Un groupe de scientifiques du Centre de science et d'ingénierie informatique et à forte intensité de données (CDISE) de Skoltech a utilisé l'intelligence artificielle pour trouver un lien entre les mouvements d'un joueur d'eSport et son niveau de compétence. Les résultats de leurs recherches montrent que les méthodes d'apprentissage automatique peuvent prédire avec précision le niveau de compétence d'un joueur dans 77% des cas.

En quelques années seulement, eSport, avec des racines dans les jeux vidéo pour enfants, est devenue une industrie à part entière avec des équipes professionnelles, entraîneurs et d'énormes investissements. Comme dans tout autre sport, un joueur d'eSport peut être un professionnel ou un amateur, et se dire les uns des autres est essentiel pour optimiser le processus de formation.

Étudiants en master de l'Institut des sciences et technologies de Skolkovo (Skoltech), Moscou, Institut de physique et de technologie de Moscou (MIPT) et Université d'État d'instrumentation aérospatiale (SUAI), Saint-Pétersbourg, dirigé par les professeurs Skoltech Andrey Somov et Evgeny Burnaev, a cherché un lien entre la compétence et les mouvements du corps des joueurs d'eSports assis sur des chaises.

"Nous avons supposé qu'il pouvait y avoir un lien entre les mouvements du corps d'un joueur et son niveau de compétence. De plus, il était intéressant de regarder la réponse des joueurs à divers événements du jeu, comme les meurtres, morts ou fusillades. On se doutait que les joueurs professionnels et les débutants réagiraient différemment à un même événement, " explique le premier auteur de l'étude et étudiant en master Skoltech, Anton Smerdov.

L'expérience a impliqué un total de 19 joueurs, dont neuf professionnels et 10 amateurs, qui a joué à Counter-Strike :Global Offensive (CS :GO) pendant 30 à 60 minutes. Leurs compétences ont été évaluées en heures de jeu, comme les pilotes, dont les compétences sont évaluées en heures de vol. Les données ont été recueillies à l'aide d'un accéléromètre et d'un gyroscope intégrés dans la chaise.

"Nous avons ensuite découpé les données en sessions de trois minutes, en supposant que trois minutes suffisent pour comprendre le comportement du joueur et obtenir un échantillon suffisamment grand pour l'apprentissage de l'algorithme, " ajouta Smerdov.

Les modèles extraits de chaque session ont été utilisés pour évaluer le comportement des joueurs et vérifier à quelle intensité et à quelle fréquence ils se sont déplacés ou se sont retournés le long de chacun des trois axes et se sont penchés en arrière sur la chaise. Un total de 31 modèles ont été obtenus pour chaque joueur, et les huit caractéristiques les plus importantes ont été définies à l'aide de techniques statistiques. Des méthodes d'apprentissage automatique ont ensuite été appliquées aux fonctionnalités clés. La méthode populaire de forêt aléatoire a affiché les meilleures performances, déterminer correctement le niveau de compétence du joueur à partir d'une session de trois minutes dans 77% des cas. Aussi, les résultats ont montré que les joueurs professionnels se déplacent plus souvent et plus intensément que les débutants, tout en restant parfaitement immobile pendant les fusillades et autres événements de jeu.

Lancé dans le cadre du cours Skoltech Introduction to Internet of Things et de l'initiative Skoltech Cyber ​​Academy, ce projet de recherche se développe au sein de la start-up Head Kraken eSports, bénéficiant des subventions du programme STRIP de Skoltech et de la Fondation russe pour la recherche fondamentale (RFBR).

L'équipe dirigée par les professeurs Andrey Somov et Evgeny Burnaev étudie l'état psycho-émotionnel et les réactions physiques des joueurs d'eSports au jeu à l'aide de capteurs et de méthodes d'apprentissage automatique depuis 2018. Les données collectées et analysées incluent le pouls, résistance de la peau, direction du regard, mouvements de la main, données environnementales (température, humidité, CO 2 niveau), télémétrie de jeu, et d'autres paramètres.