《英雄联盟中专家输入行为的特征与量化》

文献标题

Characterizing and Quantifying Expert Input Behavior in League of Legends

文献信息

• 主题领域: 电竞选手的输入行为分析与技能训练
• 关键词: League of Legends, 电竞, 输入技能, 玩家行为, 技术评估, 可视化训练, 人机交互, 专家技能, 游戏学习, 数据分析

研究背景与问题

• 问题与挑战:
  • 电竞选手需要使用鼠标和键盘有效地执行任务，但对输入技能的全面分析较少，且数据收集通常受到环境限制。
  • 现有电竞数据分析技术在粒度、可解释性以及实时性方面存在不足。
  • 虽然输入行为数据对电竞选手的表现评价具有潜力，但由于数据复杂性和缺乏标准化的行为指标，这个领域的研究发展受到限制。
• 重要性:
  • 输入技能是电竞选手成功完成游戏中任务的重要基础，分析输入技能能够提供更具体、更可操作的训练建议。
  • 电竞的兴起及其文化影响使得深入研究选手技能的需求与价值不断提升。
• 研究动机与相关工作:
  • 前人研究表明数据驱动型的分析方法在电竞训练和学习领域具有显著潜力。但以往对低级别游戏输入行为的探讨极少，更多集中在比赛结果统计或特定游戏活动日志。
  • 针对《英雄联盟》（League of Legends），既往研究对其输入技能的理解较少，而这款游戏是目前最受欢迎的电竞游戏之一。

解决方案

• 提出的方法:
  • 构建一个输入行为分析的完整研究流程，包括：
    1. 专家输入行为的标准化指标设计。
    2. 大规模输入行为数据的收集与分析。
    3. 通过可视化工具进行训练干预。
• 创新之处:
  • 首次提出关于游戏输入技能的具体量化指标。
  • 数据收集涵盖广泛的玩家技能范围，超越以往小规模实验室研究的局限。
  • 通过可视化训练工具，验证分析结果在实践中的可操作性。
• 技术实施步骤:
  1. 专家访谈与输入技能指数的设计:
     • 通过对五位电竞选手及教练的访谈，总结出《英雄联盟》中重要的输入技能及其实施模式，基于这些技能设计出八个量化指标（如定位技能、风险补偿技能等）。
  2. 数据收集与分析:
     • 收集了193位玩家、4835场比赛的输入行为日志，数据涵盖键盘和鼠标的详细使用情况以及比赛结果。
     • 通过统计方法验证这些输入技能指标与玩家排名的显著相关性。
  3. 训练干预:
     • 开发可视化工具，帮助玩家和教练理解他们的输入技能水平，并进行针对此技能的训练。
     • 在为期三周的试验中观察玩家行为和表现的变化。

研究成果

• 具体成果:
  • 设计了八个能够反映玩家输入技能质量的量化指标，包括定位技能、风险补偿技能、监控技能等。
  • 分析结果显示高排名玩家在这些指标上的表现显著优于低排名玩家。
  • 数据集被公开用于未来电竞研究基准。
• 与现有解决方案相比的优势:
  • 提供了更高粒度、更解释性的数据输入行为分析方法，超越传统的动作频率（APM）等简单指标。
  • 培训软件能够将分析结果转化为具体的训练建议，弥补电竞训练中缺乏标准化工具的挑战。
• 实验或评估结果:
  • 高排名玩家在定位、连击、监控技能等指标上表现突出，显示出对复杂游戏系统更深层次的理解。
  • 三周的训练干预虽效果显著性部分不足（p=0.056），但仍引发玩家和教练对技能训练的积极反馈。
• 局限性与未来方向:
  • 本研究集中在《英雄联盟》，其他电竞游戏的输入技能可能需重新定义，如FPS、RTS等。
  • 玩家间设备规范化缺失可能对研究结果形成干扰。
  • 对低等级玩家的训练效果仍需进一步验证。
  • 未来研究可以探索更多行为指标，或针对比赛中的特定上下文进行分析。

本研究为深化电竞领域的科学训练提供了坚实基础，同时为输入技能的分析与应用开辟了新方向。