Analysis of Video Game Players’ Emotions and Team Performance: An Esports Tournament Case Study

Abramov, Simon; Korotin, Alexander; Somov, Andrey; Burnaev, Evgeny; Stepanov, Anton; Nikolaev, Dmitry; Титова, М. А.

doi:10.1109/jbhi.2021.3119202

Cited by 16 publications

(5 citation statements)

References 43 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Various approaches for data collection in teamwork environments are widely available in the literature. Online settings have been used to measure emotional conditions or engagement in e-sports teams [21] and student groups [22,23], respectively. One of the advantages of the online setting is that it limits the need for data preparation since the records of each individual are already disentangled.…”

Section: Team Collaboration and Well-being Data Analysismentioning

confidence: 99%

Predicting Team Well-Being through Face Video Analysis with AI

Müller,

Dupuis,

Zeulner

et al. 2024

Applied Sciences

View full text Add to dashboard Cite

Well-being is one of the pillars of positive psychology, which is known to have positive effects not only on the personal and professional lives of individuals but also on teams and organizations. Understanding and promoting individual well-being is essential for staff health and long-term success, but current tools for assessing subjective well-being rely on time-consuming surveys and questionnaires, which limit the possibility of providing the real-time feedback needed to raise awareness and change individual behavior. This paper proposes a framework for understanding the process of non-verbal communication in teamwork, using video data to identify significant predictors of individual well-being in teamwork. It relies on video acquisition technologies and state-of-the-art artificial intelligence tools to extract individual, relative, and environmental characteristics from panoramic video. Statistical analysis is applied to each time series, leading to the generation of a dataset of 125 features, which are then linked to PERMA (Positive Emotion, Engagement, Relationships, Meaning, and Accomplishments) surveys developed in the context of positive psychology. Each pillar of the PERMA model is evaluated as a regression or classification problem using machine learning algorithms. Our approach was applied to a case study, where 80 students collaborated in 20 teams for a week on a team task in a face-to-face setting. This enabled us to formulate several hypotheses identifying factors influencing individual well-being in teamwork. These promising results point to interesting avenues for research, for instance fusing different media for the analysis of individual well-being in teamwork.

show abstract

Section: Team Collaboration and Well-being Data Analysismentioning

confidence: 99%

Predicting Team Well-Being through Face Video Analysis with AI

Müller,

Dupuis,

Zeulner

et al. 2024

Applied Sciences

View full text Add to dashboard Cite

show abstract

“…Another interesting use case of emotion analysis is done in [22]. This article explores the impact of emotions on team performance by collecting audio recordings and game logs from players during an eSports tournament.…”

Section: Literature Reviewmentioning

confidence: 99%

Investigation of Imbalanced Sentiment Analysis in Voice Data: A Comparative Study of Machine Learning Algorithms

Shah,

Shetty

et al. 2024

ICST Transactions on Scalable Information Systems

View full text Add to dashboard Cite

INTRODUCTION: Language serves as the primary conduit for human expression, extending its reach into various communication mediums like email and text messaging, where emoticons are frequently employed to convey nuanced emotions. In the digital landscape of long-distance communication, the detection and analysis of emotions assume paramount importance. However, this task is inherently challenging due to the subjectivity inherent in emotions, lacking a universal consensus for quantification or categorization.OBJECTIVES: This research proposes a novel speech recognition model for emotion analysis, leveraging diverse machine learning techniques along with a three-layer feature extraction approach. This research will also through light on the robustness of models on balanced and imbalanced datasets. METHODS: The proposed three-layered feature extractor uses chroma, MFCC, and Mel method, and passes these features to classifiers like K-Nearest Neighbour, Gradient Boosting, Multi-Layer Perceptron, and Random Forest.RESULTS: Among the classifiers in the framework, Multi-Layer Perceptron (MLP) emerges as the top-performing model, showcasing remarkable accuracies of 99.64%, 99.43%, and 99.31% in the Balanced TESS Dataset, Imbalanced TESS (Half) Dataset, and Imbalanced TESS (Quarter) Dataset, respectively. K-Nearest Neighbour (KNN) follows closely as the second-best classifier, surpassing MLP's accuracy only in the Imbalanced TESS (Half) Dataset at 99.52%.CONCLUSION: This research contributes valuable insights into effective emotion recognition through speech, shedding light on the nuances of classification in imbalanced datasets.

show abstract

“…Проаналізовано його вплив на прийняття рішень, механіку ігрового процесу, концентрацію та загальну продуктивність у грі. Наприклад, було вивчено, як гравці, схильні до тильту, приймають більш імпульсивні та неоптимальні рішення порівняно з гравцями, які не схильні до тильту, що призводить до зниження їхньої результативно сті [11,13]. Інші дослідження зосереджувалися на впливі тильту на механіку ігрового процесу та технічну продуктивність [22,24].…”

Section: рекомендації для роботи в командіunclassified

Стратегії Запобігання Та Мінімізації Тильту В Кіберспорті

Шинкарук,

Скалозуб,

Шарга

2024

СМФТтЕ

View full text Add to dashboard Cite

Резюме. Психологічний феномен тильту виокремлюється як ключовий чинник, що впли-ває на продуктивність та благополуччя гравців і вимагає глибокого розуміння його причин,наслідків та стратегій ефективного управління. Мета. Дослідити сучасні підходи управлінняемоційним станом та розробити стратегії запобігання та мінімізації тильту гравців у кібер-спорті. Методи. Аналіз науково-методичної літератури та даних мережі Інтернет, порівняння,систематизація та узагальнення.Результати. Дослідження підкреслюють важливість комплексного підходу до управліннятильтом у кіберспорті, що включає когнітивну реструктуризацію, практики уважності, ефек-тивне спілкування в команді, навчання емоційної регуляції та створення позитивного ігрово-го середовища. Впровадження цих підходів сприяє підвищенню емоційної стійкості гравців,оптимізації їхньої продуктивності та розвитку здорового конкурентного середовища. Запро-поновано схему візуалізації різних підходів для запобігання та мінімізації тильту в кіберспор-ті. Результати показують, що систематичне тренування, згуртованість команди та організа-ційна підтримка є ключовими факторами в мінімізації тильту та підтриманні високого рівняпродуктивності в кіберспорті. Розроблено алгоритм для ефективного управління тильтом укіберспорті, що включає чітко визначені кроки від встановлення мети до коригування стра-тегій. Крім того, запропоновано комплексну стратегію, обґрунтовану на основі загальнихзнань про управління емоційним станом та стратегії в кіберспорті, яка демонструє органі-зацію управління тильтом у кіберспортивних командах. Розроблено методичні рекомендаціїдля гравців, спрямовані на мінімізацію впливу тильту та підвищення ефективності роботи вкоманді.Розуміння та стратегічне управління тильтом є ключовими для покращення індивідуальноїпродуктивності гравців та командної динаміки в кіберспорті, забезпечуючи стійкість і психо-логічне благополуччя спортсменів.Ключові слова: стрес, емоційний стан, тильт, психологічна підготовка, кіберспорт, гравці,стратегії, підходи, командна взаємодія.

show abstract

Analysis of Video Game Players’ Emotions and Team Performance: An Esports Tournament Case Study

Cited by 16 publications

References 43 publications

Predicting Team Well-Being through Face Video Analysis with AI

Predicting Team Well-Being through Face Video Analysis with AI

Investigation of Imbalanced Sentiment Analysis in Voice Data: A Comparative Study of Machine Learning Algorithms

Стратегії Запобігання Та Мінімізації Тильту В Кіберспорті

Contact Info

Product

Resources

About