• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • ESports predecibles:los aficionados y los profesionales tienen diferentes posturas para sentarse

    El experimento involucró a un total de 19 jugadores, incluyendo 9 profesionales y 10 amateurs, a quienes se les pidió que jugaran Counter-Strike:Global Offensive (CS:GO) durante 30 a 60 minutos. Crédito:Skoltech

    Un grupo de científicos del Centro de Ingeniería y Ciencia Computacional e Intensivo en Datos (CDISE) de Skoltech ha utilizado la inteligencia artificial para encontrar una conexión entre los movimientos y el nivel de habilidad de un jugador de eSports. Los hallazgos de su investigación muestran que los métodos de aprendizaje automático pueden predecir con precisión el nivel de habilidad de un jugador en el 77 por ciento de los casos.

    En tan solo unos años eSports, con raíces en los videojuegos para niños, ha evolucionado hasta convertirse en una industria en toda regla con equipos profesionales, entrenadores y grandes inversiones. Como en cualquier otro deporte, un jugador de eSports puede ser un profesional o un aficionado, y distinguir unos de otros es fundamental para optimizar el proceso de formación.

    Estudiantes de maestría del Instituto de Ciencia y Tecnología de Skolkovo (Skoltech), Moscú, Instituto de Física y Tecnología de Moscú (MIPT) y la Universidad Estatal de Instrumentación Aeroespacial (SUAI), San Petersburgo, dirigido por los profesores de Skoltech Andrey Somov y Evgeny Burnaev, buscó una conexión entre la competencia y los movimientos corporales de los jugadores de eSports sentados en sillas.

    "Asumimos que podría haber un vínculo entre los movimientos corporales de un jugador y el nivel de habilidad. Además, fue interesante ver la respuesta de los jugadores a varios eventos del juego, como mata, muertes o tiroteos. Sospechamos que los jugadores profesionales y los principiantes reaccionarían de manera diferente ante el mismo evento, "explica el primer autor del estudio y alumno de máster de Skoltech, Anton Smerdov.

    El experimento involucró a un total de 19 jugadores, incluyendo nueve profesionales y 10 amateurs, que jugó Counter-Strike:Global Offensive (CS:GO) durante 30 a 60 minutos. Sus habilidades fueron evaluadas en horas de juego, de manera similar a los pilotos, cuyas habilidades se evalúan en horas de vuelo. Los datos se recopilaron utilizando un acelerómetro y un giroscopio incrustados en la silla.

    "Luego cortamos los datos en sesiones de tres minutos, asumiendo que tres minutos fueron suficientes para comprender el comportamiento del jugador y obtener una muestra lo suficientemente grande para el aprendizaje de algoritmos, ", Agregó Smerdov.

    Los patrones extraídos de cada sesión se utilizaron para evaluar el comportamiento de los jugadores y comprobar con qué intensidad y con qué frecuencia se movían o giraban a lo largo de cada uno de los tres ejes y se reclinaban en la silla. Se obtuvieron un total de 31 patrones para cada jugador, y las ocho características más importantes se definieron mediante técnicas estadísticas. Luego, se aplicaron métodos de aprendizaje automático a las características clave. El popular método de bosque aleatorio mostró el mejor rendimiento, determinar correctamente el nivel de habilidad del jugador a partir de una sesión de tres minutos en el 77 por ciento de los casos. También, Los resultados mostraron que los jugadores profesionales se mueven con más frecuencia e intensidad que los principiantes. sentado perfectamente quieto durante los tiroteos y otros eventos del juego.

    Lanzado dentro del curso Skoltech Introduction to Internet of Things y la iniciativa Skoltech Cyber ​​Academy, este proyecto de investigación se está desarrollando en la puesta en marcha de Head Kraken eSports, beneficiándose de las subvenciones otorgadas por el programa STRIP de Skoltech y la Fundación Rusa para la Investigación Básica (RFBR).

    El equipo dirigido por los profesores Andrey Somov y Evgeny Burnaev ha estado estudiando el estado psicoemocional y las reacciones físicas de los jugadores de eSports al juego utilizando sensores y métodos de aprendizaje automático desde 2018. Los datos recopilados y analizados incluyen pulso, resistencia de la piel, dirección de la mirada, movimientos de la mano, datos ambientales (temperatura, humedad, CO 2 nivel), telemetría del juego, y otros parámetros.


    © Ciencia https://es.scienceaq.com