A lightweight approach for predicting errors in chess matches

  • Giovanni Comarela UFES
  • Davi Hagap Emanuel da Silva UFV

Resumo


O xadrez vem se tornando cada vez mais popular e acessível. O xadrez online permite que jogadores se desafiem de diferentes partes do mundo, possibilitando novas formas de aprendizagem do jogo e interação entre usuários na Web. Com o crescimento de popularidade, existe a possibilidade de empoderar jogadores casuais com ricas análises computacionais, que podem auxiliar no processo de aprendizagem do jogo. Uma das formas de analisar partidas de xadrez é através do estudo de erros. Nesse contexto, uma nova abordagem para a tarefa de predição de erros no xadrez é apresentada. A motivação desse trabalho é que saber quando jogadores tem mais chances de errar, é saber que tipos de situações apresentam mais dificuldades no processo de tomada de decisão. Para esse fim, foi adicionada uma camada de abstração no já estudado problema de predição de erro, acrescentando features baseadas em grafos aos modelos de aprendizagem de máquina. Os resultados indicam um aumento na acurácia dos modelos testados, melhorando os resultados obtidos em estudos recentes.

Referências

Anderson, A., Kleinberg, J., and Mullainathan, S. (2017). Assessing human error against a benchmark of perfection. ACM Transactions on Knowledge Discovery from Data (TKDD), 11(4):1–25.

Biswas, T. and Regan, K. (2015). Measuring level-k reasoning, satisficing, and human In 2015 IEEE 14th International Conference on Machine error in game-play data. Learning and Applications (ICMLA), pages 941–947. IEEE.

Brown, J. A., Cuzzocrea, A., Kresta, M., Kristjanson, K. D., Leung, C. K., and Tebinka, T. W. (2017). A machine learning tool for supporting advanced knowledge discovery from chess game data. In 2017 16th IEEE International Conference on Machine Learning and Applications (ICMLA), pages 649–654. IEEE.

Chabris, C. F. (2017). Six suggestions for research on games in cognitive science. Topics in cognitive science, 9(2):497–509.

Farren, D., Templeton, D., and Wang, M. (2013). Analysis of networks in chess. Technical report, Stanford University, Tech. Rep.

McIlroy-Young, R., Sen, S., Kleinberg, J., and Anderson, A. (2020a). Aligning superhuman ai with human behavior: Chess as a model system. In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pages 1677–1687.

McIlroy-Young, R., Wang, R., Sen, S., Kleinberg, J., and Anderson, A. (2020b). Learning personalized models of human behavior in chess. arXiv preprint arXiv:2008.10086.

Ross, B. C. (2014). Mutual information between discrete and continuous data sets. PloS one, 9(2):e87357.

Statt, N. The Verge esports giant tsm signs hikaru nakamura, its first pro chess player.

Zegners, D., Sunde, U., and Strittmatter, A. (2020). Decisions and performance under bounded rationality: A computational benchmarking approach.
Publicado
29/11/2021
Como Citar

Selecione um Formato
COMARELA, Giovanni; SILVA, Davi Hagap Emanuel da. A lightweight approach for predicting errors in chess matches. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 18. , 2021, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2021 . p. 703-714. DOI: https://doi.org/10.5753/eniac.2021.18296.