models with oversampling were the best-performing ones in classifying players into problem gambling groups. The results of this thesis can be used to group players with similar problematic gambling behaviour and identify them in a different set of players in order to protect the players and the companies from the destructive consequences of gambling. Τα τελευταία χρόνια όλο και περισσότεροι άνθρωποι εκτίθενται στο διαδικτυακό τζόγο γεγονός που καθιστά απαραίτητο να δημιουργηθούν τρόποι παρακολούθησης της συμπεριφοράς τους. Στην παρούσα διατριβή διερευνούμε τρόπους με τους οποίους μπορούμε να αναγνωρίσουμε την προβληματική συμπεριφορά χωρίς τη χρήση επισημασμένων δεδομένων. Αξιοποιούμε πραγματικά δεδομένα παρακολούθησης συμπεριφοράς από τη στοιχηματική δραστηριότητα των παιχτών για να τους κατατάξουμε σε ομάδες με παρόμοιες συμπεριφορές χρησιμοποιώντας τεχνικές ομαδοποίησης. Επιπλέον, προτείνουμε έναν τρόπο για τη κατηγοριοποίηση των παικτών σύμφωνα με τη σοβαρότητα της προβληματικής συμπεριφοράς τους και εκπαιδεύουμε μοντέλα μηχανικής μάθησης για να μπορούν να τους κατατάσουν. Αυτή η έρευνα έχει υλοποιηθεί σε δεδομένα με παίκτες που έχουν εκτεταμένη δραστηριότητα. Τα αποτελέσματα της ομαδοποίησης δείχνουν ότι μεταξύ των διαφορετικών τεχνικών ομαδοποίησης που δοκιμάστηκαν, ο K-means αλγόριθμος ήταν ο πιο ικανός να αναγνωρίσει ξεχωριστές ομάδες, με διαφορετικά χαρακτηριστικά, μεταξύ των οποίων και κάποιες που έδειχαν προβληματική στοιχηματική συμπεριφορά. Με τη δεύτερη μέθοδο, ξεχωρίζουμε παίχτες σε ομάδες προβληματικής στοιχηματικής συμπεριφοράς με αυξανόμενη σοβαρότητα και μεταξύ των αλγορίθμων ταξινόμησης που δοκιμάστηκαν, τα νευρωνικά δίκτυα με υπερδειγματοληψία ήταν το μοντέλο με την καλύτερη απόδοση στην ταξινόμηση ομάδων προβληματικού τζόγου. Τα αποτελέσματα αυτής της διατριβής μπορούν να χρησιμοποιηθούν για την ομαδοποίηση παικτών με παρόμοια προβληματική συμπεριφορά και την ταυτοποίησή τους σε διαφορετικό σύνολο παικτών προκειμένου να προστατεύσουν τους παίκτες και τις εταιρείες από τις καταστροφικές συνέπειες του τζόγου.

Περίληψη :

In recent years more and more people are getting exposed to internet gambling which makes it necessary to develop methods of monitoring their behaviour. This thesis research methods that can identify problematic gambling behaviour in an unsupervised manner. We utilize real behavioural tracking data from online gambling activity to group players to problem gambling groups with similar gambling behaviour using clustering. Furthermore, we propose an approach for categorizing the players into groups of problem gambling according to their severity and for training machine learning models to be able to classify them. This research is implemented on data concerning players that have significant account activity. The results of clustering show that among the clustering techniques that were implemented, K-means is the most capable one to identify distinct groups, with different characteristics and some of them indicating problematic gambling behaviour. Additionally, the second approach distinguishes players into problem gambling groups of increasing severity and between the classification techniques that were tested, Neural Network models with oversampling were the best-performing ones in classifying players into problem gambling groups. The results of this thesis can be used to group players with similar problematic gambling behaviour and identify them in a different set of players in order to protect the players and the companies from the destructive consequences of gambling.
Τα τελευταία χρόνια όλο και περισσότεροι άνθρωποι εκτίθενται στο διαδικτυακό τζόγο γεγονός που καθιστά απαραίτητο να δημιουργηθούν τρόποι παρακολούθησης της συμπεριφοράς τους. Στην παρούσα διατριβή διερευνούμε τρόπους με τους οποίους μπορούμε να αναγνωρίσουμε την προβληματική συμπεριφορά χωρίς τη χρήση επισημασμένων δεδομένων. Αξιοποιούμε πραγματικά δεδομένα παρακολούθησης συμπεριφοράς από τη στοιχηματική δραστηριότητα των παιχτών για να τους κατατάξουμε σε ομάδες με παρόμοιες συμπεριφορές χρησιμοποιώντας τεχνικές ομαδοποίησης. Επιπλέον, προτείνουμε έναν τρόπο για τη κατηγοριοποίηση των παικτών σύμφωνα με τη σοβαρότητα της προβληματικής συμπεριφοράς τους και εκπαιδεύουμε μοντέλα μηχανικής μάθησης για να μπορούν να τους κατατάσουν. Αυτή η έρευνα έχει υλοποιηθεί σε δεδομένα με παίκτες που έχουν εκτεταμένη δραστηριότητα. Τα αποτελέσματα της ομαδοποίησης δείχνουν ότι μεταξύ των διαφορετικών τεχνικών ομαδοποίησης που δοκιμάστηκαν, ο K-means αλγόριθμος ήταν ο πιο ικανός να αναγνωρίσει ξεχωριστές ομάδες, με διαφορετικά χαρακτηριστικά, μεταξύ των οποίων και κάποιες που έδειχαν προβληματική στοιχηματική συμπεριφορά. Με τη δεύτερη μέθοδο, ξεχωρίζουμε παίχτες σε ομάδες προβληματικής στοιχηματικής συμπεριφοράς με αυξανόμενη σοβαρότητα και μεταξύ των αλγορίθμων ταξινόμησης που δοκιμάστηκαν, τα νευρωνικά δίκτυα με υπερδειγματοληψία ήταν το μοντέλο με την καλύτερη απόδοση στην ταξινόμηση ομάδων προβληματικού τζόγου. Τα αποτελέσματα αυτής της διατριβής μπορούν να χρησιμοποιηθούν για την ομαδοποίηση παικτών με παρόμοια προβληματική συμπεριφορά και την ταυτοποίησή τους σε διαφορετικό σύνολο παικτών προκειμένου να προστατεύσουν τους παίκτες και τις εταιρείες από τις καταστροφικές συνέπειες του τζόγου.

Λέξη κλειδί :	Υπεύθυνος τζόγος Προβληματικός τζόγος Διαδικτυακός τζόγος Μη επιβλεπώμενη μάθηση Ομαδοποίηση Responsible gambling Problem Gambling Internet Gambling Unsupervised learning Clustering

Διαθέσιμο από :	2022-02-11 02:47:28

Ημερομηνία έκδοσης :	2021

Ημερομηνία κατάθεσης :	2022-02-11 02:47:28

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Markakis_2021.pdf

Τύπος: application/pdf

Είσοδος