Finding winning team compositions by jointly modeling player proficiency and team congruency in multiplayer online games
تقدم هذه الورقة إطار عمل يعتمد على التعلم العميق وبنية "ترانسفورمر" (transformer) يقوم بتحليل 320 مليون مباراة من لعبة "ليج أوف ليجيندز" (League of Legends) للتنبؤ بتشكيلات الفرق الفائزة عبر النمذجة المشتركة لكفاءة اللاعب الفردي وتوافق دور الفريق، متفوقاً بشكل كبير على النهج السابقة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم الفرق المؤقتة الفوضوي والعابر، غالبًا ما يتوقف النجاح على خيار واحد صعب. فعندما تجتمع مجموعة من الغرباء من أجل مشروع قصير الأمد، أو بطولة نهاية أسبوع، أو مباراة عشوائية، فإنهم يواجهون توترًا جوهريًا: هل ينبغي لكل شخص أن يتولى المهمة التي يبرع فيها شخصيًا، أم يجب أن يشغل الأدوار التي تحتاجها المجموعة أكثر لتعمل ككيان واحد؟ هذان الهدفان لا يتوافقان دائمًا. فقد يتكون فريق من أفراد خبراء في وظائفهم الخاصة، ومع ذلك يفشلون بسبب تداخل مهاراتهم بشكل كبير أو ترك فجوات حرجة. وعلى العكس من ذلك، قد يمتلك الفريق توازنًا مثاليًا في الأدوار ولكنه يفتقر إلى الخبرة المحددة لتنفيذها. هذا المعضل، المعروف في الأبحاث باسم التوازن بين الكفاءة الفردية والانسجام الجماعي، كان منذ زمن طويل موضوعًا للدراسة في العلوم التنظيمية، ومع ذلك ظل من الصعب قياسه أو التنبؤ به قبل أن يبدأ الفريق عمله.
تتناول دراسة جديدة نُشرت في مجلة علمية هذه المشكلة من خلال النظر في واحدة من أكبر البيئات الأكثر هيكلة حيث تتشكل الفرق المؤقتة يوميًا: عالم الألعاب الإلكترونية التنافسية عبر الإنترنت. ركز الباحثون على لعبة "League of Legends"، وهي لعبة شهيرة حيث يتم جمع فريقين من خمسة غرباء معًا للتنافس. في هذه الساحة الرقمية، كل مباراة هي بداية جديدة؛ حيث يتم تعيين أدوار محددة للاعبين، مثل المدافع، أو المقاتل، أو شخصية الدعم، ويجب عليهم الاختيار من قائمة واسعة من الشخصيات القابلة للعب لملء تلك الأدوار. يستخدم مزود اللعبة نظامًا متطورًا لضمان أن مستويات المهارة العامة للفريقين المتنافسين متساوية تقريبًا، مما يعني أن نتيجة المباراة نادرًا ما تُحسم لمجرد أن أحد الفريقين "أفضل" من الآخر. بدلاً من ذلك، غالبًا ما يتحدد الفائز بناءً على مدى ملاءمة الخمسة أفراد في كل جانب لمهامهم المحددة، ومدى تكامل خياراتهم مع بعضها البعض.
لفهم ما الذي يصنع الفريق الفائز، حلل الباحثون مجموعة بيانات ضخمة تحتوي على سجلات من حوالي 320 مليون مباراة شارك فيها 26 مليون لاعب فريد. سمح هذا النطاق لهم بالنظر في تاريخ كل لاعب، وتتبع الشخصيات التي لعب بها، والأدوار التي شغلها، وما إذا كان قد فاز أو خسر في الماضي. كان الهدف هو بناء نظام حاسوبي يمكنه النظر إلى فريق ما قبل بدء المباراة مباشرة — بعد تعيين الأدوار للاعبين واختيارهم للشخصيات، ولكن قبل أن تبدأ اللعبة فعليًا — والتنبؤ بالفريق الذي سيفوز. أراد الباحثون معرفة ما إذا كان بإمكانهم تحديد التكوين الفائز من خلال فهم شيئين في آن واحد: مدى مطابقة كل لاعب لمهمته الحالية بناءً على خبرته السابقة، ومدى عمل اللاعبين الخمسة في فريق واحد معًا كفريق متكامل.
طوّر الفريق نوعًا جديدًا من أطر الذكاء الاصطناعي لحل هذه المشكلة. فبدلاً من إعطاء كل لاعب درجة واحدة ثابتة بناءً على مهارته العامة، نظر النظام إلى تاريخ كل لاعب في سياق وضعه الحالي. طرح النظام أسئلة محددة: كيف كان أداء هذا اللاعب بهذه الشخصية المحددة في هذا الدور المحدد من قبل؟ كيف يتغير نجاحه السابق مع هذه الشخصية اعتمادًا على النسخة الحالية من اللعبة؟ ثم أخذ النظام هذه الرؤى الفردية ودمجها ليرى كيف يتفاعل اللاعبون الخمسة في الفريق مع بعضهم البعض، وكleyف يتوافقون مع اللاعبين الخمسة في الفريق الخصم. كما أولى اهتمامًا خاصًا للمواجهات المباشرة، مثل مقارنة المدافع في فريق واحد بالمدافع في الفريق الآخر، مع مراعاة الفريق أيضًا كمجموعة مترابطة ومتكاملة.
أظهرت النتائج أن هذا النهج الجديد كان أفضل بكثير في التنبؤ بالفائزين من أي طريقة سابقة. قارن الباحثون نظامهم بالتقنيات القديمة التي كانت تكتفي بجمع تقييمات مهارة اللاعبين، أو الأساليب التي كانت تنظر إلى تكوين الفريق دون النظر في التاريخ الفردي. حقق النظام الجديد، الذي تعلم من التاريخ الواسع لخيارات اللاعبين ونتائجها، دقة أعلى بكثير. وقد أثبت أن معرفة مستوى المهارة العام للاعب لم يكن كافيًا؛ بل كان النظام بحاجة لفهم الملاءمة المحددة بين اللاعب ودوره الحالي، وكيف تتفاعل هذه الملاءمة مع بقية الفريق.
كما كشفت الدراسة أن العاملين — الملاءمة الفردية والتوازن الجماعي — لم يكونا مجرد مكونين منفصلين يمكن خلطهما بأي ترتيب. فإنه عند تحليل البيانات، وجد الباحثون أن الفريق المكون من لاعبين ذوي مهارات عالية ولكنهم غير متوافقين جيدًا مع أدوارهم، غالبًا ما يخسر أمام فريق من لاعبين متوسطي المهارة ولكنهم متوازنون تمامًا. وعلى العكس من ذلك، يمكن لفريق متوازن تمامًا أن يفشل إذا افتقر اللاعبون الأفراد إلى الخبرة المحددة المطلوبة لمهامهم المسندة إليهم. جاءت أدق التنبؤات من نظام يعامل هذين العاملين كمسألة واحدة موحدة، ويتعلم كيف تتغير قيمة خبرة اللاعب السابقة اعتمادًا على الفريق الذي يتواجد فيه والخصم الذي يواجهه.
ومن خلال تحليل الآليات الداخلية لنظامهم، اكتشف الباحثون أن النظام قد تعلم التعرف على أنماط قد يغفل عنها البشر. على سبيل المثال، قام النظام بتنظيم آلاف الشخصيات المختلفة القابلة للعب في مجموعات بناءً على كيفية عملها في اللعبة، رغم أنه لم يُخبر أبدًا بوظائفها. كما تعلم كيف تتغير اللعبة بمرور الوقت، مدركًا أن الاستراتيجية التي كانت ناجحة في نسخة قديمة من اللعبة قد لا تعمل في نسخة أحدث. هذه القدرة على التكيف مع السياقات المتغيرة ووزن التاريخ الفردي مقابل ديناميكيات الفريق سمحت للنظام برؤية "شكل" الفريق الفائز قبل القيام بالحركة الأولى.
تشير النتائج إلى أن نجاح الفريق المؤقت ليس مجرد مجموع أجزائه، بل هو علاقة معقدة بين من هم الأشخاص، وما يُطلب منهم القيام به، وكيف تتوافق هذه الأدوار معًا في تلك اللحظة. وبينما أُجريت الدراسة في سياق محدد للعبة فيديو، فإن المبادئ التي كشفت عنها تقدم طريقة جديدة للتفكير في العمل الجماعي في العالم الحقيقي. وسواء كان ذلك في شركة ناشئة، أو فريق رياضي، أو مجموعة عمل لمشروع ما، تشير الأبحاء إلى أن الفرق الفعالة ليست مجرد مجموعات من الأفراد الموهوبين، بل هي تكوينات مبنية بعناية حيث تتوافق خبرة كل عضو المحددة مع الاحتياج الجماعي. وتخلص الدراسة إلى أنه لفهم إمكانات أي فريق حقًا، يجب النظر إلى تاريخ أعضائه ليس بمعزل عن بعضهم البعض، بل في السياق المحدد للفريق الذي شكلوا كيانه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.