Screening of online gambling problems

La pratique des jeux de hasard et d’argent (JHA) est une activité de loisir, qui peut s’avérer problématique. En effet, certains joueurs peuvent perdre le contrôle sur leur pratique de jeu et subir des conséquences négatives d’ordre social, personnel ou professionnel. De plus, les personnes jouant à des JHA sur Internet seraient particulièrement à risque de développer des problèmes de jeu. Le repérage des pratiques de jeu problématiques, en particulier sur Internet, constitue une étape importante dans la mise en place de mesures de prévention. L’objectif principal de cette thèse était de réaliser une typologie des comportements de jeu en ligne pour pouvoir identifier des comportements de jeu à risque. Pour ce faire, une analyse en classes latentes multi-niveaux a été effectuée à partir des données d’activité de jeu de personnes possédant un compte sur le site d’un opérateur de jeu. Le modèle a permis de mettre en évidence des clusters de comportements de jeu mensuels distincts, et notamment des comportements de jeu pouvant être considérés comme problématiques. Nous avons également identifié des profils de joueurs dont certains pourraient correspondre à des joueurs à risque. En couplant ces résultats à des données rapportées par les joueurs grâce à des questionnaires, il serait possible de mettre en place des mesures de prévention ciblées selon les profils des joueurs.Gambling is a leisure activity which can turn out to be problematic. Indeed, some gamblers can lose control over their gambling practice and suffer negative social, personal or professional consequences. Moreover, people who gamble online seem to be particularly at risk of gambling problems. Screening of problematic gambling practices, in particular on the Internet, is an important step in the setting of prevention measures. The main objective of the present thesis was to define a typology of online gambling behaviors, in order to identify risky gambling behaviors. A multilevel latent class cluster analysis was performed based on player account-based data of gamblers owning an account on a gambling operator website. The model highlighted distinct clusters of monthly gambling behaviors, including ones corresponding to likely problematic gambling behaviors. We also identified gamblers profiles, some of which could correspond to at risk gamblers. By linking these results with gambler reported data collected through questionnaires, it would be possible to set up targeted prevention measures, adapted to gamblers profile