Game Data Science: geração de inferências com Inteligência Artificial utilizando dados gerados por jogos digitais

Abstract

Este estudo teve como objetivo explorar a aplicação de técnicas estatísticas e de inteligência artificial na extração de inferências a partir de dados de partidas do jogo League of Legends, com ênfase na análise do desempenho de jogadores e equipes em ambientes competitivos. Utilizando dados públicos da API da Riot Games, foram coletadas e analisadas estatísticas de quatro jogadores profissionais brasileiros, aplicando métodos estatísticos descritivos e testes de hipótese para identificar padrões relevantes. Em seguida, algoritmos de aprendizado de máquina como Random Forest, XGBoost e SVM foram utilizados para tarefas de regressão e classificação, avaliando a capacidade preditiva dos modelos por meio de métricas como MAE, RMSE, acurácia, recall e F1-score. O SVM se destacou na previsão de vitórias, atingindo até 80,8% de recall. O estudo conclui que, mesmo com limitações como tamanho reduzido da amostra e ausência de variáveis contextuais, é possível extrair insights significativos de partidas com potencial para aplicação em estratégias de equipes, desenvolvimento de ferramentas analíticas e suporte a decisões no cenário de e-sports.

This study aimed to explore the application of statistical techniques and artificial intelligence to generate inferences from match data in the game League of Legends, with an emphasis on analyzing the performance of players and teams in competitive environments. Using public data from the Riot Games API, statistics from four professional Brazilian players were collected and analyzed, applying descriptive statistical methods and hypothesis testing to identify relevant patterns. Subsequently, machine learning algorithms such as Random Forest, XGBoost, and SVM were applied to regression and classification tasks, evaluating the predictive capacity of the models using metrics such as MAE, RMSE, accuracy, recall, and F1-score. SVM stood out in victory prediction, achieving up to 80.8% recall. The study concludes that, despite limitations such as a small sample size and lack of contextual variables, it is possible to extract meaningful insights from matches with potential applications in team strategies, the development of analytical tools, and decision support in the e-sports scenario.