머신러닝을 활용한 e-스포츠 포지션별 선수 평가 지표 개발 및 타당화

국문 초록 (Abstract)

머신러닝을 활용한 e-스포츠 포지션별 선수 평가 지표 개발 및 타당화 조 예 진 한국체육대학교 대학원 스포츠 AI 빅데이터 전공 본 연구는 머신러닝 기법을 활용하여 리그 오브 레전드(League of Legends, 이하 LOL)에서 포지션별 선수 평가 지표를 개발하고, 그 타당성을 검증하는 것을 목적으로 한다. 기존 LOL의 랭크 시스템은 승패 기반의 LP(League Points) 및 KDA 등 단일 지 표에 지나치게 의존하는 한계가 있다. 이러한 평가지표는 ‘쌩배’, ‘낮듀’ 등 시 스템적 요인 및 팀 단위 결과에 영향을 받아, 개별 선수의 실제 기여도와 포지션별 역할 특수성을 충분히 반영하지 못한다. 본 연구에서는 2024 시즌 챌린저 티어 선수의 스플릿3 정규시즌 솔로 랭크 17,587 건의 경기 데이터를 수집하여, 포지션별(탑, 정글, 미드, 원딜, 서포터)로 RandomForest, XGBoost, LightGBM, ElasticNet 등 다양한 머신러닝 분류 모델을 구축 하고, 하이퍼파라미터 최적화를 통해 모델의 성능을 향상시켰다. 각 포지션별로 최적 의 모델을 선정한 후, 변수 중요도(Feature Importance) 분석을 통해 승부 예측에 기 여도가 높은 주요 변수를 평가지표로 선정하였다. 모든 변수는 Min-Max 정규화를 적 용하고, 변수별 가중치를 곱한 가중합으로 평가지수를 산출하여 10점 만점의 척도로 환산하였다. 최종적으로 도출된 포지션별 평가지표의 현장 타당성은 e-스포츠 관련 학과 학생 및 일반 유저 100여 명을 대상으로 한 설문조사를 통해 검증하였다. 설문 결과, 모든 포지션에서 머신러닝 기반 평가지표의 적절성 및 활용 가능성에 대해 긍정적 평가가 확인되었다. 본 연구는 기존 단일 지표의 한계를 극복하고, 각 포지션의 역할 특성을 반영하는 선수 평가 지표 개발의 방법론적 가능성을 제시하였다는 점에서 의의가 있다. 향후 다양한 티어 및 실제 경기 적용을 통한 추가적 검증과 보완이 필요하다. 주요어: e-스포츠, 리그 오브 레전드, 포지션, 머신러닝, 선수 평가, 변수 중요도, 타당 화

목차 (Table of Contents)

• I. 서 론 1
• 1. 연구의 필요성· 1
• 2. 연구목적 4
• 3. 연구내용 4
• 4. 용어의 정리 5
• 5. 연구의 제한점· 7
• Ⅱ. 연구방법 8
• 1. 연구대상자료 8
• 2. 자료수집방법· 10
• 3. 자료처리방법· 11
• 1) 데이터 전처리
• 2) 하이퍼파라미터 최적화
• 3) 모델 평가
• 4. 머신러닝 모델 설계· 15
• 5. 선수 평가 지표 선정 및 개발 16
• 6. 선수 평가 지표 선정 타당화 17
• Ⅲ. 연구결과·18
• 1. 머신러닝 기반 포지션별 선수 평가 지표 개발 18
• 1) 포지션별 승부 예측 모델 설계 및 훈련· 18
• 2) 머신러닝 모델의 성능 평가 및 변수 중요도 분석 29
• 3) 포지션별 주요 변수 선정 및 선수 평가 지표 도출34
• 2. 포지션별 선수 평가 지표 타당화· 36
• 1) 포지션별 선수 평가 지표 설문 설계 및 실시 36
• 2) 선수 평가 지표 타당도 분석· 37
• Ⅳ. 논의· 46
• Ⅴ. 결론· 49
• 참고문헌· 51
• ABSTRACT 53