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

No mundo caótico e fugaz das equipes temporárias, o sucesso muitas vezes depende de uma única escolha difícil. Quando um grupo de estranhos se reúne para um projeto de curto prazo, um torneio de fim de semana ou uma partida de futebol recreativa, eles enfrentam uma tensão fundamental. Cada pessoa deve assumir a tarefa específica na qual é pessoalmente melhor, ou deve preencher os papéis de que o grupo mais precisa para funcionar como um todo? Esses dois objetivos nem sempre se alinham. Uma equipe pode ser composta por indivíduos que são especialistas em seus próprios trabalhos, mas falhar porque suas habilidades se sobrepõem demais ou deixam lacunas críticas. Por outro lado, uma equipe pode ter um equilíbrio perfeito de funções, mas carecer da expertise específica para executá-las. Esse dilema, conhecido na pesquisa como o equilíbrio entre proficiência individual e congruência de equipe, é há muito tempo objeto de estudo na ciência organizacional, embora tenha permanecido difícil de medir ou prever antes mesmo de uma equipe iniciar seu trabalho.

Um novo estudo publicado em uma revista científica aborda esse problema analisando um dos ambientes mais amplos e estruturados onde equipes temporárias se formam todos os dias: o mundo dos jogos competitivos online. Os pesquisadores focaram no League of Legends, um jogo popular onde dois times de cinco estranhos são combinados para competir. Nesta arena digital, cada partida é um novo começo. Os jogadores recebem funções específicas, como um defensor, um lutador ou um personagem de suporte, e devem escolher entre um vasto elenco de personagens jogáveis para preencher essas funções. O provedor do jogo utiliza um sistema sofisticado para garantir que os níveis de habilidade geral das duas equipes opostas sejam aproximadamente iguais, o que significa que o resultado de uma partida raramente é decidido simplesmente pelo fato de um time ser "melhor" que o outro. Em vez disso, o vencedor é frequentemente determinado pelo quão bem os cinco indivíduos de cada lado se ajustam às suas atribuições específicas e pelo quão bem suas escolhas se complementam.

Para entender o que faz uma equipe vencedora, os pesquisadores analisaram um conjunto massivo de dados contendo registros de aproximadamente 320 milhões de partidas envolvendo 26 milhões de participantes únicos. Essa escala permitiu que eles observassem o histórico de cada jogador, rastreando quais personagens eles haviam jogado, quais funções haviam desempenhado e se haviam vencido ou perdido no passado. O objetivo era construir um sistema de computador que pudesse olhar para uma equipe pouco antes de uma partida começar — após os jogadores terem sido atribuídos às suas funções e terem selecionado seus personagens, mas antes de o jogo realmente começar — e prever qual equipe venceria. Os pesquisadores queriam saber se poderiam identificar uma composição vencedcedora ao compreender duas coisas simultaneamente: quão bem cada jogador correspondia à sua atribuição atual com base em sua experiência passada, e quão bem os cinco jogadores de uma equipe trabalhavam juntos como uma unidade.

A equipe desenvolveu um novo tipo de estrutura de inteligência artificial para resolver isso. Em vez de apenas dar a cada jogador uma pontuação única e estática baseada em sua habilidade geral, o sistema analisava o histórico de cada jogador no contexto de sua situação atual. Ele fazia perguntas específicas: Como este jogador se saiu com este personagem específico nesta função específica anteriormente? Como o sucesso passado deste jogador com este personagem muda dependendo da versão atual do jogo? O sistema então pegava esses insights individuais e os combinava para ver como os cinco jogadores de uma equipe interagiam entre si e como eles se comparavam aos cinco jogadores da equipe adversária. O sistema dava atenção especial aos confrontos diretos, como a comparação entre o defensor de um time e o defensor do outro, enquanto também considerava a equipe como um grupo completo e interconectado.

Os resultados mostraram que essa nova abordagem era significativamente melhor em prever vencedores do que qualquer método anterior. Os pesquisadores compararam seu sistema com técnicas mais antigas que simplesmente somavam as classificações de habilidade dos jogadores, ou métodos que olhavam para a composição da equipe sem considerar o histórico individual. O novo sistema, que aprendeu com o vasto histórico de escolhas e resultados dos jogadores, alcançou uma precisidade muito maior. Provou que conhecer o nível de habilidade geral de um jogador não era suficiente; o sistema precisava entender o ajuste específico entre um jogador e sua função atual, e como esse ajuste interagia com o restante da equipe.

O estudo também revelou que os dois fatores — ajuste individual e equilíbrio de equipe — não eram apenas ingredientes separados que poderiam ser misturados em qualquer ordem. Eles estavam profundamente interconectados. Quando os pesquisadores analisaram os dados, descobriram que uma equipe com jogadores altamente qualificados, mas mal adaptados às suas funções, frequentemente perdia para uma equipe de jogadores de habilidade moderada, mas perfeitamente equilibrados. Por outro lado, uma equipe perfeitamente equilibrada poderia falhar se os jogadores individuais carecessem da experiência específica necessária para as tarefas atribuídas. As previsões mais bem-sucedidas vieram de um sistema que tratava esses dois fatores como um problema único e unificado, aprendendo como o valor da experiência passada de um jogador mudava dependendo da equipe em que ele estava e do oponente que enfrentava.

Ao analisar o funcionamento interno de seu sistema, os pesquisadores descobriram que ele aprendeu a reconhecer padrões que os humanos poderiam perder. Por exemplo, o sistema organizou os milhares de diferentes personagens jogáveis em grupos baseados em como eles funcionavam no jogo, mesmo sem nunca ter sido informado sobre essas funções. O sistema também aprendeu como o jogo mudava ao longo do tempo, reconhecendo que uma estratégia que funcionava em uma versão mais antiga do jogo poderia não funcionar em uma mais recente. Essa capacidade de se adaptar a contextos em mudança e de pesar o histórico individual contra a dinâmica de equipe permitiu que o sistema visse a "forma" de uma equipe vencedora antes mesmo do primeiro movimento.

As descobertas sugerem que o sucesso de uma equipe temporária não é simplesmente a soma de suas partes. É uma relação complexa entre quem as pessoas são, o que lhes é solicitado e como esses papéis se encaixam no momento. Embora o estudo tenha sido conduzido no contexto específico de um videogame, os princípios descobertos oferecem uma nova maneira de pensar sobre o trabalho em equipe no mundo real. Seja em uma startup, uma equipe esportiva ou um grupo de projeto, a pesquisa indica que equipes eficazes não são apenas coleções de indivíduos talentosos, mas configurações cuidadosamente construídas onde a experiência específica de cada membro se alinha com a necessidade coletiva. O estudo conclui que, para compreender verdadeiramente o potencial de uma equipe, deve-se observar o histórico de seus membros não isoladamente, mas no contexto específico da equipe que eles formaram.