Ceux qui découvrent pour la première fois les jeux eSport compétitifs tels que Dota 2 et League of Legends se plaignent souvent de la difficulté de l'action. Parfois, il est difficile de suivre même pour les personnes qui jouent depuis des années.

Mais une équipe de chercheurs suédois, danois et allemands a mis au point un modèle analytique pouvant aider les commentateurs (ou casters, comme on les appelle dans l'eSport) à comprendre exactement ce qui se passe et même à prédire qui va gagner..

Le modèle est basé sur le comportement des joueurs tout au long du jeu - en particulier sur les résultats de chaque petite escarmouche depuis le tout début. Il prend en compte les dégâts infligés, les capacités utilisées et les récompenses obtenues par les deux camps au lendemain du combat. Ces statistiques sont ensuite combinées à des techniques d’apprentissage automatique pour prédire qui est susceptible de gagner..

Évaluer les tactiques

Il a été configuré et testé à l'aide de répliques de plus de 400 parties de Dota 2. La nature numérique du jeu signifie qu'il est possible d'obtenir des statistiques beaucoup plus détaillées qu'avec un match de football ou de tennis, par exemple..

Les détails de son fonctionnement interne ont été publiés dans un document présenté lors de la conférence MIT Sloan Sports Analytics à Boston..

"Le modèle fournit aux analystes des moyens de mieux communiquer à leur auditoire ce qui se passe dans un jeu. Parfois, le jeu évolue si vite qu'il est difficile de voir exactement ce qui se passe", a déclaré Tobias Mahlmann, co-chercheur et scientifique en sciences cognitives de l'Université de Lund en Suède..

Mahlmann a ajouté que de nombreuses équipes trouveront les résultats intéressants et pourront utiliser les données générées pour améliorer leur jeu. "La possibilité d'analyser les jeux en profondeur et d'évaluer les tactiques est intéressante pour les analystes et les développeurs de jeux, mais également pour les joueurs eux-mêmes."

  • Désolé, mais les vraies capes d'invisibilité n'arriveront probablement jamais