采用混合研究方法，本研究以《英雄联盟》中的 3.36 万用户为数据来源，研究用户在设计游戏角色团队时的技能和协同性考虑，我们发现在设计团队时，用户的技能优势对于团队的表现具有更大的影响。
Dec, 2015
通过使用不同的技能预测模型，该研究分解了 MOBA 游戏玩家技能并将其影响以统计术语评估，发现在 LOL 中，游戏人物的基本技能、玩家的基本技能和玩家特定的技能是影响赛果的三个主要技能组成部分，而 DOTA2 的赛果主要受游戏角色的基本技能影响，而不会很受其他两种技能影响。
Feb, 2017
提出 COPA 框架应对动态团队组合，使用注意力机制协调教练具有全局视图和只能看到部分视图的玩家，通过分配个体策略和自适应通信方法，验证了方法在资源收集任务、救援游戏和星际争霸微观管理任务上的性能。
May, 2021
本研究使用非负张量分解技术，分析 League of Legends 游戏中 1000 名玩家约 10 万场比赛的游戏历史，以及他们的游戏策略和技能提高过程，从而发现隐藏的相关行为模式。
研究比较了行为分级系统和三种主流分级系统对玩家实际表现的预测能力，并证明了使用行为分级系统进行配对可以实现更好的游戏体验。
Jul, 2022
使用机器学习技术对电子游戏《英雄联盟》（LoL）比赛结果进行预测的研究，采用未发布的数据作为预测过程的基础，研究结果有助于提高玩家策略和相关博彩行业的效益。
Sep, 2023
通过在线长期问题导向学习和机器人竞赛，三元方法的研究使用了 Discourse 讨论论坛和网络学习策略问卷（OSLQ）收集的数据，应用机器学习算法预测在线竞赛的辍学率，并验证了 OSLQ 的可靠性。
Dec, 2023
该研究提出了一种基于监督学习的方法来预测有毒行为的众包决策，使用了超过 1000 万用户报告的数据，展示了在跨地区数据上的良好性能，预计将带来节约成本和保护受害者的实际影响。
Apr, 2014
本文采用对比学习方法，使用嵌入网络对球队运动员进行无监督分类，特别适合实时应用。新的曲棍球数据集上的实验结果表明，相对于先前的无监督方法，我们的方法表现优异。在仅一个镜头的无监督训练之后，我们的方法就能达到 94% 的准确率，仅仅用了不到 17 秒的游戏时间。此外，我们还展示了精确的团队分类如何允许计算具有团队条件的球员定位热图。
Apr, 2021
该论文提出了一个新的多智能体轨迹预测模型，它通过交互式分层潜空间明确引入组内共识的概念，可以更好地捕捉群体层面和个体层面的互动，从而在两个多智能体场景中均实现了优异的性能表现。
Oct, 2022