Policy paper: Regulace návykového designu v digitálním prostředí

1. Úvod

„Digitální závislosti” jsou stále častěji chápány jako důsledek konkrétních designových a ekonomických rozhodnutí, spíše než jako individuální selhání uživatelů. Pojem „digitální závislosti“ není jednotně definován v mezinárodních klasifikacích nemocí. Zatímco porucha hraní digitálních her (gaming disorder) je uznána WHO, širší koncept problematického digitálního užívání zůstává předmětem odborné debaty. Tento dokument proto používá širší veřejnozdravotní rámec „problematického nebo rizikového digitálního chování“. Výzkum ukazuje, že platformy a digitální produkty systematicky využívají návykové mechanismy, které podporují opakované používání a omezují schopnost přestat (Berthon et al., 2019; Montag et al., 2019; Flayelle et al., 2023). Patří sem nekonečný scroll, časté notifikace, metriky sociální odezvy nebo náhodně odměňované cykly. Tyto prvky narušují sebekontrolu a posilují kompulzivní chování napříč věkovými skupinami (Yao, 2025; Flayelle et al., 2023). Umělá inteligence (AI) dnes tyto mechanismy zesiluje. Recommender systémy a prediktivní modely umožňují hyper-personalizaci obsahu a odměn v reálném čase na základě behaviorálních dat. Tím dochází k průběžné optimalizaci uživatelské zkušenosti s cílem maximalizovat čas na platformě a míru utrácení (De et al., 2025; Chianella, 2021; Nie, 2025).

Návykový design lze chápat jako sadu designových prvků a mechanismů, které cíleně maximalizují frekvenci a délku používání služby – často skrze optimalizaci odměn a využívání psychologických zranitelností uživatelů, až po „manufacturing addictions“ a omezení autonomie (Flayelle et al., 2023; Roffarello et al., 2023; Chamorro et al., 2023). Dark patterns“ jsou pak manipulační prvky uživatelského rozhraní, které uživatele klamou, tlačí nebo jinak vedou k činům, které by za transparentních podmínek neudělali, typicky v zájmu zisku poskytovatele (např. skrytí informací, ztížení odmítnutí, asymetrické volby) (Esposito & Ferreira, 2024; Luguri & Strahilevitz, 2019; Cara, 2019; Singh et al., 2024; Chamorro et al., 2023). Ekonomické modely jako freemium nebo mikrotransakce jsou s těmito mechanismy úzce propojené. Produkty jsou prezentovány jako bezplatné, ale monetizace probíhá skrze maximalizaci času, pozornosti a následných plateb. Loot boxy představují specifický problém, protože využívají principy podobné hazardu, ale nepodléhají zákonné regulaci jako hazardní hry. Výzkum je opakovaně označuje jako „gambling-like“ mechaniky s rizikem nadměrného utrácení, zejména u mladších uživatelů (King & Delfabbro, 2018; Berthon et al., 2019). AI zároveň umožňuje optimalizovat načasování odměn, nabídky a cenové strategie, což může zvyšovat intenzitu a délku zapojení uživatelů (Mihai et al., 2025).

Dopady problematického digitálního užívání jsou široké. Systematické přehledy identifikují souvislosti s úzkostmi, depresí, poruchami spánku, školním neúspěchem a konflikty v rodině (Cemiloglu et al., 2022; Ding & Li, 2023; Carras et al., 2024; Lu et al., 2024; Žmavc et al., 2025). Nejvíce ohroženou skupinou jsou děti a dospívající, u nichž se formují návyky a schopnosti seberegulace. Neurofyziologické studie naznačují, že AI-optimalizované feedy mohou posilovat dopaminovou odezvu a oslabovat kontrolní mechanismy, zejména u mladistvých (De et al., 2025). Významná zranitelnost se ale ukazuje i u starších dospělých, kde roli hrají kognitivní změny, sociální izolace a nižší digitální gramotnost (Yao, 2025). Problematické digitální chování zároveň generuje významné socioekonomické náklady, které se promítají do psychického zdraví, akademické a pracovní výkonnosti i širšího fungování rodin a komunit, přičemž tyto externality nejsou plně internalizovány v obchodních modelech platforem, což otevírá legitimní prostor pro regulaci (Bhargava & Velasquez, 2020; Allcott, 2020; Meng et al., 2022; Shiferaw et al., 2025). Intervence zaměřené na rizikové digitální chování zatím vykazují omezenou účinnost. Existují programy s pozitivními výsledky, například kognitivně behaviorální terapie, skupinové programy nebo pohybové aktivity, ale celková evidence je roztříštěná a metodologicky slabá (Cemiloglu et al., 2022; Ding & Li, 2023; Carras et al., 2024; Lu et al., 2024). To posiluje argument pro preventivní regulaci zaměřenou na samotné mechanismy vzniku problému.

Regulační debata se posouvá směrem k rizikově orientovanému přístupu a principu předběžné opatrnosti. Ten předpokládá zásah i při neúplné evidenci, pokud je potenciální škoda významná (Yao, 2025; Welsey-Smith & Fleming, 2025). Mapování politik ukazuje, že většina států zatím řeší spíše obsahové problémy, jako je kyberšikana nebo nelegální obsah, zatímco návykový design a monetizační praktiky zůstávají nedostatečně regulovány (Lopes et al., 2025). Zkušenosti z praxe ukazují, že samoregulace průmyslu není dostatečná. Například v Nizozemsku byla zjištěna nízká míra dodržování pravidel pro loot boxy, zatímco v Jižní Koreji vedla zákonná povinnost zveřejňovat pravděpodobnosti k výrazně lepším výsledkům (Xiao, 2025; Xiao & Park, 2025). Současně se objevuje i nový typ rizika v podobě závislosti na AI nástrojích samotných, například konverzačních asistentech. Tento jev souvisí se ztrátou autonomie a oslabením kritického myšlení (Montag et al., 2025; Sokolova & Kidinov, 2025). Regulace proto musí nově cílit nejen na design a obsah, ale i na samotné algoritmické mechanismy.

2. Dostupná evidence-based opatření

2.1 Regulace designu a obchodních modelů

Regulace by se měla zaměřit přímo na konkrétní mechanismy, které podporují návykové chování. Patří sem povinnost zavádět přirozené stop body, omezení nekonečného scrollu, výchozí nastavení notifikací v režimu nerušit a požadavek aktivního souhlasu pro personalizaci obsahu (Berthon et al., 2019; Montag et al., 2019; Flayelle et al., 2023). V oblasti monetizace je klíčová regulace loot boxů. Doporučuje se povinné zveřejňování pravděpodobností výher srozumitelným způsobem a omezení nejvíce predátorských modelů, zejména u dětí a mladistvých (King & Delfabbro, 2018; Xiao & Park, 2025). Inspirací může být regulace hazardu, která pracuje s omezením přístupu a ochranou zranitelných skupin.

Součástí by měl být i širší rámec pro identifikaci návykových vzorců v digitálních produktech. Taxonomie designových prvků umožňuje systematický dohled a může být propojena s existující legislativou, například v oblasti ochrany spotřebitele nebo dat (Flayelle et al., 2023; Beltrán, 2025). Regulace by měla zahrnovat i algoritmické systémy, které tyto prvky řídí. To znamená požadavek transparentnosti recommender systémů, zveřejnění optimalizačních cílů a omezení modelů zaměřených primárně na maximalizaci engagementu nebo výdajů (Montag et al., 2025; Nie, 2025; Yao, 2025).

V posledních letech se objevují první regulatorní rámce, které na tyto mechanismy reagují. EU Digital Services Act zavádí povinnosti v oblasti transparentnosti a auditovatelnosti recommender systémů na velmi velkých platformách, včetně hodnocení systémových rizik pro duševní zdraví a zranitelné uživatele a posílení uživatelské kontroly nad parametry doporučování (Fabbri, 2023; Söderlund et al., 2024; Fabbri & Boratto, 2025; Ahuja et al., 2025; Cheong, 2024). AI Act doplňuje tento rámec regulací vysoce rizikových a tzv. high‑reach AI systémů, s důrazem na bezpečnost, dokumentaci, vysvětlitelnost a zákaz vybraných manipulačních praktik (Fabbri, 2023; Fabbri & Boratto, 2025; Cauffman & Goanta, 2021; Aboy et al., 2024; Beltrán, 2025; Turillazzi et al., 2023). Implementace těchto nástrojů je však zatím nerovnoměrná a zaměřuje se primárně na obecné procesní a transparentnostní povinnosti, zatímco konkrétní návykové a hyper‑engaging designové prvky (dark patterns, hypernudging) zůstávají spíše v šedé zóně nebo jsou řešeny jen nepřímo (Santos et al., 2025; Aboy et al., 2024; Gstrein et al., 2024; Esposito & Ferreira, 2024; Leiser, 2025; Hacker et al., 2023). Není proto zřejmé, zda stávající podoba a prosazování DSA/AI Act v praxi postačí k výraznějšímu omezení engagement‑driven modelů a ekonomických pobídek, které tyto vzorce udržují (Kandov, 2025; Fabbri & Boratto, 2025; Gstrein et al., 2024; Di Porto & Egberts, 2023; Fabbri, 2023).“

2.2 Věkové ověřování a ochrana soukromí

Věkové ověřování představuje citlivou oblast, kde se střetává ochrana dětí a právo na soukromí. Doporučuje se využívat technologie, které minimalizují sběr osobních dat, například kryptografické důkazy věku nebo ověřování třetí stranou (Yao, 2025; Lopes et al., 2025). Regulace by měla být odstupňovaná podle rizika. Nejpřísnější pravidla se mají vztahovat na služby s prvky hazardu nebo intenzivní monetizací, zatímco běžné digitální služby mohou podléhat mírnějším požadavkům (Welsey-Smith & Fleming, 2025). AI může posílit nástroje věkové verifikace, například odhadem věku z obrazu nebo chování. Současně ale zvyšuje rizika pro soukromí a diskriminaci, proto je nutné klást důraz na minimalizaci sběru dat, transparentnost modelů a lidský dohled (Jethva, 2024; Khakpaki & Sepehri, 2025).

2.3 Regulační governance

Rizikové digitální chování je otázkou veřejného zdraví. Zdravotní sektor by měl být aktivně zapojen do tvorby digitálních politik, což dnes často chybí (Lopes et al., 2025). Důležitý je také princip předběžné opatrnosti, který umožňuje reagovat na nové technologie bez čekání na plnou vědeckou shodu (Yao, 2025). Další oblastí je hospodářská soutěž. Některé obchodní modely jsou založené na maximalizaci závislosti a sběru dat. Antimonopolní nástroje mohou pomoci omezit koncentraci těchto praktik (Montag et al., 2019). Firmy by měly nést odpovědnost za transparentní komunikaci. Uživatelé by měli mít k dispozici jasné informace o rizicích používání a nástroje pro kontrolu vlastního chování (Berthon et al., 2019; Flayelle et al., 2023). Součástí governance by měla být i povinnost posuzovat dopady AI systémů na závislostní chování a wellbeing uživatelů. AI modely používané ve vysoce rizikových službách by měly podléhat pravidelnému auditu (Vanhée & Scarpa, 2025).

Regulace rizikového digitálního chování musí být proporcionální: chránit veřejné zdraví a zranitelné skupiny, aniž by neúměrně zasahovala do svobody projevu, soukromí a digitálních práv. Proporcionalita se v digitálním kontextu chápe jako vyvažování bezpečnosti, inovace a ochrany základních práv, s důrazem na transparentnost, přiměřenost zásahů a jejich časové omezení (Marionneau et al., 2023; Claborn et al., 2022; Chan, 2025; Lawrence, 2023). Zásahy do online prostředí by proto měly být cílené na konkrétní škody, opřené o jasné definice a podléhat nezávislému dohledu, aby se předešlo zneužití regulace k potlačování legitimního nesouhlasu či stigmatizaci běžného užívání technologií (McGregor et al., 2019; Ribeiro, 2025; Lawrence, 2023; Lahmann et al., 2025). Koncept snižování rizik v digitální oblasti znamená kombinaci omezení nejvíce škodlivých praktik s posilováním informovanosti, uživatelské autonomie a participace dotčených komunit na návrhu opatření (Fraser & Villarino, 2023; Kuss & Gainsbury, 2021; Yao, 2025; Lee, 2020; Marique & Marique, 2020).

2.4 Hodnocení dopadů a vymáhání

Bez aktivního dohledu zůstává regulace neúčinná. Příklady z oblasti loot boxů ukazují, že kombinace legislativy a vymáhání výrazně zvyšuje dodržování pravidel (Xiao & Park, 2025). Součástí politik musí být financování nezávislého výzkumu a zpřístupnění dat. To umožní průběžné vyhodnocování účinnosti jednotlivých opatření a jejich úpravu (Lopes et al., 2025). Vymáhání Digital Service Act a AI Act stojí na kombinaci interních procesů platforem, nezávislých auditů a dohledu regulátorů, ale praxe je zatím spíše fragmentovaná. DSA sází na systemic risk assessments a povinné interní i externí audity velmi velkých platforem, které mají hodnotit např. dopady recommender systémů na duševní zdraví a veřejnou debatu (Fathaigh et al., 2025; Golpayegani et al., 2023; Kusche, 2024; Busuioc, 2020; Naudts et al., 2025). Výzkum ale upozorňuje na riziko capture, kdy hlavní odpovědnost za identifikaci a řízení rizik leží na samotných korporacích, což může vést k “audit‑washingu” a implementaci pouze nejnutnějších změn v návrhu algoritmů (Sekwenz et al., 2025; Golpayegani et al., 2023; Kusche, 2024). U AI Act je klíčové posuzování shody a monitoring pro již existující rizikové systémy. Tyto mechanismy v zásadě vytvářejí nově vznikající „ekosystém AI auditů“, ale narážejí na vágní kritéria a potřebu převést obecné zásady do ověřitelných, měřitelných požadavků (Griffin, 2025; Frosio & Geiger, 2023; Turillazzi et al., 2023; Gille et al., 2024). Řada autorů proto pochybuje, zda současné nastavení dohledu a kapacity dozorových orgánů stačí k reálnému prosazení práv uživatelů proti ekonomickým zájmům velkých platforem (Messmer & Degeling, 2023; Eder, 2024; Bertaina et al., 2025; Aloisi & De Stefano, 2023; Rodríguez et al., 2023).

2.5 Role škol, obcí a rodin

Prevence na lokální úrovni je klíčovým doplňkem regulace. Školní programy zaměřené na digitální gramotnost a seberegulaci mají prokazatelný efekt, zejména pokud jsou dlouhodobé a zapojují rodiče (Žmavc et al., 2025; Carras et al., 2024). Digitální gramotnost by měla zahrnovat i porozumění tomu, jak fungují AI algoritmy, které ovlivňují zobrazovaný obsah a chování uživatelů. Efektivní přístup spočívá v kombinaci vzdělávání, podpory pozitivních návyků a nabídky alternativních aktivit. Lokální programy mohou využívat AI-podporované nástroje digitální hygieny, například aplikace, které sledují rizikové vzorce chování a doporučují přestávky nebo alternativní aktivity. Tyto nástroje musí respektovat soukromí a fungovat s minimem dat (Wahed & Wahed, 2025; Akhil et al., 2023).

Jednostranné restrikce mají omezený efekt a mohou vést k obcházení pravidel (Carras et al., 2024). Rodinné prostředí hraje zásadní roli. Programy by měly posilovat rodičovské kompetence, komunikaci a schopnost nastavovat pravidla. Technická řešení sama o sobě nestačí (Theopilus et al., 2024). Obce mohou podporovat komunitní aktivity, které snižují riziko vývoje problémů v digitálním prostředí, například sport nebo volnočasové programy (Lu et al., 2024). 

3. Doporučení

• Zavést regulaci návykových designových prvků a algoritmických systémů, včetně povinných stop bodů, omezení nekonečného scrollu, výchozího omezení notifikací a transparentnosti recommender systémů a jejich optimalizačních cílů
• Regulovat monetizační modely, zejména loot boxy a mikrotransakce, včetně povinného zveřejňování pravděpodobností, omezení pro děti a mladistvé a kontroly personalizovaných mechanismů řízených AI
• Zavést povinné posouzení dopadů digitálních služeb a AI systémů na závislostní chování a wellbeing uživatelů, včetně možnosti nezávislého auditu a přístupu k datům
• Zavést systémy věkového ověřování odstupňované dle rizika, s důrazem na ochranu soukromí, minimalizaci sběru dat a transparentnost použitých technologií
• Posílit regulační dohled a vymáhání pravidel, včetně jasné odpovědnosti firem za design produktů, jejich algoritmy a komunikaci rizik vůči uživatelům
• Podporovat veřejně financované nástroje prevence a digitální hygieny, včetně využití AI pro včasnou identifikaci rizikového chování a cílené intervence ve školství a zdravotnictví
• Rozvíjet digitální gramotnost a prevenci na úrovni škol, rodin a komunit, včetně porozumění fungování algoritmů a jejich vlivu na chování
• Financovat nezávislý výzkum a zajistit přístup k datům pro průběžné vyhodnocování dopadů regulace i technologického vývoje

Tento přístup kombinuje regulaci rizikových mechanismů s podporou prevence a individuálních kompetencí. Reaguje na současný stav poznání, kde jsou dopady digitálních závislostí dobře popsané, zatímco intervence mají omezenou účinnost, a proto je klíčové zaměřit se i na samotné prostředí, které tyto problémy vytváří.

Použitá literatura

Aboy, M., Minssen, T., & Vayena, E. (2024). Navigating the EU AI Act: implications for regulated digital medical products. NPJ Digital Medicine, 7. https://doi.org/10.1038/s41746-024-01232-3

Ahuja, S., Gunawan, J., Bielova, N., & Santos, C. (2025). Towards Key Contributing Factors in Identifying Dark Pattern Autonomy Violations under the EU Digital Services Act. Companion Publication of the 2025 ACM Designing Interactive Systems Conference. https://doi.org/10.1145/3715668.3736336

Akhil, K., Sireesha, J., Sai, G., Reddy, K., & Haripriya, J. (2023). Harnessing Artificial Intelligence for Preventing and Detecting Addiction in Digital Healthcare and social media among students of age group 12 to 18. 2023 5th International Conference on Advances in Computing, Communication Control and Networking (ICAC3N), 936-942. https://doi.org/10.1109/icac3n60023.2023.10541714

Allcott, H. (2020). Digital Addiction. AEA Randomized Controlled Trials. https://doi.org/10.1257/rct.5796-1.2000000000000002

Aloisi, A., & De Stefano, V. (2023). Between risk mitigation and labour rights enforcement: Assessing the transatlantic race to govern AI-driven decision-making through a comparative lens. European Labour Law Journal, 14, 283 - 307. https://doi.org/10.1177/20319525231167982

Andrade, L., & Viñán-Ludeña, M. (2025). Mapping research on ICT addiction: a comprehensive review of Internet, smartphone, social media, and gaming addictions. Frontiers in Psychology, 16. https://doi.org/10.3389/fpsyg.2025.1578457

Bertaina, S., Biganzoli, I., Desiante, R., Fontanella, D., Inverardi, N., Penco, I., & Cosentini, A. (2025). Fundamental rights and artificial intelligence impact assessment: A new quantitative methodology in the upcoming era of AI Act. Comput. Law Secur. Rev., 56, 106101. https://doi.org/10.1016/j.clsr.2024.106101

Beltrán, M. (2025). Defining, Classifying and Identifying Addictive Patterns in Digital Products. IEEE Transactions on Technology and Society, 6, 314-323. https://doi.org/10.1109/tts.2025.3564840 

Berthon, P., Pitt, L., & Campbell, C. (2019). Addictive De-Vices: A Public Policy Analysis of Sources and Solutions to Digital Addiction. Journal of Public Policy & Marketing, 38, 451 - 468. https://doi.org/10.1177/0743915619859852

Bhargava, V., & Velasquez, M. (2020). Ethics of the Attention Economy: The Problem of Social Media Addiction. Business Ethics Quarterly, 31, 321 - 359. https://doi.org/10.1017/beq.2020.32

Busuioc, M. (2020). Accountable Artificial Intelligence: Holding Algorithms to Account. Public Administration Review, 81, 825 - 836. https://doi.org/10.1111/puar.13293

Cara, C. (2019). Dark Patterns In The Media: A Systematic Review. Network Intelligence Studies, 105-113.

Carras, M., Aljuboori, D., Shi, J., Date, M., Karkoub, F., Ortiz, K., Abreha, F., & Thrul, J. (2024). Prevention and Health Promotion Interventions for Young People in the Context of Digital Well-Being: Rapid Systematic Review. Journal of Medical Internet Research, 26. https://doi.org/10.2196/59968 

Cauffman, C., & Goanta, C. (2021). A New Order: The Digital Services Act and Consumer Protection. European Journal of Risk Regulation, 12, 758 - 774. https://doi.org/10.1017/err.2021.8

Cemiloglu, D., Almourad, M., Mcalaney, J., & Ali, R. (2022). Combatting digital addiction: Current approaches and future directions. Technology in Society. https://doi.org/10.1016/j.techsoc.2021.101832

Chamorro, L., Bongard-Blanchy, K., & Koenig, V. (2023). Ethical Tensions in UX Design Practice: Exploring the Fine Line Between Persuasion and Manipulation in Online Interfaces. Proceedings of the 2023 ACM Designing Interactive Systems Conference. https://doi.org/10.1145/3563657.3596013 

Chan, H. (2025). A proportionality-by-design approach for mobile mental health and wellbeing applications. Law, Innovation and Technology, 17, 58 - 83. https://doi.org/10.1080/17579961.2025.2469343

Cheong, B. (2024). Transparency and accountability in AI systems: safeguarding wellbeing in the age of algorithmic decision-making. Frontiers in Human Dynamics. https://doi.org/10.3389/fhumd.2024.1421273

Chianella, R. (2021). Addictive digital experiences: the influence of artificial intelligence and more-than-human design. Blucher Design Proceedings. https://doi.org/10.5151/ead2021-125

Claborn, K., Creech, S., Whittfield, Q., Parra-Cardona, R., Daugherty, A., & Benzer, J. (2022). Ethical by Design: Engaging the Community to Co-design a Digital Health Ecosystem to Improve Overdose Prevention Efforts Among Highly Vulnerable People Who Use Drugs. Frontiers in Digital Health, 4. https://doi.org/10.3389/fdgth.2022.880849

De, D., Jamal, M., Aydemir, E., & Khera, A. (2025). Social Media Algorithms and Teen Addiction: Neurophysiological Impact and Ethical Considerations. Cureus, 17. https://doi.org/10.7759/cureus.77145

Di Porto, F., & Egberts, A. (2023). The collective welfare dimension of dark patterns regulation. European Law Journal. https://doi.org/10.1111/eulj.12478

Ding, K., & Li, H. (2023). Digital Addiction Intervention for Children and Adolescents: A Scoping Review. International Journal of Environmental Research and Public Health, 20. https://doi.org/10.3390/ijerph20064777 

Eder, N. (2024). Making Systemic Risk Assessments Work: How the DSA Creates a Virtuous Loop to Address the Societal Harms of Content Moderation. German Law Journal, 25, 1197 - 1218. https://doi.org/10.1017/glj.2024.24

Esposito, F., & Ferreira, T. (2024). Addictive Design as an Unfair Commercial Practice: The Case of Hyper-Engaging Dark Patterns. European Journal of Risk Regulation, 15, 999 - 1016. https://doi.org/10.1017/err.2024.8

Fabbri, M. (2023). Self-determination through explanation: an ethical perspective on the implementation of the transparency requirements for recommender systems set by the Digital Services Act of the European Union. Proceedings of the 2023 AAAI/ACM Conference on AI, Ethics, and Society. https://doi.org/10.1145/3600211.3604717

Fabbri, M., & Boratto, L. (2025). Auditing Recommender Systems for User Empowerment in Very Large Online Platforms under the Digital Services Act. Proceedings of the Nineteenth ACM Conference on Recommender Systems. https://doi.org/10.1145/3705328.3748074

Fathaigh, R., Buijs, D., & Van Hoboken, J. (2025). The Regulation of Disinformation under the Digital Services Act. Media and Communication. https://doi.org/10.17645/mac.9615

Flayelle, M., Brevers, D., King, D., Maurage, P., Perales, J., & Billieux, J. (2023). A taxonomy of technology design features that promote potentially addictive online behaviours. Nature Reviews Psychology, 2, 136 - 150. https://doi.org/10.1038/s44159-023-00153-4

Fraser, H., & Villarino, J. (2023). Acceptable risks in Europe's proposed AI Act: Reasonableness and other principles for deciding how much risk management is enough. ArXiv, abs/2308.02047. https://doi.org/10.2139/ssrn.4516917

Frosio, G., & Geiger, C. (2023). Taking Fundamental Rights Seriously in the Digital Services Act's Platform Liability Regime. European Law Journal. https://doi.org/10.1111/eulj.12475

Gille, M., Tropmann-Frick, M., & Schomacker, T. (2024). Balancing public interest, fundamental rights, and innovation: The EU's governance model for non-high-risk AI systems. Internet Policy Rev., 13. https://doi.org/10.14763/2024.3.1797

Golpayegani, D., Pandit, H., & Lewis, D. (2023). To Be High-Risk, or Not To Be—Semantic Specifications and Implications of the AI Act’s High-Risk AI Applications and Harmonised Standards. Proceedings of the 2023 ACM Conference on Fairness, Accountability, and Transparency. https://doi.org/10.1145/3593013.3594050

Griffin, R. (2025). Governing platforms through corporate risk management: the politics of systemic risk in the Digital Services Act. European Law Open, 4, 223 - 253. https://doi.org/10.1017/elo.2025.17

Gstrein, O., Haleem, N., & Zwitter, A. (2024). General-purpose AI regulation and the European Union AI Act. Internet Policy Rev., 13. https://doi.org/10.14763/2024.3.1790

Hacker, P., Cordes, J., & Rochon, J. (2023). Regulating Gatekeeper Artificial Intelligence and Data: Transparency, Access and Fairness under the Digital Markets Act, the General Data Protection Regulation and Beyond. European Journal of Risk Regulation. https://doi.org/10.1017/err.2023.81

Jethva, H. (2024). Knowledge-Driven Predictive Framework for Digital Addiction: Integrating Ethical and Philosophical Dimensions of AI. Journal of Artificial Intelligence General science (JAIGS) ISSN:3006-4023. https://doi.org/10.60087/jaigs.v6i1.371

Kandov, B. (2025). Regulatory Approaches for Algorithms on Online Platforms in the Digital Services Act. ELTE Law Journal. https://doi.org/10.54148/eltelj.2024.2.127

Khakpaki, A., & Sepehri, H. (2025). AI in addiction: Harnessing technology for diagnosis, prevention, and recovery: A narrative review. Addiction and Substance Abuse. https://doi.org/10.46439/addiction.3.008

King, D., & Delfabbro, P. (2018). Video Game Monetization (e.g., ‘Loot Boxes’): a Blueprint for Practical Social Responsibility Measures. International Journal of Mental Health and Addiction, 17, 166-179. https://doi.org/10.1007/s11469-018-0009-3 

Kusche, I. (2024). Possible harms of artificial intelligence and the EU AI act: fundamental rights and risk. Journal of Risk Research. https://doi.org/10.1080/13669877.2024.2350720

Kuss, D., & Gainsbury, S. (2021). Debate: Behavioural addictions and technology use - risk and policy recommendations for problematic online gambling and gaming.. Child and adolescent mental health. https://doi.org/10.1111/camh.12449

Lahmann, H., Custers, B., & Scott, B. (2025). The fundamental rights risks of countering cognitive warfare with artificial intelligence. Ethics and Information Technology, 27. https://doi.org/10.1007/s10676-025-09868-9

Lawrence, M. (2023). Public Health Law's Digital Frontier: Addictive Design, Section 230, and the Freedom of Speech. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4603784

Lee, H. (2020). Prerequisites for stakeholder framework: Consumer advocacy and health protection in the digital industry. •. Journal of Behavioral Addictions, 9, 898 - 902. https://doi.org/10.1556/2006.2020.00095

Lopes, S., Holly, L., & Kickbusch, I. (2025). Mapping Policies and Regulations for Safe and Healthy Digital Environments for Children and Adolescents. Global Policy. https://doi.org/10.1111/1758-5899.13492 

Lu, P., Qiu, J., Huang, S., Wang, X., Han, S., Zhu, S., Ning, Y., Zeng, F., & Yuan, Y. (2024). Interventions for Digital Addiction: Umbrella Review of Meta-Analyses. Journal of Medical Internet Research, 27. https://doi.org/10.2196/59656

Luguri, J., & Strahilevitz, L. (2019). Shining a Light on Dark Patterns. Behavioral & Experimental Economics eJournal. https://doi.org/10.2139/ssrn.3431205

Marionneau, V., Ruohio, H., & Karlsson, N. (2023). Gambling harm prevention and harm reduction in online environments: a call for action. Harm Reduction Journal, 20. https://doi.org/10.1186/s12954-023-00828-4

Marique, E., & Marique, Y. (2020). Sanctions on digital platforms: Balancing proportionality in a modern public square. Comput. Law Secur. Rev., 36, 105372. https://doi.org/10.2139/ssrn.3462408

McGregor, L., Murray, D., & Ng, V. (2019). INTERNATIONAL HUMAN RIGHTS LAW AS A FRAMEWORK FOR ALGORITHMIC ACCOUNTABILITY. International and Comparative Law Quarterly, 68, 309 - 343. https://doi.org/10.1017/s0020589319000046

Messmer, A., & Degeling, M. (2023). Auditing Recommender Systems - Putting the DSA into practice with a risk-scenario-based approach. ArXiv, abs/2302.04556. https://doi.org/10.48550/arxiv.2302.04556

Mihai, F., Aleca, O., & Iordache, D. (2025). AI Personalization and Its Influence on Online Gamblers’ Behavior. Behavioral Sciences, 15. https://doi.org/10.3390/bs15060779

Montag, C., Lachmann, B., Herrlich, M., & Zweig, K. (2019). Addictive Features of Social Media/Messenger Platforms and Freemium Games against the Background of Psychological and Economic Theories. International Journal of Environmental Research and Public Health, 16. https://doi.org/10.3390/ijerph16142612

Montag, C., Yang, H., Wu, A., Ali, R., & Elhai, J. (2025). The role of artificial intelligence in general, and large language models specifically, for understanding addictive behaviors. Annals of the New York Academy of Sciences, 1548, 5 - 11. https://doi.org/10.1111/nyas.15337

Naudts, L., Helberger, N., Veale, M., & Sax, M. (2025). A Right to Constructive Optimization: A Public Interest Approach to Recommender Systems in the Digital Services Act. Journal of Consumer Policy, 48, 269 - 296. https://doi.org/10.1007/s10603-025-09586-1

Nie, M. (2025). Algorithmic Addiction by Design: Big Tech's Leverage of Dark Patterns to Maintain Market Dominance and its Challenge for Content Moderation. ArXiv, abs/2505.00054. https://doi.org/10.48550/arxiv.2505.00054

Pellegrino, A., Stasi, A., & Bhatiasevi, V. (2022). Research trends in social media addiction and problematic social media use: A bibliometric analysis. Frontiers in Psychiatry, 13. https://doi.org/10.3389/fpsyt.2022.1017506

Ribeiro, E. (2025). THE LEGAL BOUNDARIES OF DIGITAL AUTONOMY: AI AGENCY, LIABILITY IN CYBER OPERATIONS, AND NEW THREATS TO INDIVIDUAL PROTECTION. Congress Proceedings. https://doi.org/10.55843/icl2025cong393r

Rodríguez, N., Ser, J., Coeckelbergh, M., De Prado, M., Herrera-Viedma, E., & Herrera, F. (2023). Connecting the Dots in Trustworthy Artificial Intelligence: From AI Principles, Ethics, and Key Requirements to Responsible AI Systems and Regulation. Inf. Fusion, 99, 101896. https://doi.org/10.48550/arxiv.2305.02231

Roffarello, A., Lukoff, K., & De Russis, L. (2023). Defining and Identifying Attention Capture Deceptive Designs in Digital Interfaces. Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems. https://doi.org/10.1145/3544548.3580729

Santos, C., Morozovaite, V., & De Conca, S. (2025). No harm no foul: how harms caused by dark patterns are conceptualised and tackled under EU data protection, consumer and competition laws. Information & Communications Technology Law, 34, 329 - 375. https://doi.org/10.1080/13600834.2025.2461958

Sekwenz, M., Gsenger, R., Dahlgren, S., & Wagner, B. (2025). Doing Audits Right? The Role of Sampling and Legal Content Analysis in Systemic Risk Assessments and Independent Audits in the Digital Services Act. ArXiv, abs/2505.03601. https://doi.org/10.48550/arxiv.2505.03601

Shiferaw, B., Tang, J., Wang, Y., Wang, Y., Wang, Y., Mackay, L., Luo, Y., Yan, N., Shen, X., Zhou, T., Zhu, Y., Cai, J., Wang, Q., Yan, W., Gao, X., Pan, H., & Wang, W. (2025). Impact of digital addiction on youth health: A systematic review and meta-analysis. Journal of Behavioral Addictions, 14, 1129 - 1158. https://doi.org/10.1556/2006.2025.00081

Singh, C., Sharma, N., & Pandey, S. (2025). How Digital Addiction Fuels Youth Consumerism in India?. Involvement International Journal of Business. https://doi.org/10.62569/iijb.v2i2.72

Singh, V., Vishvakarma, N., & Kumar, V. (2024). Unveiling Digital Manipulation and Persuasion in e-Commerce: A Systematic Literature Review of Dark Patterns and Digital Nudging. Journal of Internet Commerce, 23, 144 - 171. https://doi.org/10.1080/15332861.2024.2330813

Söderlund, K., Engström, E., Haresamudram, K., Larsson, S., & Strimling, P. (2024). Regulating high-reach AI: On transparency directions in the Digital Services Act. Internet Policy Rev., 13. https://doi.org/10.14763/2024.1.1746

Sokolova, O., & Kidinov, A. (2025). Digital addiction to artificial intelligence as a psychological phenomenon. Psychological-Pedagogical Journal GAUDEAMUS. https://doi.org/10.20310/1810-231x-2025-24-3-35-42

Taylor, K. (2023). The social diagnoses of digital addictions: Technophobic ambivalences, the limits of the natural and imperatives of self-governance in the information age. Sociology of health & illness. https://doi.org/10.1111/1467-9566.13624

Theopilus, Y., Mahmud, A., Davis, H., & Octavia, J. (2023). Digital Interventions for Combating Internet Addiction in Young Children: Qualitative Study of Parent and Therapist Perspectives. JMIR Pediatrics and Parenting, 7. https://doi.org/10.2196/55364 

Theopilus, Y., Mahmud, A., Davis, H., & Octavia, J. (2024). Preventive Interventions for Internet Addiction in Young Children: Systematic Review. JMIR Mental Health, 11. https://doi.org/10.2196/56896

Turillazzi, A., Taddeo, M., Floridi, L., & Casolari, F. (2023). The digital services act: an analysis of its ethical, legal, and social implications. Law, Innovation and Technology, 15, 83 - 106. https://doi.org/10.1080/17579961.2023.2184136

Vanhée, L., & Scarpa, S. (2025). Is Addiction Research Addicted to Artificial Intelligence? Mapping the Intersection of Artificial Intelligence, Substance Use and Mental Health Through a Bibliometric Analysis. Drug and Alcohol Review, 45. https://doi.org/10.1111/dar.70057

Wahed, S., & Wahed, M. (2025). AI-Driven Digital Well-being: Developing Machine Learning Model to Predict and Mitigate Internet Addiction. LatIA. https://doi.org/10.62486/latia2025134

Welsey-Smith, O., & Fleming, T. (2025). Debate: Social media in children and young people – time for a ban? From polarised debate to precautionary action – a population mental health perspective on social media and youth well‐being. Child and Adolescent Mental Health, 30, 416 - 418. https://doi.org/10.1111/camh.70033 

Xiao, L. (2025). Failing to protect the online consumer: poor compliance with Dutch loot box and video game consumer protection guidelines. Int. J. Law Inf. Technol., 33. https://doi.org/10.1093/ijlit/eaaf011 

Xiao, L., & Park, S. (2025). Better than industry self-regulation: Compliance of mobile games with newly adopted and actively enforced loot box probability disclosure law in South Korea. Acta Psychologica, 260. https://doi.org/10.1016/j.actpsy.2025.105490 

Yao, Y. (2025). Regulating addictive algorithms and designs: protecting older adults from digital exploitation beyond a youth-centric approach. Frontiers in Psychology, 16. https://doi.org/10.3389/fpsyg.2025.1579604 

Yuste, R., Baler, R., & Volkow, N. (2025). Addictive-like Dimensions of Problematic Use of Social Media.. Journal of addiction medicine. https://doi.org/10.1097/adm.0000000000001525

Žmavc, M., Horvat, J., Židan, M., & Selak, Š. (2025). The effectiveness of school-based interventions to reduce problematic digital technology use and screen time: A systematic review and meta-analysis. Journal of Behavioral Addictions, 14, 571 - 589. https://doi.org/10.1556/2006.2025.00043