如何成为电竞超人？
电影《头号玩家》剧照
当年杨永信“网瘾电击疗法”的新闻还近在眼前，电竞其实已经早被教育部纳入了高等教育专业了。（2016年9月，教育部将“电子竞技运动与管理”纳入高等教育专业）。
2018年亚运会《英雄联盟》表演赛中国VS韩国现场
根据央视报道，目前我国电竞用户规模超5亿，市场规模超过千亿。2019年上半年市场实际销售收入513.2亿，增长率22.8%。这意味着，我国电竞用户规模已超过中国总人口的1/3。
电竞之火也反映在电视剧里，在最近热播的几部剧《亲爱的热爱的》、《陪你到世界之巅》、《全职高手》里，新时代被塑造的“少女男神们”都是职业电竞选手。
李现饰演的韩商言、王一博饰演的季向空，都是“电竞大神”
抛开电视角色塑造认真说，什么样的人才能成为职业“电竞大神”？
今天要介绍的一个神经科学研究，就通过探索研究LOL（《英雄联盟》）玩家中行为因素和神经因素，告诉我们多人联机在线竞技游戏打得好的人主要具有以下能力：
多目标跟踪能力强；
更好的自我控制，更谨慎的行为；
注意力更集中；
抗压能力更强。
一、为什么选择LOL？
LOL（League of Legends），《英雄联盟》，俗称撸啊撸，是由美国Riot Games公司开发的一种多人联机在线竞技游戏（MOBA，Multiplayer Online Battle Arena），每月有超过1亿活跃玩家。
MOBA是从20世纪早期的实时战略游戏演变而来的一种游戏类型，近年来，发展迅速，成为最受欢迎的游戏类型之一。拥有1亿多活用玩家的LOL是其中最受欢迎的MOBA游戏。
LOL中有100多位英雄角色，每个角色都有特有功能，每位玩家选择一个英雄角色开始游戏。一场LOL比赛通常持续大约半小时，5v5匹配规则，比赛双方各有5名玩家出场。玩家会在游戏中彼此合作、与对方的团队竞争，游戏的目标通常是破坏对方团队的主要基地“水晶枢纽”。双方“英雄”之间的战斗，无论是小规模冲突，还是5V5的大规模战斗，在比赛中频繁发生，这使游戏体验更加刺激。
以往，研究人员通过LOL研究了MOBA从游戏设计到社会生物学的各个方面。例如，大多数MOBA游戏都有等级系统，玩家通过赢得比赛来提高自己的等级。
LOL的排名系统中共分九个段位，从低到高依次是：黑铁、黄铜、白银、黄金、铂金、钻石、超凡大师、宗师、最强王者。每个段位还分五个等级。对LOL的研究表明，等级制度影响了玩家区分和描述游戏体验的方式，从而形成一种合作或竞争的文化。LOL不仅仅是一个在线游戏。研究人员发现了LOL和在线社区的相似之处：玩LOL时的团队合作甚至可以帮助人们培养一种归属感。
与益智类、动作类和第一人称射击类的游戏相比，MOBA的独特之处在于，它需要更广泛的认知能力，从低水平的能力（如手眼协调）到高水平的能力（如战略规划、团队合作）。
此外，玩家在MOBA比赛中所面临的情况是复杂多变的，这就要求玩家持续关注战场，并在紧急情况下快速做出反应。这在所谓的“伏击（ganking）”（一方的一个或多个玩家试图对另一方的玩家发动突然袭击）中最为明显。而比赛中这种情况会经常出现，成功地处理这些情况对赢得比赛至关重要。
游戏的复杂性给MOBA玩家带来了重大挑战，但我们对MOBA专业能力的认知却很少。因此该实验将对最具代表性的MOBA游戏——LOL进行研究，以找到影响MOBA专业能力的主要行为因素和神经因素。
二、比赛成功的关键行为因素和神经因素
为了发现在MOBA游戏中专业玩家或具有卓越能力的玩家获得成功的关键因素，研究人员考虑了多达14种行为因素和36种神经因素。
1、关键行为因素
行为因素方面，多目标追踪能力强是玩家赢得比赛的主要优势。LOL比赛中，玩家需将注意力分散在多个地方（如：队友、敌方、小地图等），并持续关注它们，因此多目标追踪能力至关重要。
另外，玩家在LOL中的等级与自觉性成正相关。这表明，更高的意识水平意味着更好的自我控制，行为也会更谨慎，这可能有助于玩家集中注意力，减少比赛中的失误。
而其他行为因素方面，职业玩家并没有表现出任何优于其他两组的优势，尽管以往的研究已经将游戏体验与其中一些因素建立联系。但以往研究的游戏类型主要为益智类游戏、动作类游戏和第一人称射击类游戏。与这些类型的游戏相比，MOBA强调的是更高层次的能力，如了解环境、战略规划、压力适应性和团队合作等，而不是玩家的操作技能。
2、神经因素
神经因素方面，多达15个因素显著影响着不同组别，而有14个因素与玩家个人的等级显著相关。自主神经系统中，心率变异率是衡量玩家水平的强有力标准，尤其是在比赛结束阶段，职业玩家组和受训者组的心率变异率都高于学生组。因此，这一结果表明，经过专业训练的玩家能够更好地应对游戏后期的压力，此时游戏情况变得更加不可预测。
中枢神经系统中，根据整个比赛期以及对线、伏击、战斗中的大脑的额中线θ活动可以显著将职业玩家和其他两组参与者区分开，而根据对线、伏击、战斗中的大脑的枕叶alpha活动，也可以显著将职业玩家和其他两组参与者区分开。此外，在整个比赛中，较高等级的玩家的枕叶alpha活动较低。额中线θ活动枕叶alpha活动都被认为是注意力水平的指标。因此，这些结果可以表明，职业玩家和高水平玩家在整个比赛过程中注意力更为集中。
另外，在伏击和战斗时，职业玩家组的中枢神经系统中的额叶alpha不对称呈积极性，而其他两组的呈消极性。根据积极性额叶alpha不对称和以往研究证明，当受消极情绪和压力影响时，大脑右半球的alpha活跃度更强。因此，这表明职业玩家在与对手作战时更放松、压力更小。
需要注意的是，神经因素的影响作用比行为因素的影响作用更为显著，且神经因素与个体玩家等级的相关系数也普遍较高。
总的来说，玩家的专业LOL能力可以很容易地从行为和神经因素中判断出来。
三、如何挖掘/培训下一个冠军？
虽然这个研究仍有不足之处（如样本数量少、自我评估测量表的方式可能会受社会期望等因素的影响），但结果却具有一定的现实意义，比如，如何挖掘和培训一个电竞天才？
首先，玩家在MOBA方面的专长与诸如多目标追踪之类的认知能力和诸如意识之类的人格特征有关。对于专业的MOBA体育俱乐部来说，根据这些特点去寻找新的人才或根据受训者的个人弱项制定培训计划可能会更有利于比赛成功。
另外，该研究中提到的神经因素与MOBA所需的专业能力密切相关，可用于开发评估玩家表现的系统。如果玩家在其中一个神经指标（比如额中线θ）上表现出异常，则可以采用特定的训练程序来改善这方面的表现。而训练程序的有效性也可以通过调整指标（甚至是实时的神经反馈）来评估。这将有助于培训出专业的MOBA玩家。
四、人才选拔与培养的未来
虽然本文介绍的只是针对电竞MOBA门类人才选拔和培养的一个研究案例，但脑科学研究正在探索如何将研究应用于教育和人才选拔。用“AI+脑科学”的方式将脑与认知科学研究成果应用于精准教学也是我们节律科技正在做的事情之一。
附：研究方法与流程
实验的具体操作方法和流程较复杂，为方便大家理解，这里只做简单呈现。
研究人员招募了3组具有不同专业水平的LOL玩家，包括职业玩家组、接受过培训的玩家组（以下简称受训者组）和一般水平的学生玩家组。
1、一般能力测试
首先，所有参与者完成了六项行为测试和两个问卷量表，以全面评估他们与游戏相关的认知能力。
由于以往的研究认为视觉搜索、鼠标跟踪、flanker试验和多目标跟踪（multiple object tracking, MOT）是关键的游戏相关能力，所以这次研究也研究了这些能力。同时，对3组不同专业水平的玩家也进行了简单反应时（Simple reaction time）测试。并采用内隐联想测验（Implicit association test, IAT）对被试的成就动机内隐认知进行测量。
视觉搜索任务，被试需要在空间分布不同的一群刺激中找出目标刺激，能够考察被试的空间能力。
Flanker试验，又称侧抑制试验，最初由EriksenFlanker (1974)等人在探究干扰字母对目标字母识别影响中最先采用了该研究范式，被试需要对呈现在中间的箭头朝向进行判断，且避免受两侧不同朝向箭头的干扰，能够考察被试的认知控制能力。
鼠标跟踪任务，在屏幕上呈现一个随机游走的光点，被试需要控制鼠标追踪光点，能够考察被试的执行控制能力。
简单反应时，指给被试呈现单一的刺激，同时要求在刺激呈现时尽快进行按键，由于刺激呈现的时间没有规律，无法进行预判，只能通过在看到刺激时立刻进行反应来完成任务，刺激呈现和反应之间的时间间隔就是简单反应时，能够考察被试的基本反应力。
多目标跟踪，在屏幕上同时呈现多个运动的小球，小球外形完全相同，其中某几个小球是目标，被试需要追踪目标小球的运动，并在运动结束后报告目标的位置，能够考察被试的注意追踪能力。
内隐联想测验，指的是一类考察内隐认知的测试方法。在本研究中，测试的外显任务为判断某类目标词的类别，实际上实验将包含与成就相关的词，并比较当这些词与自我相关词关联出现时的任务绩效，以反应时为指标，考察被试的成就动机。
最终从6个测试中提取8个行为指标，包括视觉搜索测试的准确度变化率、简单反应时测试的反应时间、鼠标跟踪测试的精准度和稳定性、flanker试验中的反应成本差异和转换成本、多目标跟踪测试的追踪目标数量以及内隐联想测验的成就意向得分。
此外，采用大五人格（Big Five Inventory，BFI）测试和韧性量表（Resilience Scale, RS）对参与者的总体人格和社会性进行量化。大五人格理论由John和Donahue于1991年提出，发现宜人性、自觉性、神经质性、开放性和外倾性这5个特质几乎可以涵盖人格描述的所有方面。研究中，对这5特质都进行了评分。
另外，用心理韧性量表对忍耐性进行了评分。Wagnild和Young曾经对成功应对重大挫折的女性被试进行访谈，开发了韧性量表，这是目前应用得最早、也最广泛的量表，量表包括情绪指标和认知指标，如个人能力（独立、自信、决心、策略、忍耐性、控制感、坚持等）、接受自我和生活（包括适应力、灵活、平衡）等。
具体流程见下图：
2、特定能力测试
正式游戏过程中，参与者在官方游戏服务器上以5人一组（2组专业玩家、2组受训者和4组学生）的方式各玩一到两次LOL游戏。同时，他们的脑电图（Electroencephalogram, EEG）和心电图（Electrocardiogram,ECG）被记录下，以评估他们的LOL特定的游戏能力。
由于在《那些言语无法描述的喜欢，脑科学都知道》这篇文章里已详细讲过EEG，这里就不赘述了。另外，什么是心电图呢？
心电图，指心脏在每个心动周期中，由起搏点、心房、心室相继兴奋，伴随着生物电的变化，通过心电描记器从体表引出多种形式的电位变化的图形。
了解了心电图后，我们再回到实验方法。
他们都使用的是自己的LOL帐户。通过官方匹配系统，每组玩家都与另一组拥有类似经验水平的在线玩家进行匹配。比赛过程中，参与者被要求尽量减少口头交流，以减少对EEG、ECG的干扰。同时，比赛过程也被录制下来。
本次实验共记录13次比赛的数据，其中专业玩家组的1次比赛因设备故障而丢失数据，留下12次比赛数据以供进一步分析。
从心电图及脑电图记录的相关数据中，能够提取自主神经系统（autonomic nervous system, ANS）和中枢神经系统（CentralNervous System, CNS）的生物信号。
自主神经系统是脊椎动物的末梢神经系统，由躯体神经分化、发展，形成机能上独立的神经系统，具有不受意志支配的自主活动。
中枢神经系统是由脑和脊髓的组成，（脑和脊髓是各种反射弧的中枢部分）是人体神经系统的最主体部分。中枢神经系统接受全身各处的传入信息，经它整合加工后成为协调的运动性传出，或者储存在中枢神经系统内成为学习、记忆的神经基础。人类的思维活动也是中枢神经系统的功能。
其中，从心电图信号中计算出心率、心率变异率和呼吸速率；从脑电信号中计算出精神集中度、选择性视觉空间注意度、情绪状态指数。
为了探索这些生物信号的行为相关性，研究人员对录制的游戏视频进行了进一步编码。这里用了两种方法。首先，提取3个5分钟数据，即游戏开始后的5分钟数据、游戏中间阶段的5分钟数据和游戏结束前的5分钟数据。其次，人工识别和提取重要的游戏阶段。在这里，主要关注对线（laning）、伏击（ganking）和战斗（battle）这3个阶段。
对线指游戏开始前几分钟，双方试图通过杀死计算机控制的小兵来收集金币，且干扰对手也这么做，但无意直接杀死对方。伏击的解释上面提到过。而战斗指不属于伏击的其他战役。
12次比赛中，共记录了307次对线、195次伏击和187次战斗。
然后针对3个5分钟数据和3个主要的游戏阶段，计算心电图中的心率、心率变异率和呼吸速率，以及脑电图中的额中线θ、额叶 alpha不对称、枕叶alpha，最终得出36个神经因素。
3、结果分析
1）单变量及相关分析
行为指标
对从行为测试中提取的14个行为因素进行单因素方差分析，以检验它们对各组参与者的影响。结果发现，多目标跟踪时目标数量对各组参与者的影响显著（F (2,30) = 3.72, p = 0.04）。见下图中的（A）
单因素方差分析，用于完全随机设计的多个样本均数间的比较，其统计推断是推断各样本所代表的各总体均数是否相等。
具体数据见下图。
对等级和各特征进行相关分析（正相关或负相关）时，发现等级和大五人格中的自觉性呈正相关（r = 0.36, p = 0.04）。见上图中的（B）
相关结果数据见下表。
神经指标
同样，采用单因素方差分析和相关分析对36个心电图和脑电图因素进行分析。发现，有18个心电图因素，显著影响不同组别在游戏中期、结束阶段、以及在伏击和战斗中的心率变异率。
而且，脑电图中的额中线θ、额叶 alpha不对称、枕叶alpha在游戏结束时和伏击时，不同组别区别显著。见下图中的（A）。
另外，有14个神经因素与参与者的等级显著相关。其中，心电图中，游戏结束阶段及战斗中的心率变异率与参与者等级呈正相关，而所有显著的脑电图特征均与等级呈负相关。见上图中的（B）。值得注意的是，枕叶alpha在所有游戏的各个阶段都与等级显著相关，伏击时的额叶 alpha不对称与等级的相关系数最高。
2）多变量分析
利用多变量分析中分类和回归方法，分析行为因素、神经因素和所有因素（行为因素和神经因素均包括）。
多变量分析，统计资料中有多个变量（或称因素、指标）同时存在时的统计分析，是统计学的重要分支，是单变量统计的发展。
分类
仅分析行为因素时，学生组难以与受训者组有效区分，不过这两组玩家都可以与职业玩家组有效区分。
分析神经指标时，3组玩家都能被有效区分。同样的，将行为因素和神经指标结合使用时，也能够有效区分3组玩家，但加入行为因素并不能使区分准确性更高。
具体数据见下图。
套索回归
回归分析，是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。在统计学和机器学习中，套索回归是一种同时进行特征选择和正则化（数学）的回归分析方法，旨在增强统计模型的预测准确性和可解释性，正则化是回归中的一种调节方法，它将系数估计（coefficient estimate）朝零的方向进行约束。
通过改变非零变量的数量，以及采用套索回归分析法分析14个行为因素。结果发现，主要的影响因素是大五人格中的开放性和简单反应时。
当采用套索回归分析法分析36个神经因素时，发现最能有效区分玩家的因素是伏击时的额叶 alpha不对称。
有趣的是，当综合分析行为因素和神经因素时，发现行为因素对回归准确性的影响甚微。
具体数据见下图。
（End）
本文部分内容由相关研究论文编译而成
论文链接：
www.tandfonline.com/doi/full/10.1080/10447318.2018.1461761返回搜狐，查看更多
责任编辑：

选择擅长的领域继续答题？
{@each tagList as item}
${item.tagName}
{@/each}
手机回答更方便，互动更有趣，下载APP
提交成功是否继续回答问题？
手机回答更方便，互动更有趣，下载APP
展开全部截至2020年底，lol没有最高等级，即无限制。2017赛季，英雄联盟在符文页上做了巨大改动的同时放开了最高等级的限制，之前的英雄联盟最高等级是30级。随着等级的提升，升级所需的时间会慢慢变长直到达到150级。基本上，从151级升到175级所需的时间和从176级到200级是完全一样的。并且，最长升级所需游戏数大概在15局到25局左右，还会因为“每日首胜”的额外经验值而缩短。扩展资料lol查看等级排行的方法1、直接在wegame客户端中，选择对象进入。2、下一步如果没问题，就继续点击发现跳转。3、这个时候等完成上述操作以后，需要确定浏览图示项。4、这样一来会得到相关的结果，即可实现要求了。参考资料来源：人民网-LOL30级等级上限即将取消 这些问题你需要知道已赞过已踩过你对这个回答的评价是？评论
收起
展开全部国服等级第一的玩家是来自影流大区的玩家“大西瓜g”，已经达到了871级，遥遥领先其他玩家，来自战争学院大区的“给予温柔”与艾欧尼亚大区的“百般疼爱”以701级与680级分列二三位。　打开战绩，排行第一的“大西瓜g”玩家是位大乱斗专业户，截稿时该账号已经进行了25场对局，其中包括21场大乱斗。扩展资料2017赛季，英雄联盟在符文页上做了巨大改动的同时放开了最高等级的限制，之前的英雄联盟最高等级是30级，而等级直接关联符文和天赋的使用点数，这在一定程度上限制了低等级玩家的游戏体验，20级之前的路人局基本没人拿打野。随着符文及金币的改动，等级似乎没有了多少限制，所以设计师们放开等级限制并加入升级给礼物的模式。从这一模式开始运行的时候，很多等级强迫症玩家就开始了练级模式，并且最新记录一直在不断刷新。参考资料来源：人民网-国服LOL等级排行：最高已达871级 日均三十局大乱斗
本回答被网友采纳展开全部满级无限制，升级给奖励。取消等级上限——在以前，英雄联盟的等级上限是30级，很多人满级后就没有挑战性，现在英雄联盟官方取消等级上限，变成无限制。玩家升到30、50、75和100级时会有对应的等级头像框，每升一级就会得到一个无需符石都能解锁的海克斯传送门，在30级之前很大机率是开到蓝色精粹和英雄碎片，加快玩家买到心仪英雄的速度，而30级后很大机率得到头像、皮肤、守卫皮肤、表情等进阶的物品。扩展资料：英雄联盟查看等级排行——1、首先登录wegame客户端，点击切换到英雄联盟面板2、然后将鼠标移动到“发现”上3、在出现的菜单中，点击“等级排行”4、下图就是英雄联盟中所有玩家的等级排行。
展开全部帐号等级最高30级，游戏中英雄等级最高18级。英雄联盟最高级是多少解释一下这句话。不太明白你问的问题最高30级，然后你就可以打排位赛了！段位是最强王者展开全部不知道你说的是排位等级还是自己召唤师的等级。如果是排位的等级最高段位是最强王者。如果是自身的召唤师等级最高等级是30级。
收起
更多回答（7）
推荐律师服务：
若未解决您的问题，请您详细描述您的问题，通过百度律临进行免费专业咨询
?>
为你推荐：
下载百度知道APP，抢鲜体验使用百度知道APP，立即抢鲜体验。你的手机镜头里或许有别人想知道的答案。扫描二维码下载
×个人、企业类侵权投诉
违法有害信息,请在下方选择后提交
类别色情低俗
涉嫌违法犯罪
时政信息不实
垃圾广告
低质灌水
我们会通过消息、邮箱等方式尽快将举报结果通知您。说明
做任务开宝箱累计完成0
个任务
10任务
50任务
100任务
200任务
任务列表加载中...