online; papers; books; links.
Problema abordado Os MOBAs apresentam um amplo espectro de possíveis comportamentos e, como enfatizam o combate, seus jogadores devem ter um conhecimento tático forte. Isso significa que dominar esses jogos é muito desafiador e requer o investimento substancial de tempo. No entanto, apesar da importância dos MOBAs, eles permanecem pouco explorados do ponto de vista analítico.
O que há de novo O artigo apresenta um método para a obtenção de dados de posicionamento (espaço-temporal) dos jogadores de DotA 2 em suas partidas. Com esses dados, os autores investigam como o comportamento das equipes varia de acordo com o nível de habilidade de seus jogadores.
Opinião O artigo é interessante, pois apresenta alguns dados relevantes sobre a importância dos MOBAs, tem uma boa revisão teórica, com muitos trabalhos relacionados, e tem bons resultados.
Referência DRACHEN et al. Skill-Based Differences in Spatio-Temporal Team Behaviour in Defence of The Ancients 2 (DotA 2). IEEE Games, Entertainment and Media, 2014.
Problema abordado Muitos estudos em ciências sociais e gestão têm investigado como composições de equipe podem afetar o desempenho da equipe. No entanto, pouco se sabe sobre comportamento de jogadores, desempenho de equipes e fatores que contribuem para isso em jogos online para vários jogadores.
O que há de novo O artigo apresenta um framework de aprendizagem de máquina que utiliza dados do League of Legends para agrupar os jogadores com relação ao comportamento, e com isso, prever os resultados dos jogos.
Opinião O artigo é interessante, pois consegue aliar tanto algoritmos de aprendizado não supervisionado (K-means clustering e DP-means clustering) como algoritmos de aprendizado supervisionado (logistic regression, gaussian discriminant analysis e support vector machine), para realizar inferências sobre o comportamento dos jogadores e fazer predições dos resultados dos jogos.
Referência ONG et al. Player Behavior and Optimal Team Composition in Online Multiplayer Games. ArXiv preprint arXiv:1503.02230v1 [cs.SI], 2015. Disponível em http://arxiv.org/abs/1503.02230. Acesso em 15 de Maio de 2015.
Problema abordado Ser um bom jogador de MOBA requer um regime de treinamento intensivo e muitas vezes regular. Tanto é que, a cada dia, emerge ainda mais o conceito de cyber-atleta: jogadores que se comportam como desportistas reais e que praticam e-Sports de modo a ultrapassar o âmbito de um simples hobby. No entanto, para garantir vantagens competitivas, faz-se necessário a criação de ferramentas que ajudem a melhorar a prática de cyber-atletas, para que possam elaborar estratégias eficientes.
O que há de novo O artigo investiga como o comportamento dos jogadores de Dota 2 são relevantes para prever o resultado das partidas, a partir de dados topológicos da posição dos jogadores nas partidas. Conforme os autores, utilizar sabiamente o conhecimento extraído desses dados fornecem soluções para avaliar e planejar boas estratégias.
Opinião O artigo é interessante, pois estuda dados de jogos eletrônicos no ponto de vista esportivo, sendo que jogos são tradicionalmente estudados pela ótica sociológica, cognitiva ou artística. Além disso, o artigo ressalta que o estudo de mineração das trajetórias de jogadores em e-Sports é também de interesse de esportes não virtuais.
Referência RIOULT et al. Mining Tracks of Competitive Video Games. AASRI Procedia, Vol. 8, 2014.
Problema abordado Dados telemétricos de jogos do gênero Massively Multiplayer Online Role-Playing Game (MMORPG) são geralmente complexos, com muitas variáveis registradas, para uma população variada de jogadores ao longo de um segmento temporal que pode chegar a anos. Portanto, a classificação de comportamento dos jogadores fornecem um meio para diminuir essa complexidade, possibilitando a descoberta de padrões comportamentais que possam fornecer perfis úteis para o UX-pesquisador ou designer, por exemplo.
O que há de novo O artigo investiga o comportamento dos jogadores de World of Warcraft, un MMORPG, a partir de dados telemétricos de seus jogadores, em busca de padrões. Para isso, os autores comparam e avaliam resultados de quatro diferentes algoritmos de agrupamento de aprendizado não supervisionado: k-means/c-means, Non-negative Matrix Factorization, Principal Component Analysis, Archetypal Analysis.
Opinião O artigo é interessante, pois demonstra que diferentes abordagens de classificar o comportamento dos jogadores em jogos digitais têm diferentes pontos fortes e fracos, o que pode tornar difícil a decisão de não-especialistas sobre qual estratégia utilizar para a obter bons insights de padrões de um jogo. Além disso, apresenta uma boa fundamentação e resultados.
Referência THURAU et al. Introducing Archetypal Analysis for Player Classification in Games. Proceedings of the International Workshop on Evaluating Player Experience in Games: At 6th International Conference on the Foundations of Digital Games, EPEX’11, 2011.
Problema abordado Jogos do gênero MOBA dependem principalmente de combate para determinar o resultado final do jogo. Nesses jogos, o combate é altamente dinâmico, o que pode ser difícil para os jogadores iniciantes aprenderem.
O que há de novo O artigo apresenta uma abordagem orientada a dados para descobrir padrões em táticas de combate que são comuns entre equipes vencedoras em jogos MOBA, mais especificamente em DotA 2. Conforme os autores, essa técnica pode ser usada para obter insights sobre como os jogadores devem trabalhar juntos para superar obstáculos e, talvez, até mesmo para ensinar jogadores iniciantes as habilidades necessárias para ser bem sucedido.
Opinião O artigo é interessante, pois apresenta uma metodologia diferente dos mais artigos para encontrar padrões em dados: os autores modelaram o combate como uma sequência de grafos para encontrar potenciais fatores de combate, então, selecionaram os melhores para treinar um modelo baseado em árvore de decisão ou descion tree (um algoritmo de aprendizado supervisionado), e assim extrair regras de combate que ajudam a identificar padrões de combate que são preditivos para ganhar o jogo. Além disso, o artigo apresenta outros trabalhos relacionados, que poderão ser úteis posteriormente.
Referência YANG et al. Identifying Patterns in Combat that are Predictive of Success in MOBA Games. Proc. Foundations of Digital Games, 2014.
AGARWALA et al. Learning Dota 2 Team Compositions Atish. 2014. Disponível em http://cs229.stanford.edu/proj2014/Atish%20Agarwala,%20Michael%20Pearce,%20Learning%20Dota%202%20Team%20Compositions.pdf
CONLEY et al. How Does He Saw Me? A Recommendation Engine for Picking Heroes in Dota 2. 2013. Disponível em http://cs229.stanford.edu/proj2013/PerryConley-HowDoesHeSawMeARecommendationEngineForPickingHeroesInDota2.pdf.
SATHYA et al. Comparison of Supervised and Unsupervised Learning Algorithms for Pattern Classification. International Journal of Advanced Research in Artificial Intelligence. 2013.
DRACHEN et al. Game Analytics: Maximizing the Value of Player Data. Publisher: Springer-Verlag London. 2013. Capítulos 2 e 12 disponíveis em https://andersdrachen.files.wordpress.com/2012/08/thebasics.pdf https://andersdrachen.files.wordpress.com/2012/08/gamedatamining_intro.pdf, respectivamente.
ZAKI et al. Data Mining and Analysis: Foundations and Algorithms. Publisher: Cambridge University Press. 2014. Disponível em http://www.dataminingbook.info/pmwiki.php
10 Great Reads on Game Analytics. Disponível em http://andersdrachen.com/2013/10/31/10-great-reads-on-game-analytics/
Gaming Analytics Summit 2015, San Francisco – Day 2 Highlights. Disponível em http://www.kdnuggets.com/2015/05/gaming-analytics-summit-san-francisco-highlights-day2.html