Finding winning team compositions by jointly modeling player proficiency and team congruency in multiplayer online games

In der chaotischen, flüchtigen Welt temporärer Teams hängt der Erfolg oft von einer einzigen, schwierigen Entscheidung ab. Wenn eine Gruppe von Fremden für ein kurzfristiges Projekt, ein Wochenendturnier oder ein Pick-up-Spiel zusammenkommt, steht sie vor einem grundlegenden Spannungsfeld. Sollte jede Person die spezifische Aufgabe übernehmen, in der sie persönlich am besten ist, oder sollte sie die Rollen ausfüllen, die die Gruppe am dringendsten benötigt, um als Ganzes zu funktionieren? Diese beiden Ziele stimmen nicht immer überein. Ein Team kann aus Experten für ihre jeweiligen Aufgaben bestehen und dennoch scheitern, weil sich ihre Fähigkeiten zu sehr überschneiden oder kritische Lücken hinterlassen. Umgekehrt kann ein Team über eine perfekte Rollenverteilung verfügen, aber es an der spezifischen Expertise mangeln, um diese auszuführen. Dieses Dilemma, das in der Forschung als das Gleichgewicht zwischen individueller Kompetenz und Teamkongruenz bekannt ist, ist seit langem Gegenstand der Organisationswissenschaft, blieb jedoch schwer messbar oder vorhersehbar, bevor ein Team seine Arbeit überhaupt aufnimmt.

Eine neue Studie, die in einer wissenschaftlichen Fachzeitschrift veröffentlicht wurde, geht diesem Problem nach, indem sie einen der größten, am stärksten strukturierten Lebensbereiche untersucht, in denen täglich temporäre Teams entstehen: die Welt des kompetitiven Online-Gamings. Die Forscher konzentrierten sich auf League of Legends, ein populäres Spiel, bei dem zwei Teams aus jeweils fünf Fremden zusammengestellt werden, um gegeneinander anzutreten. In dieser digitalen Arena ist jedes Match ein Neuanfang. Den Spielern werden spezifische Rollen zugewiesen, wie etwa ein Verteidiger, ein Kämpfer oder ein Support-Charakter, und sie müssen aus einem riesigen Pool an spielbaren Charakteren wählen, um diese Rollen auszufüllen. Der Spieleanbieter nutzt ein ausgeklügeltes System, um sicherzustellen, dass die allgemeinen Fähigkeitsniveaus der beiden gegnerischen Teams in etwa gleich sind, was bedeutet, dass der Ausgang eines Matches selten dadurch entschieden wird, dass ein Team einfach nur „besser“ als das andere ist. Stattdessen wird der Sieger oft dadurch bestimmt, wie gut die fünf Individuen auf jeder Seite zu ihren spezifischen Zuweisungen passen und wie gut ihre Entscheidungen einander ergänzen.

Um zu verstehen, was ein gewinnendes Team ausmacht, analysierten die Forscher einen massiven Datensatz, der Aufzeichnungen aus etwa 320 Millionen Matches mit 26 Millionen einzigartigen Teilnehmern enthielt. Diese Größenordnung ermöglichte es ihnen, die Historie jedes einzelnen Spielers zu betrachten und zu verfolgen, welche Charaktere er gespielt hatte, welche Rollen er ausgefüllt hatte und ob er in der Vergangenheit gewonnen oder verloren hatte. Das Ziel war es, ein Computersystem zu entwickeln, das ein Team unmittelbar vor Beginn eines Matches analysieren kann – nachdem die Spieler ihren Rollen zugewiesen wurden und ihre Charaktere ausgewählt hatten, aber bevor das Spiel tatsächlich beginnt – und vorhersagt, welches Team gewinnen wird. Die Forscher wollten wissen, ob sie eine gewinnende Zusammensetzung identifizieren konnten, indem sie zwei Dinge gleichzeitig verstanden: wie gut ein Spieler basierend auf seiner vergangenen Erfahrung zu seiner aktuellen Aufgabe passt und wie gut die fünf Spieler eines Teams als Einheit zusammenarbeiten.

Das Team entwickelte eine neue Art von KI-Framework (Künstliche Intelligenz), um dieses Problem zu lösen. Anstatt jedem Spieler lediglich einen einzelnen, statischen Wert basierend auf seinem allgemeinen Geschick zu geben, betrachtete das System die Historie jedes Spielers im Kontext seiner aktuellen Situation. Es stellte spezifische Fragen: Wie hat dieser Spieler zuvor mit diesem speziellen Charakter in dieser spezifischen Rolle abgeschnitten? Wie verändert sich sein vergangener Erfolg mit diesem Charakter je nach der aktuellen Version des Spiels? Das System nahm diese individuellen Erkenntnisse und kombinierte sie, um zu sehen, wie die fünf Spieler eines Teams miteinander interagieren und wie sie sich gegen die fünf Spieler des gegnerischen Teams behaupten. Es legte besonderes Augenmerk auf die direkten Duelle, wie zum Beispiel den Vergleich zwischen dem Verteidiger des einen Teams und dem Verteidiger des anderen Teams, während es gleichzeitig das Team als eine vollständige, miteinander verbundene Gruppe betrachtete.

Die Ergebnisse zeigten, dass dieser neue Ansatz signifikant besser darin war, Gewinner vorherzusagen, als jede bisherige Methode. Die Forscher verglichen ihr System mit älteren Techniken, die lediglich die Skill-Ratings der Spieler addierten, oder mit Methoden, die die Teamzusammensetzung betrachteten, ohne die individuelle Historie zu berücksichtigen. Das neue System, das aus der riesigen Historie der Spielerentscheidungen und -ergebnisse lernte, erreichte eine wesentlich höhere Genauigkeit. Es bewies, dass es nicht ausreichte, das allgemeine Fähigkeitsniveau eines Spielers zu kennen; das System musste die spezifische Passung zwischen einem Spieler und seiner aktuellen Rolle verstehen und wie diese Passung mit dem Rest des Teams interagiert.

Die Studie ergab auch, dass die beiden Faktoren – individuelle Passung und Teambalance – nicht einfach getrennte Zutaten waren, die in beliebiger Reihenfolge gemischt werden konnten. Sie waren tief miteinander verwoben. Als die Forscher die Daten untersuchten, stellten sie fest, dass ein Team mit hochqualifizierten Spielern, die jedoch schlecht auf ihre Rollen abgestimmt waren, oft gegen ein Team mit moderat qualifizierten Spielern verlor, die perfekt ausbalanciert waren. Umgekehrt konnte ein perfekt ausbalanciertes Team scheitern, wenn die einzelnen Spieler nicht über die spezifische Erfahrung verfügten, die für ihre zugewiesenen Aufgaben erforderlich war. Die erfolgreichsten Vorhersagen kamen von einem System, das diese beiden Faktoren als ein einziges, einheitliches Problem behandelte und lernte, wie sich der Wert der vergangenen Erfahrung eines Spielers je nach Team und Gegner veränderte.

Durch die Analyse der internen Funktionsweise ihres Systems entdeckten die Forscher, dass es in der Lage war, Muster zu erkennen, die Menschen entgehen könnten. Zum Beispiel ordnete das System die tausenden verschiedenen spielbaren Charaktere in Gruppen basierend auf ihrer Funktion im Spiel an, obwohl es nie explizit darauf hingewiesen wurde, was diese Funktionen waren. Es lernte auch, wie sich das Spiel im Laufe der Zeit verändert, und erkannte, dass eine Strategie, die in einer älteren Version des Spiels funktionierte, in einer neueren möglicherweise nicht mehr wirksam ist. Diese Fähigkeit, sich an wechselnde Kontexte anzupassen und die individuelle Historie gegen die Teamdynamik abzuwägen, ermöglichte es dem System, die „Gestalt“ eines gewinnenden Teams zu sehen, noch bevor der erste Zug gemacht wurde.

Die Erkenntnisse legen nahe, dass der Erfolg eines temporären Teams nicht einfach die Summe seiner Teile ist. Es ist eine komplexe Beziehung zwischen dem, wer die Menschen sind, was ihnen aufgetragen wird und wie diese Rollen in diesem Moment zusammenpassen. Obwohl die Studie im spezifischen Kontext eines Videospiels durchgeführt wurde, bieten die entdeckten Prinzipien eine neue Art, Teamarbeit in der realen Welt zu betrachten. Ob in einem Startup, einem Sportteam oder einer Projektgruppe – die Forschung deutet darauf hin, dass effektive Teams nicht bloß Sammlungen talentierter Individuen sind, sondern sorgfältig konstruierte Konfigurationen, in denen die spezifische Erfahrung jedes Mitglieds mit dem kollektiven Bedarf übereinstimmt. Die Studie kommt zu dem Schluss, dass man, um das Potenzial eines Teams wirklich zu verstehen, dessen Mitglieder nicht isoliert betrachten darf, sondern im spezifischen Kontext des Teams, das sie gerade bilden.