Um grupo de cientistas do Centro de Engenharia e Ciência Computacional e de Dados Intensivos (CDISE) da Skoltech usou inteligência artificial para encontrar uma conexão entre os movimentos de um jogador de eSports e o nível de habilidade. Os resultados da pesquisa mostram que os métodos de aprendizado de máquina podem prever com precisão o nível de habilidade de um jogador em 77 por cento dos casos.

Em apenas alguns anos, eSports, com raízes em videogames para crianças, evoluiu para uma indústria completa com equipes profissionais, treinadores e grandes investimentos. Como em qualquer outro esporte, um jogador de eSports pode ser profissional ou amador, e diferenciar um do outro é essencial para otimizar o processo de treinamento.

Alunos de mestrado do Instituto de Ciência e Tecnologia Skolkovo (Skoltech), Moscou, Instituto de Física e Tecnologia de Moscou (MIPT) e a Universidade Estadual de Instrumentação Aeroespacial (SUAI), São Petersburgo, liderado pelos professores da Skoltech, Andrey Somov e Evgeny Burnaev, procurou uma conexão entre a proficiência e os movimentos corporais de jogadores de eSports sentados em cadeiras.

“Presumimos que poderia haver uma ligação entre os movimentos corporais de um jogador e o nível de habilidade. foi interessante observar a resposta dos jogadores a vários eventos do jogo, como mata, mortes ou tiroteios. Suspeitamos que jogadores profissionais e iniciantes reagiriam de forma diferente ao mesmo evento, "explica o primeiro autor do estudo e aluno de mestrado da Skoltech, Anton Smerdov.

O experimento envolveu um total de 19 jogadores, incluindo nove profissionais e 10 amadores, que jogou Counter-Strike:Global Offensive (CS:GO) por 30 a 60 minutos. Suas habilidades foram avaliadas em horas de jogo, da mesma forma que os pilotos, cujas habilidades são avaliadas em horas de voo. Os dados foram coletados por meio de acelerômetro e giroscópio embutido na cadeira.

"Em seguida, cortamos os dados em sessões de três minutos, assumindo que três minutos foram suficientes para entender o comportamento do jogador e obter uma amostra grande o suficiente para o aprendizado do algoritmo, "Smerdov acrescentou.

Os padrões extraídos de cada sessão foram usados ​​para avaliar o comportamento dos jogadores e verificar com que intensidade e frequência eles se moviam ou giravam ao longo de cada um dos três eixos e se recostavam na cadeira. Um total de 31 padrões foram obtidos para cada jogador, e as oito características mais importantes foram definidas por meio de técnicas estatísticas. Os métodos de aprendizado de máquina foram então aplicados aos principais recursos. O método popular de floresta aleatória apresentou o melhor desempenho, determinar corretamente o nível de habilidade do jogador em uma sessão de três minutos em 77 por cento dos casos. Também, os resultados mostraram que os jogadores profissionais se movimentam com mais frequência e intensidade do que os iniciantes, sentado perfeitamente imóvel durante as filmagens e outros eventos do jogo.

Lançado dentro do curso Skoltech Introdução à Internet das Coisas e da iniciativa Skoltech Cyber ​​Academy, este projeto de pesquisa está sendo desenvolvido na start-up Head Kraken eSports, beneficiando-se das bolsas fornecidas pelo programa STRIP da Skoltech e pela Fundação Russa para Pesquisa Básica (RFBR).

A equipe liderada pelos professores Andrey Somov e Evgeny Burnaev tem estudado o estado psicoemocional e as reações físicas dos jogadores de eSports ao jogo usando sensores e métodos de aprendizado de máquina desde 2018. Os dados coletados e analisados ​​incluem pulso, resistência da pele, direção do olhar, movimentos de mão, dados ambientais (temperatura, umidade, CO ₂ nível), telemetria de jogos, e outros parâmetros.