Prediksi masalah Perjudian dari data Transaksional

Prediksi masalah Perjudian dari data transaksional

Sekitar 4.000 pemegang kartu loyalitas yang setuju untuk mengambil bagian dalam survei juga setuju bahwa hasil mereka dapat dikaitkan dengan data transaksi taruhan. Tujuan khusus adalah untuk menentukan parameter mana dari mesin yang paling baik diprediksi apakah seseorang memiliki skor pada PGSI yang menunjukkan masalah perjudian. Analisis dimulai dengan menguji model ‘baseline’ berdasarkan kode tanggung jawab sosial ABB (Association of British Bookmakers) yang diperkenalkan beberapa bulan yang lalu. Prediksi terbaik disediakan oleh pemotongan pengeluaran sebesar £ 30 (batas £ 250 yang disebutkan dalam kode itu terlalu tinggi dan pengeluaran waktu sedikit menambah prediksi). Tapi cut-off itu tidak terlalu berhasil karena yang terbaik yang bisa dilakukan adalah mengidentifikasi 60% dari

penjudi bermasalah dengan mengorbankan 40% penjudi non-masalah menjadi positif palsu. Dibandingkan dengan model baseline, adalah mungkin untuk meningkatkan prediksi masalah perjudian dengan menggunakan kombinasi terbaik dari sejumlah besar faktor dari set data transaksional. Faktor-faktor ini termasuk, ‘jumlah hari bermain’, ‘kemenangan mingguan maksimum’, dan ‘kehilangan harian rata-rata’. Laporan itu mengatakan bahwa ukuran taruhan sangat penting karena ketiadaannya tetapi taruhannya muncul dalam daftar prediktor dalam bentuk ‘jumlah total pemain harian rata-rata’ dan ‘jumlah tingkat taruhan’.

Dalam pembahasan hasil ini, penulis mengatakan bahwa mereka telah menunjukkan bahwa mereka dapat memprediksi masalah perjudian dan karena itu ada ‘masa depan yang cerah untuk analisis perilaku’ di bidang tanggung jawab sosial dan perjudian. Ini tampaknya terlalu optimis dan menghantam permohonan khusus. Tentu saja tidak ada yang mengharapkan prediksi sempurna, tetapi bahkan yang terbaik pun tidak mengesankan. Misalnya, 50% dari penjudi bermasalah dapat diidentifikasi tetapi hanya dengan biaya tingkat positif palsu sebesar 25% di antara penjudi non-masalah. Karena yang terakhir adalah kelompok yang jauh lebih besar, ini merupakan tingkat positif palsu yang sangat tinggi. Dengan kata lain bahkan pada tingkat kepekaan yang sederhana, spesifisitas sangat rendah. Analisis lebih lanjut menunjukkan bahwa banyak dari positif palsu mungkin adalah penjudi berisiko.

Berbeda dengan laporan pada survei pemegang kartu loyalitas (penulis pertama yang Heather Wardle dari NatCen), laporan itu (pertama kali ditulis oleh Dave Excell dari Featurespace) terasa kurang hati-hati. Serta membuat titik mencatat tidak adanya ukuran pancang dalam model prediktif terbaik mereka, mereka mengatakan dalam diskusi itu, karena tidak ada satu variabel saja yang dapat diprediksi (bagaimana mungkin!), ‘Fokus harus bergeser jauh dari mengatur parameter tertentu, seperti ukuran pasak, tetapi mengambil pendekatan bulat bulat yang mempertimbangkan pemain, produk dan lingkungan ‘, referensi yang jelas untuk perdebatan tentang mesin FOBT saham tinggi yang telah begitu kontroversial dan yang merupakan stimulus untuk menyiapkan program penelitian ini di tempat pertama.

Laporan ini juga berulang kali mengacu pada kecondongan data (seolah-olah ini adalah kejutan!), ‘Sejumlah kecil nilai ekstrim’, mayoritas pemain menunjukkan ‘nilai minimal’ (sebagai contoh, ‘hanya satu dari 10 akan bermain 40 kali sebulan ‘!), dan sebagian besar variabel mengikuti kurva anponponensial sehingga’ nilai besar … sangat jarang ‘. Itu adalah cara kode untuk mengatakan: Lihatlah betapa moderatnya hampir semua permainan mesin dan betapa jarangnya judi yang tidak masuk akal atau tidak bertanggung jawab!

Write a Comment

Your email address will not be published. Required fields are marked *