Detección de conductas negativas en chats de videojuegos competitivos

Abstract

[Resumen]: El auge de los eSports ha contribuido al aumento de los jugadores en videojuegos como “Counter-Strike”, “Valorant” o “League of Legends”. Si bien esto es algo positivo, al juntar a personas de diferentes regiones como si de una red social se tratase, también arrastra consigo una nube de toxicidad que, por el bien de estas mismas comunidades, debe ser controlada. En este trabajo se aborda este problema combinando el potencial que ofrece BERT, uno de los principales modelos de procesamiento del lenguaje natural, junto al uso de algoritmos de aprendizaje supervisado. Para esto, siguiendo la metodología CRISP-DM como base y partiendo de un conjunto de datos que recoge mensajes enviados por jugadores del videojuego ”DoTA 2”, se han entrenado y evaluado, mediante una estrategia de validación cruzada anidada, dos modelos de clasificación basados en redes neuronales y un clasificador basado en aprendizaje máquina con la finalidad de comprobar si se trata de una tarea la cual se pueda resolver mediante estos métodos.

[Abstract]: The rise of eSports has contributed to de increase in players in videogames such as ”Counter-Strike”, ”Valorant”, and ”League of Legends”. While this seems to be positive, as it brings together people from different regions much like a social network, it also carries with it a large amount of toxicity that , for the sake of these communities, must be controlled. This work aims to address this issue by combining the potential of BERT, one of the leading models in natural language processing, with the use of supervised learning algorithms. To this end, following the CRISP-DM methodology as a basis and starting from a dataset that collects messages sent by players of the video game ”DoTA 2”, two neural network-based classification models and a machine learning classifier were trained and evaluated using a nested cross-validation strategy to determine whether this task can be effectively addressed using these methods.