L'immersion au coeur de la performance esport
Au contact des joueurs esport pour comprendre leurs besoins.
Équipés de grilles d’observations et de trames d’entretiens dédiées, nous nous sommes immergés près d’une semaine parmi une équipe de joueurs esport du top 100 Européen du jeu League of Legends.
Les entretiens révèlent qu’une manière pertinente d’épauler la performance en esport réside dans l’amélioration et l’optimisation des temps de débriefing.
Grâce à un retour rapide sur leur partie, ils pourraient individualiser leur entraînement en s’entraînant dans les situations sensibles pour eux.
Une approche innovante au service du besoin des joueurs
Des mesures physiologiques pour compléter les approches déclaratives traditionnelles.
Les signaux physiologiques tels que l’activité électrodermale (sudation de la peau), la fréquence cardiaque et la dilatation pupillaire sont connus par la littérature scientifique pour permettre l’identification de divers états cognitifs en situations opérationnelles : de la même façon que l’on transpire quand on a peur, notre corps manifeste de bien des façons ce qui se passe dans notre tête.
Une approche exploratoire utilisant la mesure de ces signaux est mise en place pour dépasser le simple déclaratif et détecter la manifestation des temps faibles de jeu.
Une analyse des données novatrice
Tirer le meilleur parti des avancées scientifiques en matière de Machine Learning pour aller plus loin.
Les mesures physiologiques sont analysées après chaque partie, pour tenter de repérer les périodes correspondant à des temps faibles.
Une difficulté des signaux physiologiques réside dans le fait qu’ils peuvent être influencés par une somme importante de facteurs extérieurs : la sudation peut être autant liée à la peur qu’à l’effort par exemple. Il est donc nécessaire non seulement de multiplier les sources de signaux mais également de les analyser tous ensemble.
En collaboration avec l’INRIA Bordeaux (nouvelle fenêtre) (équipe POTIOC (nouvelle fenêtre)), nous explorons une nouvelle approche spécifique à la problématique : des algorithmes de Machine Learning sont développés pour permettre la fusion de l’ensemble des données issues des différents capteurs, leur confrontation aux retours subjectifs des joueurs, et une classification automatique des situations étudiées. Des données de normalisation individuelles et des scores de tests cognitifs issus de la littérature clinique sont également utilisés pour affiner les analyses.
Des recommandations opérationnelles pour l'entraînement
La démarche suscite l'engouement chez les coaches et les joueurs !
Les résultats aboutissent à une meilleure compréhension de l’importance des capacités cognitives pour la performance en esport.À ce titre, des démarches d’exercice d’entraînement et de tests esport sont aujourd’hui en cours.
Une population plus large de joueurs esport éprouve aujourd’hui la démarche d’optimisation des débriefings développée.
