logo short
IntroductionMéthodeRésultatsDiscussionConclusionsLes références

Les caractéristiques structurelles des jeux ont été considérées comme des aspects importants dans le développement possible du jeu problématique. Les facteurs les plus importants ainsi que les facteurs de sensibilité et de risque individuels du joueur individuel sont les caractéristiques structurelles telles que la vitesse et la fréquence du jeu (et plus spécifiquement la fréquence des événements, la fréquence des paris, la durée des événements et l'intervalle de paiement). À ce jour, l'association entre les caractéristiques structurelles et le comportement n'a pas été étudiée dans un environnement de jeu en ligne. La présente étude a étudié l'association entre les caractéristiques structurelles et le comportement de jeu en ligne dans un cadre écologiquement valide en utilisant les données de joueurs réels. Les auteurs ont eu accès aux données d'un grand opérateur de jeu en ligne européen avec des joueurs d'Allemagne, d'Autriche, du Royaume-Uni, de Pologne et de Slovénie. L'échantillon comprenait 763 490 séances entre le 27 novembre 2020 et le 15 avril 2021 en utilisant des données de 43 731 joueurs. Un algorithme basé sur l'arbre à apprentissage avec les caractéristiques structurelles et les mesures de session expliquaient 26% de la variance du nombre de jeux joués dans une session. Les résultats ont également montré que seulement 7.7% de la variance du nombre de paris placés dans une session s'explique par les seules caractéristiques structurelles du jeu. La caractéristique structurelle la plus importante en ce qui concerne le nombre de jeux joués dans une session était la fréquence des événements du jeu suivie du montant maximum gagné sur un seul pari dans une session.

vegasplus casino

Travailler sur un manuscrit?

Introduction

En plus des facteurs biologiques et psychologiques, les caractéristiques structurelles des jeux ont été considérées comme des aspects importants dans le développement possible du jeu problématique (Griffiths, 1993). Les caractéristiques structurelles font référence aux caractéristiques inhérentes aux jeux (par exemple.g., taille du jackpot, taille de la mise, fréquence des événements) ainsi que des aspects mathématiques d'un jeu tels que la probabilité de gagner et de retour au joueur (RTP) (Goodie, 2015 ; Griffiths, 1993 ; Griffiths & Auer, 2013 ; Lopez-Gonzalez et al., 2019; McCormack & Griffiths, 2013). RTP est le pourcentage du montant parié qui est remboursé sous forme de gains. Par exemple, la roulette «classique» avec 36 nombres et un zéro ont un RTP de 97.3%, étant donné un nombre infini de jeux. Ce pourcentage pourrait bien sûr être plus élevé ou inférieur pour un plus petit nombre d'observations et ne pourraient jamais atteindre le chiffre réel de 97.3% pour un seul joueur.

Tortuga Casino 7.5
2010
+2700
10€
Bitcoin, Ethereum, Litecoin, XRP
Live Casino
Curaçao (CGCB)
Dublinbet 7.2
2004
+3000
20$
EUR, USD
Live Casino
Curaçao (CGCB)
GameTwist 7.3
2002
+2900
Non
USD
Live Casino
Pas de données
Amon 9.1
2021
plus de 1200
20 €
20 €
Live Casino

Auer et Griffiths (2013) ont fait valoir que l'acquisition, le développement et la maintenance du jeu problématique sont indépendants du type de jeu (E.g., machines à sous, cartes à gratter, roulette, etc.). Ils ont fait valoir que les facteurs les plus importants ainsi que les facteurs de sensibilité et de risque individuels du joueur individuel sont les caractéristiques structurelles telles que la vitesse et la fréquence du jeu (et plus spécifiquement la fréquence des événements, la fréquence des paris, la durée des événements et l'intervalle de paiement).

Outre les aspects mathématiques, tels que les horaires de renforcement et les configurations de paris, les caractéristiques structurelles telles que le thème du jeu, les boutons pseudo-juges, les couleurs, les lumières et les effets sonores peuvent également avoir un impact sur le comportement des joueurs (Goodie, 2015; Griffiths; , 1993; Lopez-Gonzalez et al., 2019; McCormack & Griffiths, 2013; Parke & Griffiths 2006, 2007). La préférence pour les jeux s'est révélée associée à des facteurs individuels (e.g., traits et motifs), ainsi que des facteurs situationnels (e.g., Jeux de disponibilité, d'accessibilité et de diversité offerts) (Smith et al. 2007).

stake casino

La recherche théorique et empirique soutient la notion que les caractéristiques structurelles influencent le comportement de jeu. Un aspect crucial du jeu est la chance de gagner, qui est directement lié aux fonctionnalités de jeu telles que la chance de gagner et de frapper le jackpot (Binde 2013). Le conditionnement opérant et classique à des caractéristiques structurelles spécifiques pourrait également jouer un rôle important concernant l'intensité du comportement de jeu (Blaszczynski & Nower, 2002).

La relation entre les caractéristiques de récompense des jeux de hasard et les comportements de jeu a été étudiée à la fois par des études de laboratoire et des études d'auto-évaluation (E.g., Coates et Blaszczynski 2013 ; Dixon et al. 2006 ; Ah 2008 ; Livingstone et Woolley 2008 ; McCormack & Griffiths 2013 ; Weatherly et Brandt 2004). Dans une enquête téléphonique auprès de joueurs australiens, Livingstone et Woolley (2008) ont constaté que les caractéristiques de récompense (taille et fréquence des gains) et les jeux gratuits (comme les tours gratuits) étaient les caractéristiques structurelles les plus attrayantes d'un jeu. Cependant, Weatherly et Brandt (2004) n'ont pas réussi à trouver une association entre le comportement de jeu et les caractéristiques de récompense. D'autres études (e.g., Coates et Blaszczynski, 2013 ; Dixon et al., 2006) ont rapporté une relation significative entre le comportement de jeu et les caractéristiques de récompense. Dixon et al. (2006) ont constaté que les joueurs préfèrent les jeux avec des gains plus fréquents mais plus petits aux jeux avec des gains moins fréquents et importants et est conforme aux conclusions de Coates et Blaszczynski (2013).

1. Jackpot Bobde 200 %
2. Tropezia PalaceBonus de bienvenue du casino 100 % JUSQU'À 100 €
3. DublinbetBonus de bienvenue de 250 $, tours bonus gratuits
4. GratoWinBonus de bienvenue du casino 100 % JUSQU'À 200 €
5. Spin MillionBonus de bienvenue du casino 100 % JUSQU'À 9 000 $
machine à sous entièrement gratuite

Delfabbro et Winefield (1999) ont étudié les jeux de hasard dans une étude observationnelle de 21 joueurs de machine de poker occasionnels. Il a été constaté que des victoires plus importantes perturbent les taux de réponse, ce qui donne lieu à des pauses plus importantes post-renforcement, tandis que les taux de réponse ont été maintenus par de petites récompenses. Sharpe et al. (2005) ont conçu huit machines de jeu expérimentales et étudié 210 participants. Ils ont évalué le jeu problématique (avec l'écran de jeu des chênes South [SOGS]). Plus de joueurs à problèmes que les joueurs non-problème ont utilisé des accepteurs de factures de dénomination élevés et pari plus d'un dollar par pari. Ils ont conclu que la réduction des niveaux de pari maximale était la seule modification susceptible d'être efficace comme stratégie de minimisation des dommages pour les joueurs à problèmes. Livingstone et Woolley (2008) ont constaté que les joueurs choisissaient la taille des paris et le nombre de lignes dans les machines à sous pour maximiser leur fréquence de victoires.

En ce qui concerne les auteurs actuels, une seule étude qui a examiné la relation entre les caractéristiques structurelles et le comportement de jeu dans un cadre réel. Leino et al. (2015) ont eu accès aux données de 31 109 joueurs norvégiens qui ont joué sur des ALV en janvier 2010. Ils ont défini le nombre individuel de paris effectués sur les jeux comme la variable dépendante, tandis que les caractéristiques de récompense d'un jeu (c'est-à-dire.e., pourcentage de récupération, fréquence des coups, taille des gains et taille du jackpot) et caractéristiques de mise d'un jeu (c'est-à-dire.e., gamme d'options de pari et disponibilité d'options de pari avancées) étaient les variables indépendantes. Leurs résultats ont montré que le nombre de paris était positivement associé au pourcentage de remboursement, à la fréquence des coups sûrs, au fait d'être une femme et à l'âge, et négativement associé à la taille des gains et à la gamme d'options de paris disponibles. Les caractéristiques de récompense et les options de paris expliquaient respectivement 27 % et 15 % de la variance du nombre de paris effectués.

À ce jour, l'association entre les caractéristiques structurelles et le comportement n'a pas été étudiée dans un environnement de jeu en ligne. Par rapport au jeu terrestre, les transactions de jeu en ligne sont toujours attribuées à un compte et donc (c'est supposé) une personne. Ces dernières années, des études de suivi comportemental ont étudié un certain nombre d'aspects différents du jeu et du jeu problématique. Ukhov et al. (2021) a étudié la différence entre les paris de casino en ligne et les paris sportifs (n = 10 000). Ils ont constaté que le nombre de paris de trésorerie par journée active avait le plus contribué à l'auto-exclusion liée au jeu parmi les paris sportifs en ligne, tandis que le volume d'argent dépensé a le plus contribué à une auto-exclusion liée au jeu parmi les joueurs de casino en ligne.

Philander (2014) a utilisé les données de suivi (à partir d'un ensemble de données accessible au public utilisé par Braverman et Shaffer [2012]) comprenant un échantillon de paris de paris sportifs d'action en direct pour identifier les joueurs en ligne à haut risque et a constaté que l'intensité des paris (le nombre moyen de paris par jour), la variabilité (écart-type des paris), la fréquence (le nombre de jours de paris pendant la période d'observation) et la trajectoire (un modèle de régression linéaire avec pari comme variable dépendante et un numéro de séquence comme prédicteur), ainsi que Comme l'âge et le sexe étaient insuffisants pour classer les joueurs de désordre probables avec une précision raisonnable. Philander (2014) a rapporté qu'une précision de classification élevée était généralement accompagnée d'un taux de faux positif plus élevé.

Auer et Griffiths (2017) ont utilisé des données de suivi des joueurs pour comparer le jeu autodéclaré avec le jeu réel. Ils ont constaté que les joueurs ont sous-estimé leurs pertes et surestimé leurs gains. D'autres études utilisant des données de suivi des joueurs ont recherché les effets du cadre de limite volontaire (E.g., Auer & Griffiths, 2013), les effets des commentaires personnalisés (E.g., Auer et Griffiths, 2015), et l'auto-exclusion (E.g., Percy et al., 2016). Plus précisément, Auer et Griffiths (2013) ont constaté qu'en ce qui concerne le contrôle des dépenses monétaires, les joueurs de casino en ligne bénéficiaient davantage de limites d'argent volontaires et les joueurs de poker en ligne ont profité davantage des délais volontaires. Auer et Griffiths (2015) ont constaté que les joueurs en ligne recevant des commentaires personnalisés passaient beaucoup moins de temps et d'argent par rapport aux contrôles qui n'ont pas reçu de commentaires personnalisés. Percy et al. (2016) ont comparé les techniques d'apprentissage automatique pour la prédiction de l'auto-exclusion des joueurs en ligne et ont rapporté que la technique de forêt aléatoire comme étant la plus efficace.

La présente étude a étudié l'association entre les caractéristiques structurelles et les comportements de jeu en ligne dans un cadre écologiquement valide en utilisant les données des joueurs réels de cinq pays (Allemagne, Autriche, Royaume-Uni, Pologne et Slovénie). Les enquêtes les plus récentes menées dans chacun de ces pays montrent que la prévalence du jeu problématique est relativement faible: 0.39% en Allemagne (Banz, 2019), 1.1% en Autriche (Kalke et al., 2018), 0.6% au Royaume-Uni (Gambling Commission, 2020), 1.1% en Pologne (Lelonek-Kuleta et al., 2020), et 1.45% en Slovénie (Makarovič, 2010). De plus, la plupart des données suggèrent que la prévalence du jeu problématique en ligne est plus élevée que celle du jeu hors ligne (Mora-Salgueiro et al., 2021) Mais il convient également de noter que la plupart des joueurs en ligne jouent également hors ligne (Wardle et al., 2011).

Les auteurs ont supposé que les caractéristiques structurelles seraient associées à un comportement de jeu. Sur la base de recherches antérieures, on s'attendait à ce que le comportement de jeu soit positivement associé au pourcentage de récupération, à la fréquence des victoires, à la taille des victoires et à la possibilité de varier la taille du pari d'un pari dans un jeu.

Méthode

Les auteurs avaient accès aux données d'un grand opérateur de jeu en ligne européen avec des joueurs d'Allemagne, d'Autriche, du Royaume-Uni, de Pologne et de Slovénie. Chaque pari et chaque victoire au moment respectif était disponible du 27 novembre 2020 au 15 avril 2021.

Procédure

Sur la base des transactions brutes qui comprenaient chaque pari et gagnant, les auteurs ont calculé le nombre de séances de jeu. S'il y avait plus de quinze minutes entre deux paris, il a été défini sur le plan opérationnel comme une nouvelle session à des fins d'analyse des données. Les paris qui se sont produits à moins de 15 minutes ou moins les uns des autres ont été comptés comme dans les paris de session. Seules les sessions au cours desquelles un type de jeu particulier a été joué ont été utilisées pour une analyse plus approfondie. Les sessions avec plus d'un type de jeu particulier ont été écartées de l'analyse. Les auteurs n'ont sélectionné que des sessions avec un type de jeu, car l'étude examinait l'effet des caractéristiques structurelles d'un jeu particulier sur des caractéristiques de résultats spécifiques (c'est-à-dire.e., la perte théorique de la session et le nombre de parties jouées). S'il y avait plus d'un type de jeu joué dans une session, il ne serait pas possible d'attribuer les variables dépendantes aux caractéristiques structurelles d'un jeu spécifique.

Goûter

L'échantillon comprenait 763 490 sessions entre le 27 novembre 2020 et le 15 avril 2021 en utilisant les données de 43 731 joueurs. L'âge moyen était de 43 ans (ET = 13.11) et 17.4% étaient des femmes. En moyenne, les hommes avaient 41 ans.80 ans (ET = 13.29) et les femmes âgées de 43 ans (ET = 12.18). Au total, 598 jeux différents ont été joués. Seuls les jeux avec au moins 100 000 paris sur la période d'observation ont été pris en compte. Afin de calculer les métriques mathématiques pour chaque jeu, un nombre spécifique d'observations devait être disponible. Le portefeuille de jeux de l'opérateur de jeu en ligne se composait de six groupes de jeux (c'est-à-dire.e., blackjack, blackjack en direct, roulette, roulette en direct, vidéo poker et jeux de machines à sous). La majorité des jeux joués étaient des jeux de machines à sous.

Mesures

Un certain nombre de caractéristiques de jeu ont été calculées pour toutes les transactions disponibles pour chacun des 598 jeux qui avaient au moins 100 000 paris. C'étaient:

Pour chaque session, un certain nombre de mesures ont été calculées. Contrairement aux métriques ci-dessus, les métriques ci-dessous ont été calculées pour chaque session sur tous les jeux joués dans cette session (plutôt que pour chaque jeu sur tous les joueurs). Certaines mesures (e.g., Parit moyen, victoire moyenne, RTP, etc.) peut être calculé pour un jeu spécifique ainsi que pour une session. Les mesures en session étaient:

analyses statistiques

L'analyse de régression linéaire (Massaron et Boschetti 2016) a été utilisée pour examiner la relation entre les variables de session dépendantes et les variables de session indépendantes ainsi que les caractéristiques du jeu et les informations démographiques. Des algorithmes d'arbres de régression (Lewis, 2000) ont été utilisés pour expliquer davantage les relations entre les variables dépendantes et indépendantes. Le langage de programmation Python a été utilisé pour l'analyse statistique (Van Rossum et Drake 1995). Les auteurs ont choisi le nombre de paris dans une session et la perte théorique de session comme variables dépendantes.

Résultats

Le tableau 1 rapporte les caractéristiques du jeu pour chacun des six groupes de jeu. Les nombres ont été calculés en fonction des données brutes collectées entre le 27 novembre 2020 et le 15 avril 2021. Au total, il y avait 598 jeux différents et pour chaque jeu, les caractéristiques respectives ont été calculées. La plupart des jeux étaient des machines à sous. Blackjack, le blackjack et la roulette en direct étaient des jeux autonomes. Au total, plus d'un milliard de paris uniques ont été analysés (n = 1 108 447 229). C'était la somme de tous les nombres du «nombre de paris». Parmi ceux-ci, 96.7% de paris ont été fabriqués sur des emplacements (1 071 817, 666/1 108 447 229). Le groupe de jeux le plus fréquent suivant était la roulette en direct avec 1.7% de tous les paris (19 054 053 / 1,108 447 229).

Le plus petit pari moyen par jeu unique a été fabriqué sur des créneaux (1 € 1 €.15) Et le plus gros pari moyen par match unique a été fabriqué en blackjack en direct (49 €.83). Cela était également vrai pour la victoire moyenne pour un seul match, l'écart type du pari et l'écart type de la victoire pour un seul match. La victoire moyenne sur les matchs de slots pour un seul match était de 1 €.15. La victoire moyenne pour le blackjack en direct pour un seul match joué était de 48 €.31. En ce qui concerne la fréquence de coup, le joueur de machines à sous moyen a gagné chaque troisième match. Les joueurs de blackjack en direct ont gagné en moyenne à chaque deuxième match. Le RTP variait entre 96% et 98%. Les jeux de blackjack et de vidéo poker ont payé 98% des pariers sous forme de gains. La valeur respective des machines à sous était de 96%.

Sessions for Slots Games a duré en moyenne 67 minutes alors que pour le blackjack en direct et la roulette en direct, c'était 36 min. La fréquence des événements entre deux jeux de machines à sous était en moyenne 6.14 comparé à 10 s entre deux jeux vidéo poker et 76 s entre deux jeux de blackjack en direct. Avec 40.87 S et 50.92 S, les jeux de machines à sous et le vidéo poker avaient les écarts-types les plus bas en relation avec la fréquence des événements. Blackjack en direct avait le plus grand écart-type (99.22 s).

Tableau 1 Caractéristiques du jeu pour chaque groupe de jeux sur tous les paris entre le 27 novembre 2020 et le 15 avril 2021

Au cours des 763 490 séances au cours desquelles un jeu a été joué, la durée moyenne de la session était de 43.58 min, la perte moyenne était de 25 €.69, et le montant moyen de la mise était de 835 €.15. La perte théorique moyenne était de 25 €.90, et le nombre moyen de paris était de 145.17. La fréquence moyenne des coups était de 3.7, ce qui signifie que les joueurs ont en moyenne gagné environ tous les quatre matchs d'une session.

Le tableau 2 présente le résultat d'un modèle de régression linéaire avec le nombre de paris dans une session comme variable dépendante et les caractéristiques du jeu comme variables indépendantes. Le R 2 était de 7.7%. Au seuil de 5 %, chaque variable a contribué de manière significative au modèle. Le pari moyen et l'écart type de la fréquence de l'événement avaient des coefficients négatifs. Cela signifie que les jeux avec des paris moyens plus importants sont associés négativement au nombre de paris dans une session. Plus la variation de la fréquence des événements d'un jeu est importante, plus le nombre de paris par session est faible.

Tableau 2 Modèle linéaire avec le nombre de paris dans une session en tant que variable dépendante et caractéristiques de jeu en tant que variables indépendantes

À l'étape suivante, des mesures spécifiques à la session et des informations démographiques ont été ajoutées à la liste des variables indépendantes. Le r 2 de ce modèle avec 18 variables indépendantes était de 8.8%. Le pourcentage de la variance expliquée par le modèle qui comprenait également les mesures et les données démographiques spécifiques à la session était donc significativement plus grande par rapport au modèle qui ne comprenait que les caractéristiques du jeu qui expliquaient 7.7% de la variance de la variable dépendante (F = 1 221, p < 0.001).

Le tableau 3 montre le modèle linéaire avec le nombre de paris dans une session en tant que variable dépendante et caractéristiques du jeu, mesures spécifiques à la session et informations démographiques comme variables indépendantes. Sauf pour une caractéristique de jeu («Wincarning Win») Toutes les variables indépendantes ont contribué de manière significative à l'explication du nombre de paris dans une session. Le pari maximum dans une session, le pari moyen d'une session et l'écart type des gains dans une session avaient tous des coefficients négatifs. Cela signifie que des valeurs plus importantes de ces variables indépendantes sont associées à un nombre plus faible de paris dans une session. Les variables démographiques ont contribué de manière significative à l'explication du nombre de paris dans une session. L'âge et être une femme avaient des coefficients positifs.

Tableau 3 Modèle linéaire avec le nombre de paris dans une session en tant que variable dépendante, les mesures spécifiques aux caractéristiques du jeu et les informations démographiques en tant que variables indépendantes

Afin de comprendre l'importance des différentes variables indépendantes, un arbre de régression a été calculé. Les données ont été divisées en une formation de 80% et un ensemble de tests de 20%. Le R 2 sur l'ensemble de tests était de 26%. La première variable choisie par l'arbre de régression était la «fréquence d'événements» caractéristique du jeu du jeu. Le seuil choisi était de 11.79 s. Sessions avec un jeu qui avait une fréquence d'événement inférieure à 11.79 avait en moyenne 241 paris. Sessions avec un jeu qui avait une fréquence d'événements supérieure à 11.79 avait en moyenne 39 paris. La deuxième variable la plus importante était le montant maximum gagné sur un seul pari dans une session. Sessions avec un jeu qui avait une fréquence d'événement inférieure à 11.79 et un montant maximum gagné de plus de 38 € en moyenne avait 505 paris.

Une analyse d'importance caractéristique a montré que la variable la plus importante globale était le montant maximum gagné sur un seul pari dans une session, suivi de la fréquence d'événement du jeu joué, suivi du montant moyen gagné par match joué lors d'une session. Toutes les autres variables indépendantes ont été négligeables dans le modèle d'arbre de régression. Afin d'examiner la relation entre les caractéristiques du jeu et la perte théorique, un modèle linéaire avec la perte théorique de session en tant que variable indépendante a été calculée. Le R 2 résultant était 4.4%.

Tableau 4 Modèle linéaire avec perte théorique dans une session en tant que variable dépendante et caractéristiques de jeu en tant que variables indépendantes

À l'étape suivante, des mesures spécifiques à la session et des informations démographiques ont été ajoutées à la liste des variables indépendantes. Le r 2 de ce modèle avec 18 variables indépendantes était de 34%. Le pourcentage de la variance expliquée par ce dernier modèle qui comprenait également les mesures et les données démographiques spécifiques à la session était significativement plus grande par rapport au modèle qui ne comprenait que les caractéristiques du jeu et expliquée 4.4% de la variance. La différence entre les deux modèles était statistiquement significative (F = 25 764, p < 0.001). The hit frequency of a game, the standard deviation of the event frequency of a game, the session hit frequency, age and being female were not significantly associated with the session theoretical loss.

Tableau 5 Modèle linéaire avec perte théorique dans une session en tant que variable dépendante, paramètres spécifiques aux caractéristiques du jeu et informations démographiques en tant que variables indépendantes

Discussion

L'objectif de la présente étude était d'explorer la relation entre les caractéristiques structurelles du jeu, la démographie, les mesures de session et le comportement de jeu. Le comportement de jeu a été mesuré en utilisant le nombre de paris et la perte théorique d'une session de jeu. La perte théorique a été choisie sur la base de l'étude de simulation par Auer, Schneeberger et Griffiths (2012). Ils ont conclu que la perte théorique est une mesure plus fiable de l'intensité du jeu que la taille du pari. Le nombre de paris a été choisi pour être en mesure de comparer les résultats de la présente étude avec ceux de Leino et al. (2015). En utilisant les données fournies par un opérateur de jeu européen, la présente étude a calculé toutes les séances de jeu en ligne dans lesquelles un seul jeu a été joué entre le 27 novembre 2020 et le 15 avril 2021. Cette approche a été choisie afin de pouvoir calculer la corrélation entre les caractéristiques structurelles de chaque jeu et l'intensité de jeu. Les résultats d'une analyse de régression linéaire ont montré que 7.7% de la variance du nombre de paris placés dans une session a été expliquée par les caractéristiques structurelles du jeu.

Leino et al. (2015) ont constaté que 42% de la variation du nombre de paris a été expliquée par les caractéristiques structurelles des jeux. Cependant, leur étude était basée sur des terminaux de loterie vidéo (VLT) en Norvège. Les jeux respectifs avaient également des RTP beaucoup plus bas, alors que dans la présente étude, aucun des groupes de jeux n'avait un RTP inférieur à 96%. Dans Leino et al.Étude (2015), le RTP minimum était de 84% et le RTP maximum était de 93.04%.

La caractéristique structurelle la plus importante en ce qui concerne le nombre de jeux joués dans la présente étude était la fréquence des événements. Plus la fréquence des événements est élevée, plus le nombre de jeux joués dans une session. Dans une revue systématique (n = 11 études), Harris et Griffiths (2018) ont constaté que les jeux avec des vitesses de jeu plus rapides étaient préférés et considérés comme plus excitants pour tous les joueurs, allant des joueurs non-problème aux joueurs problématiques. Ils ont également constaté que les jeux rapides étaient particulièrement attrayants pour ceux qui ont signalé un problème de jeu. Harris et Griffiths (2018) ont également conclu que les résultats comportementaux étaient plus incohérents entre les études, bien que la tendance générale ait soutenu l'idée que les jeux avec des vitesses de jeu plus rapides ont encouragé plus de paris, le jeu plus long et ont causé les joueurs (en particulier les joueurs de problème) à éprouver des difficultés en cessant de jouer. L'association entre la vitesse du jeu et le plus grand nombre de paris était également apparente dans la présente étude.

Le pari moyen d'un jeu était négativement associé au nombre de paris dans une session. Cela signifie que les jeux avec des paris moyens généralement plus importants ont conduit à des séances avec un nombre plus faible de paris. Cela est également compréhensible car les joueurs pourraient manquer de fonds plus tôt s'ils jouent sur des jeux plus élevés. D'autres recherches ont également rapporté que des jeux avec des pari plus importants sont joués pendant moins de temps (Sharpe et al., 2005).

Dans la présente étude, les jeux avec des victoires moyennes plus importantes étaient associés à un plus grand nombre de paris au cours de la session. Cela contredit Leino et al.Les résultats (2014) parmi les joueurs VLT qui ont constaté que les matchs avec des victoires moins fréquentes et des victoires plus petites étaient positivement associées à plus de paris réalisés. Une raison de cette différence pourrait être les données qui ont été utilisées par les deux études. Leino et al. (2014) ont utilisé des données de VLTS tandis que la présente étude a utilisé les données des casinos en ligne. Dans les deux études, le blackjack et la roulette faisaient partie du portefeuille de jeux. Leino et al. (2014) ont signalé un RTP pour le blackjack et la roulette de 90.34% et 84.80% respectivement alors que dans la présente étude, le RTP pour le blackjack et la roulette était respectivement de 98% et 97%. La roulette a un avantage mathématique de 2.7% qui se traduit par un RTP de 97.3%, ce qui est beaucoup plus proche des chiffres rapportés dans la présente étude. D'autres recherches ont également conclu que des gains plus petites sont associés à un jeu prolongé (e.g., Delfabbro & Winefield, 1999). Cependant, il convient de noter que bien que l'étude de Delfabbro et Winefield soit également basée sur le jeu intra-session, les données ont été collectées en observant visuellement les joueurs (plutôt que d'utiliser des données de suivi).

Outre les caractéristiques du jeu, la présente étude a également associé des mesures de session telles que le pari moyen, la victoire moyenne, la victoire maximale et le pari maximum avec le nombre de paris au cours de la session. La qualité du modèle a été significativement améliorée, bien que le R 2 ne soit augmenté que de 7.7 à 8.8%. Une analyse des arbres de régression ultérieure a révélé que la victoire maximale au cours de la session était la métrique la plus importante pour expliquer le nombre de paris dans une session.

Cela signifie que les joueurs qui subissent une grande victoire à un moment donné dans la session jouent également plus de jeux. À ce jour, la recherche sur le jeu a décrit la poursuite des pertes (Breen et Zuckerman, 1999) comme une augmentation du jeu après une série de pertes. Cependant, la poursuite des gains n'a pas été étudiée auparavant empiriquement. Une des raisons pour un plus grand nombre de paris dans le cas d'une plus grande victoire en session pourrait simplement être que les joueurs ont plus d'argent disponible et donc plus longtemps. Par conséquent, les jeux qui offrent des victoires plus importantes pourraient conduire à des séances de jeu plus longues.

Le premier nœud d'une analyse d'arbre de régression était la caractéristique structurelle de la fréquence des événements. Jeux qui durent en moyenne moins de 11.79 s a conduit à des séances de jeu avec un plus grand nombre de paris. De plus, un classement de l'importance des variables indépendantes a montré que les caractéristiques structurelles de la fréquence des événements et la victoire maximale au cours de la session étaient seuls responsables d'un R 2 de 26%. La contribution de toutes les autres variables de session, caractéristiques structurelles et informations démographiques était mineure.

Conformément à Auer et al. (2012), la perte théorique semble être une métrique plus valable de l'intensité du jeu que le nombre de paris fabriqués. La perte théorique reflète le montant qu'un joueur aurait perdu compte tenu du montant parié et du RTP du jeu respectif. Dans un modèle linéaire, les caractéristiques du jeu ne sont expliquées que 4.4% de la variation de la perte théorique au cours de la session. Un modèle qui comprenait également des mesures de session ainsi que des données démographiques expliquaient 34% de la variation de la perte théorique d'une session. L'âge et le sexe n'étaient pas significatifs. Cela signifie que l'intensité de jeu monétaire d'une session s'explique mal par les caractéristiques structurelles d'un jeu. Le montant maximum BET, le montant gagné, le pari moyen, la victoire moyenne et les écarts-types de pari et la victoire à tous les cycles joués au cours de la session sont beaucoup plus prédictifs de la perte théorique. Les joueurs peuvent contrôler combien ils parient à chaque tour, mais ils ne peuvent pas contrôler combien ils gagnent. Cependant, il semble que le montant gagné dans une session contribue de manière significative à l'intensité de jeu monétaire.

Limites

La présente étude a utilisé des données d'un grand opérateur de casino en ligne avec des acteurs de plusieurs pays européens. Les auteurs pensent que le portefeuille de jeux de cet opérateur reflète celui d'un opérateur de jeu en ligne typique. Cependant, les données de la présente étude étaient limitées à un seul opérateur et il ne peut pas être exclu que les données d'autres opérateurs conduiraient à des résultats différents. De plus, cet opérateur n'a pas proposé de jeux basés sur des tirages ou de jeux instantanés qui sont généralement offerts par les loteries en ligne. Les recherches futures devraient viser à valider les résultats de la présente étude avec des données de différents opérateurs et un plus large éventail de pays. Il pourrait également être intéressant de combiner des données secondaires avec les données d'auto-évaluation des joueurs eux-mêmes. Cela fournirait des informations importantes sur les perceptions des joueurs sur les caractéristiques structurelles et l'impact potentiel sur le jeu problématique. D'autres facteurs qui pourraient être étudiés pour voir ce qui est associé à la durée de la session et à la perte théorique dans les études futures pourrait inclure des facteurs tels que le «rechargement» monétaire des portefeuilles, les paris secondaires et in vivo vs. paris latéraux différés.

Conclusions

Il y a relativement peu de recherches concernant l'impact des caractéristiques structurelles sur le comportement de jeu et le jeu problématique. Cela est surprenant étant donné que le jeu est le produit qui est au centre de l'activité. La plupart des recherches concernant les caractéristiques structurelles ont été basées sur des données d'auto-évaluation ou des opinions d'experts. La présente étude n'est que la deuxième étude à étudier l'impact des caractéristiques structurelles basées sur les données réelles des joueurs réels et est le premier à utiliser les données de casino en ligne. Compte tenu du nombre croissant de pays d'Europe qui ont introduit et légalisé le jeu en ligne, un aperçu de l'influence des caractéristiques structurelles sur le comportement de jeu est un sujet important. Le dernier règlement de jeu en ligne aux Pays-Bas oblige les candidats à la licence pour soumettre une évaluation des risques des jeux qu'ils prévoient d'offrir. La présente étude a révélé que seulement 7.7% de la variance du nombre de jeux joués dans une session de jeu en ligne a été expliqué par les caractéristiques structurelles du jeu. Cela signifie que 92.3% de la variance s'explique par d'autres variables (e.g., Les caractéristiques individuelles d'un joueur telles que le sexe, l'âge, etc.). Les auteurs ont également calculé des mesures qui reflètent l'expérience spécifique d'une session des joueurs. Un algorithme basé sur l'arbre à apprentissage avec les caractéristiques structurelles et les mesures de session expliquaient 26% de la variance du nombre de jeux joués. Une analyse plus approfondie a montré que les caractéristiques structurelles de la fréquence des événements et la victoire maximale au cours de la session étaient seuls responsables de la qualité du modèle. Cela signifie que le jeu potentiellement excessif pourrait être une conséquence des caractéristiques structurelles ainsi que des événements aléatoires (dans la présente étude, une grande victoire). Compte tenu de cette constatation, les opérateurs de jeux de jeux en ligne pourraient potentiellement afficher des messages pop-up après de grandes victoires afin d'empêcher les joueurs de jouer excessifs ultérieurs. Les messages pop-up pourraient pousser les joueurs à faire une pause ou à retirer et à prendre leurs gains étant donné que les commentaires personnalisés aux joueurs en ligne en fonction de leur comportement de jeu réel peuvent aider à permettre le changement de comportement (Auer & Griffiths, 2014).

Les références

Partenaires de casino associés