该研究考虑通过聚类玩家行为和学习最佳团队组合来预测多人在线游戏中的胜负结果，使用无监督学习找到行为聚类，并使用分类算法学习预测器，结果可以用来预测相当高的准确率。

Mar, 2015

通过分析游戏行为和个性问卷，我们探索了从记录的游戏行为中预测玩家的个人特质问卷指标的可能性，并尝试通过添加情感对话决策来提高模型的准确性。我们使用随机森林回归方法，在定制化的角色扮演游戏《辐射：新维加斯》的 60 分钟游戏时间内，从 62 位玩家的数据中预测了七个已建立的个性问卷的多种指标。尽管一些个性变量可以从合理的游戏行为和情感表达中识别出来，但我们未能找到预测其他变量的方法，也遇到了一些不能通过理论背景文献来解释的可疑相关性。然而，基于这个探索性研究的初步机会，我们计划大规模扩展我们的数据集，研究更复杂的机器学习方法在真实工业游戏环境中的表现。

Aug, 2023

本文介绍 PlayeRank，一个基于数据驱动的框架，可提供多维度、角色感知的足球运动员表现评估，通过与其他算法和专业球探的评估比较，表明 PlayeRank 在表现评估方面显著优于竞争对手，同时探讨了该框架的一些应用，展示了其灵活性和效率，值得用于设计一个可扩展的足球分析平台。

Feb, 2018

通过引入一个数据模型和一个图形距离度量方法以及一个上下文感知框架基于团队赢球机会变化来评估球员的价值，我们解决了评估 Counter-Strike: Global Offensive (CSGO) 玩家的难题，并证明了该框架与现有框架的一致性和独立性，同时提供了高影响力游戏识别和不确定性估计的用例。

Nov, 2020

本文介绍了一种自动工具，可以及时提供运动员的表现分析图，同时考虑了比赛风格和游戏动态等因素，并生成易于解释的热图来分析非空间因素如何影响球员表现。

Mar, 2023

本文回顾了篮球比赛分析方法，关注了团队战略、个人表现以及未来趋势，重点强调需要进行因果推断。

Jul, 2020

收集了大量玩家的 Tom Clancy's The Division 的游戏数据和 Ubisoft 感知体验问卷调查，并使用基于支持向量机的偏好学习方法来推断游戏特征和玩家动机之间的映射关系，发现游戏特征是预测玩家动机的强有力因素。

Jan, 2019

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

使用半 - 马尔可夫过程和贝叶斯层次模型来评估国家曲棍球联盟 (National Hockey League, NHL) 中球员的整体能力，使得球员能力得以考虑到队友和对手质量、比赛情况等因素，并解决了现有方法的许多局限性。

Aug, 2012

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