сотрудник с 01.01.2019 по 01.01.2025
г. Москва и Московская область, Россия
ВАК 5.12.1 Междисциплинарные исследования когнитивных процессов
УДК 796.05 Направления в спорте. Спортивные средства. Стратегия. Тактика
ГРНТИ 77.00 ФИЗИЧЕСКАЯ КУЛЬТУРА И СПОРТ
ГРНТИ 20.00 ИНФОРМАТИКА
ОКСО 09.00.00 Информатика и вычислительная техника
ОКСО 44.00.00 Образование и педагогические науки
ББК 74 Образование. Педагогическая наука
ББК 75 Физическая культура и спорт
ТБК 5 ПРИКЛАДНЫЕ НАУКИ. ТЕХНИКА. МЕДИЦИНА
BISAC COM072000 Computer Simulation
BISAC COM018000 Data Processing
BISAC COM089000 Data Visualization
BISAC COM079010 Human-Computer Interaction (HCI)
BISAC COM032000 Information Technology
BISAC COM012040 Programming / Games
BISAC JNF012010 Computers / Entertainment & Games
Актуальность. Киберспорт из любительского увлечения превратился в профессиональный вид спорта с глобальным значением. Эффективность киберспортсменов определяется не только способностями, но и умением анализировать и адаптировать игровое поведение на основе данных, что формирует их модельные характеристики. Моделирование, как ведущий метод спортивной подготовки, направлено на воспроизведение закономерностей деятельности спортсмена для её оптимизации. В киберспорте модельные характеристики отражены в формате цифрового следа (рейтинга) непосредственно в цифровых средах видеоигр. Изучение систематизации алгоритмов составления рейтингов в видеоиграх, являющимися международными киберспортивными дисциплинами, а также модельных характеристик на их основе, является актуальным. Методы. Анализ научной литературы и специализированных Интернет-ресурсов (цифровые следы в 13 видеоиграх), опрос экспертов (n=26) и моделирование. Результаты. В статье представлен обзор научной литературы, посвященной модельным характеристикам в киберспорте, а также дан анализ систем подсчета в видеоиграх, являющихся международными киберспортивными дисциплинами. На основе бесед с экспертами и анализа баз данных цифровых следов в видеоиграх составлены модельные характеристик киберспортсменов. Представлен системный анализ модельных характеристик киберспортсменов, формируемых посредством комплексного исследования цифровых следов, генерируемых в процессе игрового взаимодействия в видеоиграх. Были изучены и структурированы модельные характеристики киберспортсменов разного уровня квалификации в 13 видеоиграх (Dota 2, CS2, League of Legends , Valorant, Standoff 2, Warface, Мир танков (Стальной охотник), Мир танков (7x7 киберспорт), Mobile Legends: Bang Bang, Apex Legends, Fortnite, Rocket League, Tekken 8, FC 24 (спортивный симулятор)) для каждого из этапов спортивной подготовки. Заключение. Модельные характеристики киберспортсменов на основе цифрового следа (рейтинга) в видеоиграх являются ориентиром для моделирования тренировочных нагрузок для каждого из этапов спортивной подготовки. Результаты данного исследования могут стать основой спортивного отбора, как важного элемента спортивной подготовки.
спорт, модельные характеристики, киберспорт, видеоигры, спортивная подготовка, цифровые следы, внутриигровой рейтинг
1. Скаржинская Е.Н., Береснева В.А. История киберспорта в мире и России: периодизация // Homo Cyberus. – 2025. – № 1-2(18-19). – EDN: https://elibrary.ru/juhtlq
2. Гребеньков В.С., Залилов М.А. Модельные характеристики участников The International 2021 // Компьютерный спорт: проблемы и перспективы развития : Материалы Всероссийской научно-практической конференции, Москва, 02 декабря 2021 года. – Москва: РГУФКСМиТ, 2021. – С. 29-34. – EDN: https://elibrary.ru/higzyx
3. Щепотьев А.М. Теоретические основы разработки модельных характеристик киберспортсменов // Прикладные аспекты киберспорта: Материалы I Межрегиональной конференции, Москва, 22 февраля 2019 года. – Москва: РГУФКСМиТ, 2019. – С. 64-67. – EDN: https://elibrary.ru/mcbgfq
4. Скаржинский Н.С., Гребеньков В.С., Мартыненко И.В. Модельные характеристики киберспортсменов в дисциплине "Воевая арена" (на примере Dota2) // Физическая культура: воспитание, образование, тренировка. – 2020. – № 5. – С. 31. – EDN: https://elibrary.ru/kopztg
5. Аржаков Д.О., Бурмистров Д.С. Сравнительный анализ внутриигровых показателей игровой деятельности в боевой арене и тактическом трехмерном бое // Компьютерный спорт (киберспорт): проблемы и перспективы развития : Материалы Всероссийской научно-практической конференции, Москва, 08 декабря 2022 года. – Москва: РУС «ГЦОЛИФК», 2022. – С. 16-19. – EDN: https://elibrary.ru/szdtum
6. Ермаков А.В., Скаржинская Е.Н. Анализ больших данных как инструмент оценки профессионализации компьютерного спорта // Теория и практика физической культуры. – 2023. – № 4. – С. 15-17. – EDN: https://elibrary.ru/ekwdzm
7. Новоселов М.А., Залилов М.А., Скаржинский Н.С. Киберспортивная игра Counter-Strike: Global Offensive как предмет научного исследования // Физическая культура: воспитание, образование, тренировка. – 2019. – № 5. – С. 46. – EDN: https://elibrary.ru/trrtkq
8. Скаржинская Е.Н. Методические подходы к разработке федерального стандарта спортивной подготовки по виду спорта «компьютерный спорт» // Компьютерный спорт (киберспорт): состояние и перспективы развития : Межрегиональная научно-практическая конференции, Москва, 10 декабря 2020 года. – Москва: РГУФКСМиТ, 2020. – С. 161-166. – EDN: https://elibrary.ru/jaukgs
9. Mendoza Torrico G., Bonilla I., Chamarro A., Jimenez M. The defining characteristics of esports players. A systematic review of the samples used in esports research. Aloma Revista de Psicologia Ciències de l’Educació i de l’Esport, 2023, vol. 41, no. 1, pp. 111-120. – DOI: https://doi.org/10.51698/aloma.2023.41.1.111-120
10. Bahrololloomi F., Sauer S., Klonowski F., Horst R., Dörner R. A Machine Learning based Analysis of e-Sports Player Performances in League of Legends for Winning Prediction based on Player Roles and Performances. Proceedings of the 14th International Conference on Agents and Artificial Intelligence, 2022, pp. 68-76. – DOI: https://doi.org/10.5220/0010895900003124
11. Urbaniak K., Wątróbski J., Salabun W. Identification of Players Ranking in E-Sport. Applied Sciences, 2020, vol. 10, no. 19, 6768. – DOI: https://doi.org/10.3390/app10196768
