논문 요약: 리그 오브 레전드 (LoL) 에서의 플레이 스타일 유연성 이해

이 연구는 인기 온라인 멀티플레이어 게임인 '리그 오브 레전드 (LoL)'에서 **플레이어 유연성 (Flexibility)**의 개념을 분석하고, 사용자의 적응 능력과 팀 성공 간의 관계를 규명하는 것을 목표로 합니다. 특히, 다양한 기술 수준과 플레이 스타일을 가진 플레이어들을 대상으로 유연성이 어떻게 측정되며, 이것이 경기 결과와 시간에 따른 변화에 어떤 영향을 미치는지 탐구합니다.

1. 연구 배경 및 문제 정의 (Problem)

• 배경: LoL 은 5 명으로 구성된 두 팀이 적의 기지를 파괴하는 MOBA 게임으로, 개인 기술과 팀 시너지의 복잡한 균형이 필요합니다. 기존 연구는 매칭 시스템, 사용자 유형, 팀 커뮤니케이션 등에 집중했으나, 스트레인지 (낯선 사람) 와 팀을 이룰 때 플레이어가 다른 역할을 수용하는 '유연성'과 그 시간적 변화에 대한 연구는 부족했습니다.
• 핵심 연구 질문:
  1. 사용자 유연성은 어떻게 정의되고 측정되는가?
  2. 유연성은 사용자의 기술 수준 (랭크) 과 플레이 스타일 선호도와 어떤 관계를 가지는가?
  3. 어떤 속성이 일반적인 유연성과 시간적 유연성을 예측하는가?

2. 연구 방법론 (Methodology)

2.1 데이터셋 구성

• 데이터 소스: Riot Games 의 공개 API 와 OP.GG 를 통해 수집된 2023 년 6 월 중순부터 9 월 말까지의 북미 서버 데이터.
• 샘플링 전략: 상위 랭크 (Elite: Challenger, Grandmaster, Master) 와 비상위 랭크 (Non-Elite: Iron~Diamond) 의 불균형을 보정하기 위해 각 랭크별 샘플링 비율을 조정했습니다 (상위 랭크 100%, Master 50%, 비상위 0.5% 를 시드 유저로 선정).
• 데이터 규모: 총 4,018 명의 엘리트 플레이어와 5,621 명의 비엘리트 플레이어를 포함하며, Solo Queue(단일 랭크) 기준 최소 100 경기 이상 플레이한 3,119 명의 엘리트와 2,304 명의 비엘리트 플레이어를 최종 분석에 사용했습니다.

2.2 유연성 점수 (Flexibility Score) 측정

• 플레이 스타일 정의: Riot Games 가 정의한 6 가지 주요 스타일 (암살자, 전사, 마법사, 사수, 서포터, 탱커) 과 168 개의 챔피언을 기반으로 21 가지 기능적 플레이 스타일 조합을 정의했습니다.
• 계산 공식:
  1. 각 기능적 플레이 스타일 $i$에 대한 플레이 비율 $P_i$를 계산합니다.
  2. 가장 많이 플레이한 스타일의 비율 $P_{max}$를 찾습니다.
  3. 모든 스타일의 $P_i$와 $P_{max}$ 사이의 평균 편차를 계산하여 정규화한 값 $P_{norm}$을 구합니다.
  4. 유연성 점수 ($F$): $F = 1 - P_{norm}$으로 정의합니다. 점수가 높을수록 다양한 역할을 플레이함 (유연성 높음), 낮을수록 특정 역할에 특화됨 (유연성 낮음) 을 의미합니다.

2.3 시간적 유연성 (Temporal Flexibility)

• 플레이어의 적응력 변화를 분석하기 위해, 플레이어의 경기 기록에 10 경기 단위의 롤링 윈도우를 적용하여 순차적으로 유연성 점수를 계산했습니다.
• 이 점수들에 **선형 회귀 (Linear Regression)**를 적용하여 **시간적 유연성 계수 (Temp Flex Coef)**를 도출했습니다. 이 계수는 시간이 지남에 따라 플레이어가 더 다양해지거나 (양의 값), 특정 역할로 특화되는 (음의 값) 경향을 나타냅니다.

3. 주요 결과 (Results)

3.1 유연성 점수 및 기술 수준의 관계

• 랭크와 유연성: 엘리트 (상위 랭크) 플레이어의 유연성 점수는 비엘리트 플레이어보다 일관되게 낮았습니다. 즉, 상위 랭크일수록 특정 역할에 더 특화되는 경향이 있습니다.
• 모드별 차이: 경쟁이 치열할수록 (Solo Queue 등) 모든 사용자의 유연성 점수가 하락했습니다.
• 역할별 패턴:
  • 암살자 - 전사, 사수, 마법사 역할을 선호하는 플레이어는 상대적으로 유연성이 높았습니다.
  • 마법사 - 서포터, 전사 - 탱커 역할을 선호하는 플레이어는 유연성 점수 분포에서 이분모 (Bimodal) 형태를 보였습니다. 이는 특정 역할에 극도로 특화된 '원트릭 (One Trick Pony)' 플레이어가 많음을 시사합니다. 특히 엘리트 플레이어 사이에서 이 현상이 두드러졌습니다.

3.2 시간적 유연성 (Temporal Flexibility) 의 변화

• 전체적 추세: 게임 업데이트와 새로운 챔피언 출시로 인해 전체 플레이어의 유연성은 시간이 지남에 따라 증가하는 경향을 보였습니다.
• 랭크별 차이:
  • 엘리트 플레이어: 시간이 지남에 따라 유연성이 증가했습니다. (새로운 스타일을 시도하려는 경향)
  • 비엘리트 플레이어: 시간이 지남에 따라 유연성이 감소했습니다. (특정 역할로 고정되는 경향)
  • 속도: 상위 랭크 플레이어의 유연성 증가 속도는 하위 랭크 플레이어의 감소 속도보다 6 배 이상 빠릅니다.

3.3 예측 모델 및 경기 결과 (Win Rate) 분석

• 유연성과 승률의 역상관 관계: Solo Queue 승률을 예측하는 회귀 분석 결과, 유연성 점수가 낮을수록 (특화될수록) 승률이 높았습니다. 이는 LoL 의 경쟁적 성공이 광범위한 지식보다는 제한된 기능적 플레이 스타일의 숙달과 더 밀접하게 관련되어 있음을 시사합니다.
• 시간적 유연성 계수의 예측: 시간적 유연성 계수를 예측하는 모델에서 사용자의 기술 수준 (엘리트 여부) 만이 통계적으로 유의미한 변수였습니다. 다른 변수 (승률, 일반 유연성 점수 등) 는 유의미하지 않았습니다. 이는 비엘리트 플레이어가 시간이 지남에 따라 유연성이 약간 감소하는 경향이 있음을 의미합니다.

4. 주요 기여 및 의의 (Key Contributions & Significance)

1. 유연성의 정량화: 게임 내 플레이 스타일 유연성을 '전반적 유연성'과 '시간적 유연성'으로 구분하여 정량적으로 측정하는 새로운 프레임워크를 제시했습니다.
2. 전문성 vs 유연성의 이중성 (Duality):
   • 경쟁적 성공: 높은 기술 수준 (랭크) 과 높은 승률은 **낮은 유연성 (높은 전문성)**과 상관관계가 있습니다.
   • 적응성: 엘리트 플레이어는 경쟁적 성공을 위해 특정 역할에 특화되어 있지만, 동시에 새로운 스타일을 시도하려는 **적응력 (시간적 유연성 증가)**도 더 높게 유지합니다. 이는 비엘리트 플레이어와 대비되는 독특한 현상입니다.
3. 전략적 시사점:
   • 게임 개발 및 밸런스: 게임 개발사는 플레이어의 랭크와 역할 선호도에 따라 유연성 패턴이 어떻게 변하는지 이해하여, 챔피언 출시나 메타 변화를 설계할 때 참고할 수 있습니다.
   • e 스포츠 및 팀 빌딩: 팀 구성 시 플레이어의 유연성 점수와 시간적 변화 추이를 고려하여, 특정 역할에 특화된 플레이어와 다양한 역할을 소화할 수 있는 플레이어 간의 균형을 맞추는 전략적 계획에 활용될 수 있습니다.
   • 사회적 환경 적용: 스트레스와 경쟁 수준이 다른 환경에서의 유연성 역할을 연구함으로써, 조직 내 자원 배분 및 정책 수립에 대한 통찰을 제공합니다.

5. 결론

이 연구는 LoL 에서 플레이어의 유연성이 단순히 '다양한 역할을 하는 것'을 넘어, 기술 수준, 선호하는 역할, 그리고 시간에 따른 적응 전략과 복잡하게 얽혀 있음을 밝혔습니다. 특히, 엘리트 플레이어는 경쟁적 성공을 위해 전문성을 유지하면서도 동시에 새로운 메타에 적응하는 능동적인 유연성을 보여주는 반면, 비엘리트 플레이어는 시간이 지남에 따라 더 경직된 플레이 스타일을 고수하는 경향이 있다는 점이 핵심 발견사항입니다. 향후 연구는 더 긴 시계열 데이터와 다른 지역 데이터를 포함하여 이러한 경향성을 확장할 계획입니다.