Die Statistiken hinter dem Spiel
Zentrale Spielerdynamik
Das Team für die zentrale Spielerdynamik arbeitet mit all unseren Spielen zusammen und konzentriert sich darauf, Störung bei der Kommunikation zwischen den Spielern zu erkennen. Meldungen, die sich auf Texte oder den Sprachchat in den Spielen beziehen, werden mithilfe der System des Teams evaluiert. Für spielspezifische Meldungen, die Dinge wie Inaktivität oder absichtliches Feeding betreffen, sind die Teams des jeweiligen Spiels zuständig.
Was die Meldungen aufgrund von Texten betrifft, so wurde der Großteil vom Team für die zentrale Spielerdynamik bearbeitet – es gab über 120 Millionen Spiele mit mindestens einer Meldung, was wiederum dazu führte, dass in 13 Millionen Spielen Verstöße festgestellt wurden. Diese Verstöße zogen Konsequenzen nach sich, die von Verwarnungen bis hin zu Sperren für mehr als 365 Tage reichten (abhängig von der Schwere des jeweiligen Verstoßes und den vergangenen Verstößen des jeweiligen Spielers).
League of Legends und Teamfight Tactics
Unser League-Team verhängt aktuell in etwa 700.000 Strafen pro Monat über die Texterkennung, die Inaktivitätserkennung und die Erkennung von absichtlichem Feeding.
LeaverBuster, unser Inaktivitätserkennungssystem, überwacht jedes Spiel, um sicherzustellen, dass Spieler, die Spiele früh verlassen und dadurch ihre Teams beeinträchtigen, eine angemessene Strafe erhalten.
Wir nutzen Klassen, um Spieler, die häufiger inaktiv sind, härter zu bestrafen. Und was inaktive Spieler bei Ranglistenspiele betrifft, so gibt es die Möglichkeit, früher aufzugeben, und eine Abschwächung des LP-Verlusts, um dafür zu sorgen, dass du für den Ausraster eines Teammitglieds nicht bestraft wirst.
Inaktivität ist jedoch nur eine Option, auf die wütende Spieler zurückgreifen – die andere ist absichtliches Feeding. Dieses Verhalten zu erkennen, kann etwas schwieriger sein, weshalb wir auf ein Lernmodell setzen, das sieben verschiedene Datenpunkte aller Champions überwacht, um eindeutig ermitteln zu können, ob ein Spieler absichtlich feedet oder einfach nur schlecht spielt. Und da wir dieses System kontinuierlich aktualisieren, sind Falschmeldungen sehr selten geworden.
Wenn du mehr darüber erfahren möchtest, wie das League-Team am Spielerverhalten arbeitet, kannst du dir diesen Beitrag durchlesen, der früher im Jahr 2022 veröffentlicht wurde.
BEWERTEN
Neben dem Sprachchat konzentriert sich das VALORANT-Team für Soziales und Spielerdynamik auch auf Inaktivität und Feeding. Aktuell sind von 1.000 VALORANT-Spielern in etwa 27 bei Matches inaktiv. Und bei einigen davon handelt es sich um Bots, die nur ERF abstauben wollen. Mittlerweile landen diese Bots aber immer häufiger in Lobbys mit anderen Bots und wenn kein Schaden entsteht, erhält auch niemand Erfahrung.
Was Spieler betrifft, die vor ihren Tastaturen sitzen und Spiele absichtlich verlieren, so verfügt unser Feeding-Erkennungssystem bereits über eine Methode, sie zu entlarven, und wird demnächst noch eine weitere dazubekommen.
Die aktuelle Methode berücksichtigt alle Eingaben und entscheidet nach dem Spiel, ob ein Spieler schlecht gespielt oder absichtlich gefeedet hat. Diese Methode erwischt Übeltäter jedoch erst nach dem Verstoß und hilft niemandem, der bereits 11 Runden in Rückstand geraten ist und verständlicherweise keinen großen Spaß hat.
Aus diesem Grund arbeitet das VALORANT-Team auch an einer Feeding-Erkennung in Echtzeit. Dieses Problem weißt jedoch jede Menge Graubereiche auf, da schlechte Leistungen viele Gründe haben können und absichtliches Feeding nur einen geringen Prozentsatz davon ausmacht. Sobald das VALORANT-Team die Menge an Falschmeldungen auf eine geringe Anzahl reduziert hat, werden wir diese neue Methode zusätzlich zur Erkennung nach dem Spiel implementieren.
Wilder Riss
Die Prozesse von Wild Rift haben sich im Jahr 2022 weiterentwickelt. Bisher hat die Inaktivitätserkennung einfach nur überprüft, ob die Spieler überhaupt Eingaben vornehmen. Doch da einige Spieler dieses einfache Erkennungssystem umgangen sind, haben wir neue Ebenen eingeführt, um wirklich sicherzustellen, dass die Spieler am Spiel teilnehmen und nützliche Eingaben vornehmen, anstatt sich lediglich zu bewegen.
Im Jahr 2022 wurde jedoch auch ein neues Feeding-System für Wild Rift eingeführt, das Machine Learning nutzt, um sicherzustellen, dass Spieler absichtlich schlecht spielen. Dieses Feeding-System hat seit März 2022 bereits knapp 2.000 Fälle erkannt, in denen Spieler Spiele absichtlich sabotiert haben. Während die Maschine weiterlernt, wird diese Zahl wahrscheinlich steigen, da mehr Spieler als Feeder erkannt werden.
Und zu guter Letzt gibt es noch ein Erkennungssystem für das Tauschen von Siegen. Dieses System orientiert sich an mehreren Faktoren, zu denen auch die sogenannten „Gemeinsam gegeneinander“-Spieler zählen. Hierbei handelt es sich um Spieler, die permanent mit und gegen dieselbe Gruppe aus Spielern spielen. Das Erkennungssystem sieht sich die Muster von „Gemeinsam gegeneinander“-Spielern, die Länge der Spiele und die Siege-Niederlagen-Verläufe der „Gemeinsam gegeneinander“-Lobbys an, um das Tauschen von Siegen zu identifizieren.
Die Bedeutung von Transparenz
Die Umstellung von einem Spiel hin zu mehreren hat jede Menge neue Herausforderungen mit sich gebracht. Und da sich noch mehr Spiele in Entwicklung befinden, arbeiten wir daran, die Konzepte der Spielerdynamik schon in die frühesten Phasen des Spieldesigns zu integrieren, um bereits von Anfang an bessere Communitys zu fördern.
Gleichzeitig sind wir auch der Meinung, dass es wichtig ist, die Daten, die wir in all unseren Spielen sammeln, transparent zu kommunizieren. Hierbei handelt es sich um komplizierte Probleme und es gibt keine Möglichkeit, sie komplett zu lösen. Dennoch arbeiten wir hart daran, die Spielerfahrung für all unsere Spieler zu verbessern, und wir werden regelmäßigere Updates darüber veröffentlichen, was wir unternehmen, um dieses Ziel zu erreichen.
Wie immer vielen Dank, dass du unsere Spiele spielst.
