Typologie des comportements de jeu sur Internet et identification des pratiques à risque : analyse en classes latentes multi-niveaux à partir des données d’un opérateur de jeu en ligne

Introduction La majorite des individus jouant a des jeux de hasard et d’argent (JHA) jouent de maniere controlee et recreative. Mais certains joueurs perdent le controle de leur pratique de jeu et developpent une addiction aux JHA entrainant des consequences negatives d’ordre social, personnel ou professionnel. On estime que 17 % des individus ayant joue a des JHA sur Internet au moins une fois dans l’annee ont souffert de problemes lies au jeu, contre 3,9 % pour les jeux hors ligne. Cela semble confirmer le caractere a priori plus addictogene des JHA en ligne. La pratique des JHA sur Internet genere de nombreuses donnees recoltees en continu par les operateurs de jeu (argent mise, nombre de paris, argent depose sur le compte, retraits d’argent, etc.) qui pourraient permettre de caracteriser les comportements de jeu en ligne et d’identifier les caracteristiques des comportements de jeu a risque. Nous proposons d’etablir une typologie des comportements de jeu en ligne a l’aide d’un modele a classes latentes multi-niveaux. Methodes Nous avons utilise les donnees d’activite de jeu de 10 000 utilisateurs tires au sort parmi les clients d’un operateur de jeu en ligne francais. Pour chaque utilisateur, on disposait de donnees agregees au niveau mois pour une periode d’observation maximale de 12 mois. Un modele a classes latentes multi-niveaux a ete utilise, le premier niveau correspondant aux joueurs-mois (les observations mensuelles d’activite de jeu de chaque joueur, 12 observations par joueur), et le second niveau correspondant aux joueurs. Les joueurs-mois ont une certaine probabilite d’appartenir a des « clusters » definis par des comportements de jeu mensuels particuliers, et les joueurs ont une certaine probabilite d’appartenir a des « classes » en fonction de leur propension a etre dans tel ou tel cluster au cours des mois. Les variables utilisees etaient des indicateurs generaux de l’activite de jeu (argent mise, nombre de prises de jeu, etc.) et des indicateurs plus specifiques aux comportements a risque (depots d’argent rapproches, augmentation des montants mises, etc.). Resultats Un modele a six clusters et cinq classes a ete retenu. Le cluster 1 (40 % des joueurs-mois) correspondait a une inactivite de jeu (pas d’argent mise ou depose sur le compte). Les clusters 2 (17 %), 3 (15 %) et 4 (15 %) correspondaient a une activite de jeu moyenne. Le cluster 5 (10 %) correspondait a une forte activite de jeu. Le cluster 6 (3 %) correspondait a une tres forte activite de jeu (459 euros mises et 205 prises de jeu par mois) et etait caracterise par de nombreux jeux differents joues (11 jeux differents). La probabilite d’observer des depots rapproches etait de 57 %. Ce cluster etait aussi caracterise par une proportion elevee de jeux de grattage et de loteries immediates (80 % des prises de jeu) par rapport aux loteries differees. Enfin, la proportion de femmes dans ce cluster etait de 45 %, alors qu’elles representaient 32 % de l’echantillon global. Au niveau des classes, en particulier, les joueurs de la classe 5 (4 % des joueurs) avaient une probabilite de 68 % d’etre dans le cluster 6. Conclusion Les donnees de jeu individuelles ont permis d’identifier un cluster compose de 3 % des observations qui semble etre associe a des comportements de jeu a risque. La proportion elevee de jeux de grattage et la forte proportion de femmes dans ce cluster pourront permettre la mise en place de mesures de prevention adaptees aupres de cette population.