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

Dans le monde désordonné et éphémère des équipes temporaires, le succès repose souvent sur un choix unique et difficile. Lorsqu'un groupe d'inconnus se réunit pour un projet à court terme, un tournoi de week-end ou un match de loisir, il est confronté à une tension fondamentale. Chaque personne doit-elle assumer la tâche spécifique pour laquelle elle est personnellement la plus douée, ou doit-elle remplir les rôles dont le groupe a le plus besoin pour fonctionner dans son ensemble ? Ces deux objectifs ne s'alignent pas toujours. Une équipe peut être composée d'individus experts dans leur propre métier, tout en échouant parce que leurs compétences se chevauchent trop ou laissent des lacunes critiques. Inversement, une équipe peut présenter un équilibre parfait de rôles, mais manquer de l'expertise spécifique pour les exécuter. Ce dilemme, connu dans la recherche sous le nom d'équilibre entre la compétence individuelle et la congruence de l'équipe, est depuis longtemps un sujet d'étude en sciences organisationnelles, pourtant il est resté difficile à mesurer ou à prédire avant même qu'une équipe ne commence son travail.

Une nouvelle étude publiée dans une revue scientifique s'attaque à ce problème en examinant l'un des environnements les plus vastes et les plus structurés où les équipes temporaires se forment chaque jour : le monde du jeu vidéo compétitif en ligne. Les chercheurs se sont concentrés sur League of Legends, un jeu populaire où deux équipes de cinq inconnus sont associées pour s'affronter. Dans cette arène numérique, chaque match est un nouveau départ. Les joueurs se voient assigner des rôles spécifiques, tels qu'un défenseur, un combattant ou un personnage de soutien, et ils doivent choisir parmi un vaste répertoire de personnages jouables pour remplir ces rôles. Le fournisseur du jeu utilise un système sophistiqué pour garantir que les niveaux de compétence globaux des deux équipes adverses sont approximativement égaux, ce qui signifie que l'issue d'un match est rarement décidée par le simple fait qu'une équipe soit plus « forte » que l'autre. Au lieu de cela, le vainqueur est souvent déterminé par la manière dont les cinq individus de chaque côté s'adaptent à leurs affectations spécifiques et par la manière dont leurs choix se complètent les uns les autres.

Pour comprendre ce qui fait une équipe gagnante, les chercheurs ont analysé un ensemble massif de données contenant les comptes rendus d'environ 320 millions de matchs impliquant 26 millions de participants uniques. Cette échelle leur a permis d'examiner l'historique de chaque joueur, en suivant quels personnages ils avaient joués, quels rôles ils avaient occupés et s'ils avaient gagné ou perdu par le passé. L'objectif était de construire un système informatique capable d'analyser une équipe juste avant le début d'un match — après que les joueurs ont été assignés à leurs rôles et ont sélectionné leurs personnages, mais avant que le jeu ne commence réellement — et de prédire quelle équipe gagnerait. Les chercheurs voulaient savoir s'ils pouvaient identifier une composition gagnante en comprenant simultanément deux choses : à quel point chaque joueur correspondait à son affectation actuelle sur la base de son expérience passée, et à quel point les cinq joueurs d'une équipe travaillaient ensemble comme une unité.

L'équipe a développé un nouveau type de cadre d'intelligence artificielle pour résoudre ce problème. Au lieu de simplement donner à chaque joueur un score unique et statique basé sur sa compétence globale, le système examinait l'historique de chaque joueur dans le contexte de sa situation actuelle. Il posait des questions spécifiques : Comment ce joueur a-t-il performé avec ce personnage spécifique dans ce rôle spécifique auparavant ? Comment son succès passé avec ce personnage change-t-il en fonction de la version actuelle du jeu ? Le système prenait ensuite ces informations individuelles et les combinait pour voir comment les cinq joueurs d'une équipe interagissaient entre eux, et comment ils s'opposaient aux cinq joueurs de l'équipe adverse. Il accordait une attention particulière aux affrontements directs, comme la manière dont le défenseur d'une équipe se comparait au défenseur de l'autre, tout en considérant également l'équipe comme un groupe complet et interconnecté.

Les résultats ont montré que cette nouvelle approche était nettement plus efficace pour prédire les vainqueurs que toute méthode précédente. Les chercheurs ont comparé leur système à des techniques plus anciennes qui se contentaient d'additionner les évaluations de compétence des joueurs, ou à des méthodes qui examinaient la composition de l'équipe sans tenir compte de l'historique individuel. Le nouveau système, qui a appris de la vaste histoire des choix et des résultats des joueurs, a atteint une précision bien plus élevée. Il a prouvé que connaître le niveau de compétence général d'un joueur ne suffisait pas ; le système devait comprendre l'adéquation spécifique entre un joueur et son rôle actuel, ainsi que la manière dont cette adéquation interagissait avec le reste de l'équipe.

L'étude a également révélé que les deux facteurs — l'adéquation individuelle et l'équilibre de l'équipe — n'étaient pas seulement des ingrédients séparés que l'on pouvait mélanger dans n'importe quel ordre. Ils étaient profondément interconnectés. En examinant les données, les chercheurs ont découvert qu'une équipe composée de joueurs hautement qualifiés mais mal adaptés à leurs rôles perdait souvent face à une équipe de joueurs de qualification modérée mais parfaitement équilibrée. Inversement, une équipe parfaitement équilibrée pouvait échouer si les joueurs individuels manquaient de l'expérience spécifique nécessaire pour leurs tâches assignées. Les prédictions les plus réussies provenaient d'un système qui traitait ces deux facteurs comme un problème unique et unifié, apprenant comment la valeur de l'expérience passée d'un joueur changeait en fonction de l'équipe dans laquelle il se trouvait et de l'adversaire auquel il faisait face.

En analysant le fonctionnement interne de leur système, les chercheurs ont découvert qu'il avait appris à reconnaître des schémas que les humains pourraient manquer. Par exemple, le système a organisé les milliers de personnages jouables différents en groupes basés sur la manière dont ils fonctionnent dans le jeu, même s'il n'a jamais été informé de ces fonctions. Il a également appris comment le jeu évolue au fil du temps, reconnaissant qu'une stratégie qui fonctionnait dans une version plus ancienne du jeu pourrait ne plus fonctionner dans une version plus récente. Cette capacité à s'adapter à des contextes changeants et à peser l'historique individuel par rapport à la dynamique d'équipe a permis au système de percevoir la « forme » d'une équipe gagnante avant même le premier mouvement.

Les conclusions suggèrent que le succès d'une équipe temporaire n'est pas simplement la somme de ses parties. C'est une relation complexe entre qui sont les personnes, ce qu'on leur demande de faire, et comment ces rôles s'articulent entre eux dans l'instant présent. Bien que l'étude ait été menée dans le contexte spécifique d'un jeu vidéo, les principes qu'elle a mis en lumière offrent une nouvelle façon de penser le travail d'équipe dans le monde réel. Qu'il s'agisse d'une startup, d'une équipe de sport ou d'un groupe de projet, la recherche indique que les équipes efficaces ne sont pas seulement des collections d'individus talentueux, mais des configurations soigneusement construites où l'expérience spécifique de chaque membre s'aligne avec le besoin collectif. L'étude conclut que pour véritablement comprendre le potentiel d'une équipe, il faut examiner l'histoire de ses membres non pas de manière isolée, mais dans le contexte spécifique de l'équipe qu'ils ont formée.