多维损失追逐行为在在线赌博中的预测价值：基于优化阈值的赌博危害预测模型研究

本研究针对赌博障碍( Gambling Disorder )的核心临床标准——损失追逐行为( loss chasing )，创新性地提出多维评估框架（投注金额、赔率、投注间隔时间），通过ROC分析和机器学习优化阈值，对比中位数分割与连续形式的预测效能。研究纳入36,331名在线体育博彩玩家和34,596名每日梦幻体育( DFS )玩家行为数据，发现优化阈值对体育博彩玩家的投注金额和赔率维度具有显著预测价值（p<0.05），但多维模型拟合度欠佳。该研究为赌博危害的早期识别提供了可量化的行为标记，成果发表于《Journal of Gambling Studies》。

　　

赌博行为研究领域长期面临一个棘手难题：如何从海量行为数据中识别出可能发展为病态赌博的高风险人群？其中，"损失追逐行为"(loss chasing)——即赌客在亏损后加大投注试图翻本的现象，被《精神障碍诊断与统计手册》第五版(DSM-5)列为赌博障碍(Gambling Disorder)的核心诊断标准。然而现有研究大多依赖主观报告，仅有8项研究采用客观行为数据，且存在三大局限：对"赌博时段"定义模糊、测量维度单一（仅关注投注金额或频率）、跨赌博产品比较缺失。

剑桥健康联盟成瘾研究部门与哈佛医学院的研究团队在《Journal of Gambling Studies》发表的最新研究，通过分析两大赌博平台（bwin体育博彩和DraftKings每日梦幻体育）共计70,927名玩家的真实行为数据，首次系统评估了多维损失追逐概念的预测价值。研究创新性地提出三维度测量框架：投注金额(bet size)增幅、赔率(betting odds)升高、投注间隔时间(time between bets)缩短，并引入机器学习优化分类阈值，为赌博危害的早期预警提供了客观量化工具。

研究采用三项关键技术：1) 基于z-score标准化构建连续型追逐指标，仅当玩家前次投注亏损时才计分；2) 通过ROC曲线分析确定两种候选阈值（Youden指数最大化和灵敏度最大化），再采用四种机器学习算法（逻辑回归、贝叶斯网络、神经网络、随机森林）筛选最优阈值；3) 建立多层次线性模型评估追逐行为对"损失轨迹"(loss trajectory)和"净损失月变化率"(percent change in net loss)的预测效应，控制平均投注额及其交互作用。

【主要发现】

1. 阈值优化验证：机器学习显示Youden指数阈值更具判别力，体育博彩队列的逻辑回归模型AUC达0.602，DFS队列的贝叶斯网络AUC为0.701。但SMOTE平衡后分类性能仍属中等，反映追逐行为与自我排除(VSE)的复杂关系。

2. 维度间相关性：Spearman检验显示三维度相关性微弱（ρ<0.36），支持多维概念假设。但体育博彩玩家中，投注金额与赔率追逐的优化阈值模型AIC最低（182042），预测力显著优于连续形式（p<0.05）。

3. 产品特异性效应：仅体育博彩玩家的投注金额追逐能稳定预测损失轨迹（β=19.2, p=0.02），而DFS玩家所有维度均无显著关联甚至呈负相关。敏感性分析发现，当用对数投注额替代原始值时，所有效应消失，提示追逐行为的影响受基础投注水平调节。

4. 多维模型局限：逐步AIC选择未能构建出三维度联合预测模型，最佳模型仅包含单维度（投注金额或赔率），反映各维度可能存在竞争性预测机制。

讨论部分指出，这项研究首次证实：基于机器学习的优化阈值能提升赌博危害预测精度，但效果仅体现在特定维度（投注金额、赔率）和特定产品（体育博彩）。值得注意的是，追逐行为对DFS玩家的保护性效应（即与损失减少相关）可能源于该游戏的技能成分——玩家在失利后更可能调整策略而非盲目加注。研究同时揭示了当前测量框架的局限性：连续型指标预测力薄弱，而多维模型未能实现预期协同效应。

这项研究的临床意义在于为赌博平台的风险监测系统提供了可操作参数，建议针对不同游戏类型制定差异化的预警阈值。未来研究需整合更多行为维度（如累计亏损额），并在多平台数据中验证阈值的泛化能力。论文最后强调，虽然追逐行为是赌博障碍的显著标志，但其预测价值可能被一般赌博参与度所掩盖，这为精准化预防策略的开发指明了方向。