Vimos que em jogos de equipe como MOBAs, trabalho em equipe é essencial e de- termina quem ganha ou perde uma partida. A maneira como os jogadores de uma equipe se comportam costuma refletir o grau de entrosamento entre estes jogadores. Outros traba- lhos (BLACKBURN; KWAK, 2014; MARTENS et al., 2015; KWAK; BLACKBURN, 2014) mostraram que features extraídas de canais de comunicação entre jogadores são importantes para se caracterizar comportamento tóxico. Contudo, estes trabalhos limitam-se a analisar os textos extraídos sob a ótica da dicotomia jogador tóxico/não-tóxico.
Pretendemos ir além desta dicotomia neste trabalho, descobrindo mais variações nos comportamentos dos jogadores e provendo uma analise mais rica do texto presente em chats on-line de partidas de MOBAs. Aqui, utilizamos técnicas de agrupamento de texto para criar e interpretar tópicos de conversação em partidas de MOBAs, e propusemos métricas específi- cas para avaliar a performance e a contaminação tóxica relacionada a estes tópicos. Também aplicamos regras de associação entre os tópicos ao longo de uma partida, com o objetivo de des- cobrir quais transições entre tópicos são mais comuns. Finalmente, construímos um dicionário de emoções específico para o domínio de MOBA, buscando analisar as emoções presentes nos tópicos de conversação. Um resumo de nossas propostas para responder às questões de pesquisa deste trabalho estão descrita na Tabela 5.1, junto com a seção onde cada tema será discutido.
Os bate-papo textuais de LoL buscam permitir que jogadores coordenem seus esforços como uma equipe. Contudo, são também um dos principais canais de manifestação de compor- tamento tóxico (BLACKBURN; KWAK, 2014; KWAK; BLACKBURN, 2014). Identificar os principais padrões de conversação que emergem destes bate-papos, nos permite relacionar estes padrões de conversação com comportamentos específicos. Para responder a pergunta "quais tópicos de conversa são comumente utilizados por jogadores em partidas de MOBAs?",
Tabela 5.1: Resumo das Abordagens Propostas
Questão de Pesquisa Abordagem Proposta Seção
Quais tópicos de conversa são co- mumente utilizados por jogadores em partidas de MOBAs?
• Descoberta de tópicos de conversa pre- valentes através de um algoritmo de agrupamento de texto (LDA);
• Interpretação destes tópicos utilizando- se do conhecimento de jogadores vete- ranos.
5.2
(subsecs. 5.2.1 e 5.2.2)
Como cada um dos tópicos desco- bertos se associa com diferentes ti- pos de jogadores, divididos em gru- pos de acordo com sua associação ao jogador tóxico (jogadores tóxi- cos, seus aliados, e seus inimigos)?
• Rotulação de cada grupo de jogadores com um tópico de conversação;
• Estudo da distribuição dos tópicos entre estes grupos de jogadores.
5.2
(subsec. 5.2.3)
Como estes tópicos, para cada um dos grupos citados anteriormente, se relacionam com a performance e a contaminação tóxica, que defini- mos como sendo os efeitos negati- vos do comportamento tóxico?
• Proposta de métricas de desempenho e contaminação;
• Proposta de análise de agregações de grupos de jogadores, por tópico, de acordo com as métricas criadas.
• Análise de grupos com tópicos positi- vos e negativos, utilizando as agrega- ções propostas.
• Análise de grupos não ofensores, a par- tir dos tópicos negativos utilizados pe- los respectivos ofensores, utilizando as agregações propostas.
5.3
Existem relações temporais entre estes tópicos, ou seja, regras que determinem como as conversas em uma partida se desdobram ao longo do tempo?
• Divisão das partidas em intervalos de tempo;
• Proposta de uso de regras de associação entre tópicos presentes em divisões con- secutivas para descobrir transições entre tópicos;
• Análise das regras de associação por grupos de jogadores.
5.4
Como cada um dos tópicos de con- versa descobertos associa-se com emoções derivadas de um modelo de emoções?
• Construção automática de um léxico de emoções específico ao domínio de MO- BAs;
• Descoberta das palavras mais relevantes de cada tópico;
• Aplicação do léxico sobre estas palavras mais relevantes em cada tópico.
aplicamos de técnicas de agrupamento de textos e verificamos a existência de 10 agrupamentos de conversas em partidas de MOBAs. Estes agrupamentos foram interpretados e refinados em 7 tópicos de conversação comumente utilizados por grupos de jogadores em MOBAs, que foram validados por jogadores veteranos a partir de um instrumento de avaliação criado para tal fim.
Depois disso, associamos grupos de jogadores com os tópicos descobertos, para tornar possível a análise do comportamento destes grupos, de acordo com os tópicos utilizados neles. Isso permite que explicitemos as diferenças no uso dos tópicos por diferentes grupos de joga- dores, e o que elas significam no contexto do jogo. Para responder "como cada um dos tópicos descobertos se associa com diferentes tipos de jogadores, divididos em grupos de acordo com sua associação ao jogador tóxico (jogadores tóxicos, seus aliados, e seus inimigos)", dividimos os grupos em quatro categorias diferentes, rotulando cada grupo de acordo com o tópico de conversa mais prevalente neste. Então, estudamos a distribuição de uso dos tópicos em cada uma destas categorias de grupos.
Com os tópicos associados a grupos de jogadores, podemos avaliar como o uso destes tópicos por diferentes grupos de jogadores impactam as partidas. Para tal, é necessário criarmos métricas, que medirão os níveis de desempenho e contaminação tóxica dos grupos de jogado- res. Com tais métricas, vemos como cada tópico relaciona-se com os grupos de jogadores em detalhe, através da verificação de como a taxa de uso de cada tópico pelos grupos de jogadores se modifica com a variação das métricas.
Para descobrir "como estes tópicos, para cada um dos grupos citados anteriormente, se relacionam com a performance e a contaminação tóxica, que definimos como sendo os efeitos negativos do comportamento tóxico", criamos métricas para representar o desempenho e a contaminação de grupos de jogadores em uma partida, e então agregamos os grupos de jogadores de acordo com as métricas criadas e os seus respectivos tópicos associados. Com estas agregações, estudamos as taxas de uso dos tópicos em grupos que apresentam prevalência de conversas positivas e em grupos que apresentam prevalência de conversas negativas, em diferentes níveis de desempenho e contaminação. Também analisamos as taxas de uso dos tópicos de jogadores não ofensores, em frente a prevalência de conversas negativas por parte do jogador ofensor.
Kwak and Blackburn (2014) levantam a hipótese de que ofensores iniciam uma partida com um comportamento não tóxico, e em algum momento mudam seu comportamento para tóxico, isto é, que jogadores podem mudar de comportamento ao longo uma partida. Neste trabalho buscamos confirmar esta possibilidade, e através da análise das transições entre tópicos em diferentes momentos da partida, mostraremos se estas ocorrem regularmente. Caso positivo,
detalharemos quais transições entre tópicos são mais frequentes e relevantes. Para descobrir se "existem relações temporais entre estes tópicos, ou seja, regras que determinem como as conversas em uma partida se desdobram ao longo do tempo", dividimos as conversas de cada grupo em intervalos de tempo, reaplicamos o processo de descoberta e interpretação de tópicos nas conversas divididas, e então descobrimos e analisamos regras de associação entre os tópicos utilizados nestes intervalos.
O vocabulário usado por jogadores em MOBAs é bastante único, com várias expressões e abreviações que só fazem sentido para quem está incluído nas comunidades dos jogos. Por exemplo, nenhuma das das 4 palavras mais frequentes em nosso corpus (lol, mia, mid, gg) está presente no léxico de emoções NRC. Isso dificulta o uso de léxicos de uso geral para analisar emoções em MOBAs, visto que muitas das palavras mais frequentemente usadas nestes jogos estão presentes em tais léxicos. Possuir as emoções de tais palavras nos ajudará a definir quais categorias de emoções são prevalentes em quais tópicos, nos dando uma melhor descrição de cada um deles. Para responder "como cada um dos tópicos de conversa descobertos associa- se com emoções derivadas de um modelo de emoções", construímos um léxico de emoções especifico ao domínio de MOBAs, utilizando como base um léxico pre-existente e um modelo de aprendizado treinado com palavras deste léxico, e então descobrimos as palavras mais rele- vantes para cada tópico de conversação e desenvolvemos um método para aplicar o dicionário resultante as palavras mais relevantes de cada tópico de conversação.
O restante deste capítulo está estruturado como segue. Na Seção 5.2, discutiremos em detalhes como a descoberta, interpretação dos tópicos de conversa foram feitas, bem como a associação destes com grupos de jogadores. Na Seção 5.3, discutiremos as métricas de desem- penho e contaminação propostas, e como foi feita a associação destas métricas com grupos de jogadores e por consequência, tópicos de conversação. Na Seção 5.4, falaremos sobre a desco- berta de regras de associações relevantes entre tópicos, e como foi feita a análise destas regras. Na Seção 5.5, falaremos sobre a construção do léxico de emoções específico ao domínio de MOBAs, bem como sobre a aplicação deste léxico sobre nossos tópicos de conversa.