Understanding cybervictimization through smartphone addiction, online gambling and routine activities: an integrated approach using PLS-SEM and Machine Learning

The increasing diffusion of digital technologies and the intensification of online activities have led to a significant rise in cybervictimization phenomena, making it essential to understand the behavioural and situational factors influencing risk exposure. This Master Thesis analyses the role of smartphone addiction, online gambling behaviour, and digital routines in explaining vulnerability to cybervictimization, integrating Lifestyle-Routine Activity Theory (L-RAT) within a unified empirical framework. The study is based on a national dataset and adopts an integrated methodological approach combining Partial Least Squares Structural Equation Modelling (PLS-SEM) and Machine Learning techniques. PLS-SEM is employed to test the structural relationships among theoretical constructs, modelling L-RAT as a second-order formative construct, while a Random Forest model is used to assess predictive performance and variable importance. The results indicate that smartphone addiction and specific L-RAT dimensions, particularly Proximity to motivated offenders, are significantly associated with cybervictimization risk. Online gambling behaviour emerges as a factor that amplifies routine-based exposure mechanisms, whereas social support plays a protective role. The integration of explanatory and predictive modelling reveals convergence between theoretical relevance and predictive importance of key variables. The study provides a dual contribution: it reinforces the applicability of LifestyleRoutine Activity Theory in contemporary digital environments and demonstrates the value of integrating structural modelling with machine learning algorithms for the analysis of online behavioural risk.

La crescente diffusione delle tecnologie digitali e l’intensificarsi delle attività online hanno determinato un aumento significativo dei fenomeni di cybervittimizzazione, rendendo necessario comprendere i fattori comportamentali e situazionali che ne influenzano il rischio. Questa Tesi Magistrale analizza il ruolo della dipendenza da smartphone, del comportamento di gioco d’azzardo online e delle routine digitali nella spiegazione della vulnerabilità alla cybervittimizzazione, integrando la Lifestyle-Routine Activity Theory (L-RAT) in un modello empirico unificato. L’analisi si basa su un dataset nazionale e adotta un approccio metodologico integrato che combina Partial Least Squares Structural Equation Modeling (PLS-SEM) e Machine Learning. Il PLS-SEM è utilizzato per testare le relazioni strutturali tra i costrutti teorici, modellando la L-RAT come costrutto di secondo ordine formativo, mentre un modello Random Forest è impiegato per valutare la capacità predittiva delle variabili considerate. I risultati mostrano che la dipendenza da smartphone e alcune dimensioni della L-RAT, in particolare la Proximity to motivated offenders, rappresentano fattori significativamente associati al rischio di cybervittimizzazione. Il gioco d’azzardo online emerge come elemento che amplifica i meccanismi di esposizione routinaria al rischio, mentre il supporto sociale assume un ruolo protettivo. L’integrazione tra modellazione esplicativa e predittiva evidenzia una convergenza tra rilevanza teorica e importanza predittiva delle variabili chiave. Il contributo della ricerca è duplice: da un lato, rafforza l’applicabilità della LRAT nei contesti digitali contemporanei; dall’altro, dimostra il valore dell’integrazione tra approcci strutturali e algoritmi di apprendimento automatico per l’analisi del rischio comportamentale online.