L'esperimento ha coinvolto un totale di 19 giocatori, di cui 9 professionisti e 10 dilettanti, a cui è stato chiesto di giocare a Counter-Strike:Global Offensive (CS:GO) per 30-60 minuti. Attestazione:Skoltech
Un gruppo di scienziati del Computational and Data-Intensive Science and Engineering Center (CDISE) di Skoltech ha utilizzato l'intelligenza artificiale per trovare una connessione tra i movimenti di un giocatore di eSports e il livello di abilità. I risultati della loro ricerca mostrano che i metodi di apprendimento automatico possono prevedere con precisione il livello di abilità di un giocatore nel 77 percento dei casi.
In pochi anni, eSport, con radici nei videogiochi per bambini, si è evoluta in un settore a tutti gli effetti con team di professionisti, allenatori e ingenti investimenti. Come in ogni altro sport, un giocatore di eSports può essere un professionista o un dilettante, e raccontare l'uno dall'altro è essenziale per ottimizzare il processo di formazione.
Studenti del Master dello Skolkovo Institute of Science and Technology (Skoltech), Mosca, Istituto di Fisica e Tecnologia di Mosca (MIPT) e Università Statale di Strumentazione Aerospaziale (SUAI), San Pietroburgo, guidato dai professori Skoltech Andrey Somov e Evgeny Burnaev, ha cercato una connessione tra la competenza e i movimenti del corpo dei giocatori di eSports seduti sulle sedie.
"Abbiamo ipotizzato che potesse esserci un collegamento tra i movimenti del corpo di un giocatore e il livello di abilità. Inoltre, è stato interessante osservare la risposta dei giocatori ai vari eventi di gioco, come uccide, morti o sparatorie. Sospettavamo che i giocatori professionisti e i principianti avrebbero reagito in modo diverso allo stesso evento, " spiega il primo autore dello studio e studente del master Skoltech, Anton Smerdov.
L'esperimento ha coinvolto un totale di 19 giocatori, tra cui nove professionisti e 10 dilettanti, che ha giocato a Counter-Strike:Global Offensive (CS:GO) per 30-60 minuti. Le loro abilità sono state valutate nelle ore di gioco, come i piloti, le cui competenze sono valutate in ore di volo. I dati sono stati raccolti utilizzando un accelerometro e un giroscopio incorporati nella sedia.
"Abbiamo quindi tagliato i dati in sessioni di tre minuti, supponendo che tre minuti fossero sufficienti per capire il comportamento del giocatore e ottenere un campione abbastanza grande per l'apprendimento dell'algoritmo, " ha aggiunto Smerdov.
I modelli estratti da ogni sessione sono stati utilizzati per valutare il comportamento dei giocatori e verificare con quale intensità e frequenza si sono mossi o si sono girati lungo ciascuno dei tre assi e si sono appoggiati allo schienale della sedia. Sono stati ottenuti un totale di 31 modelli per ogni giocatore, e le otto caratteristiche più importanti sono state definite utilizzando tecniche statistiche. I metodi di apprendimento automatico sono stati quindi applicati alle funzionalità chiave. Il popolare metodo della foresta casuale ha mostrato le migliori prestazioni, determinare correttamente il livello di abilità del giocatore da una sessione di tre minuti nel 77 percento dei casi. Anche, i risultati hanno mostrato che i giocatori professionisti si muovono più spesso e più intensamente rispetto ai principianti, mentre si è seduti perfettamente immobili durante le sparatorie e altri eventi di gioco.
Lanciato nell'ambito del corso Skoltech Introduction to Internet of Things e dell'iniziativa Skoltech Cyber Academy, questo progetto di ricerca è in fase di ulteriore sviluppo presso la start-up Head Kraken eSports, beneficiando delle sovvenzioni fornite dal programma STRIP di Skoltech e dalla Fondazione russa per la ricerca di base (RFBR).
Il team guidato dai professori Andrey Somov e Evgeny Burnaev ha studiato lo stato psico-emotivo e le reazioni fisiche dei giocatori di eSports al gioco utilizzando sensori e metodi di apprendimento automatico dal 2018. I dati raccolti e analizzati includono impulsi, resistenza della pelle, direzione dello sguardo, movimenti delle mani, dati ambientali (temperatura, umidità, CO 2 livello), telemetria di gioco, e altri parametri.