《Frontiers in Psychology》：Predicting competitive outcomes in professional e-sports from 60-second pre-match voice acoustics using machine learning
编辑推荐：
摘要：电子竞技（e-sports）中的竞技表现依赖快速决策、情绪调节与协同沟通，但赛前 vocal 行为是否包含可预测竞技结果的信息仍不清楚。方法：研究人员对89场职业 Counter-Strike: Global Offensive（CS:GO）比赛中60秒
摘要：电子竞技（e-sports）中的竞技表现依赖快速决策、情绪调节与协同沟通，但赛前 vocal 行为是否包含可预测竞技结果的信息仍不清楚。方法：研究人员对89场职业 Counter-Strike: Global Offensive（CS:GO）比赛中60秒赛前团队沟通录音按帧级（50-ms frames，25-ms step）提取68个声学特征；帧级预测聚合为比赛级分数，表示被分类为胜局的帧比例。评估三种预测条件：仅声学特征、仅排名差异（ranking difference）、以及声学+排名的联合模型，采用分层组五折交叉验证（stratified group five-fold cross-validation）。不确定性通过2000次比赛级自助重采样（bootstrap resamples）的百分位95%置信区间量化，随机水平判别定义为 AUC=0.50。结果：各算法中，语音与排名结合的模型表现最强，决策树（Decision Tree）分类器平均 bootstrap AUC 为77.3%（95% CI 65.8–86.9），准确率78.6%（95% CI 69.9–86.7）；五个语音+排名模型95% CI 均不包含随机水平。仅语音模型中仅决策树（AUC 67.8%，95% CI 54.8–79.2）与随机森林（Random Forest；AUC 64.0%，95% CI 50.7–76.3）的置信区间不含0.50，线性判别分析（Linear Discriminant Analysis）、逻辑回归（Logistic Regression）与k近邻（k-Nearest Neighbors）未达此标准。无仅排名模型置信区间排除随机水平。探索性 LIME 特征归因显示：联合模型中排名差异归因最高；δ spectral flux、chroma standard deviation、spectral centroid 分别是树类、线性、距离类分类器中声学描述子内归因最高者，该排序为描述性而非跨模型正式统计比较。讨论：结果提供初步且受数据集限制的的证据，表明简短赛前团队沟通中的声学模式与比赛结果相关，且对某些模型可提供排名之外的预测信息；回顾性、单队设计不能确立可泛化行为生物标志物或语音声学与竞技准备度的因果关系。
研究背景方面，电子竞技如 CS:GO 要求运动员在高强度对抗中处理感官信息、维持情境意识、进行工作记忆与注意转换，并完成团队战略协调。既有生理与心理研究表明，急性应激、认知负荷与预期唤醒会通过呼吸支持、喉部张力、发音精度与韵律控制改变声学参数，因此语音可作为认知—情绪状态的生态有效行为信号。然而，既往预测电竞结果的研究多依赖比赛指标或生理传感器，少有研究用自然语言式赛前沟通作为独立预测源；传统回归也只能处理线性关系，难以刻画自然沟通中的非线性与高维结构。研究人员此前回归研究已发现 chroma1 与 ΔMFCC13 等声学描述子与赛果相关，但解释性建模不能回答“对保留比赛可否预测”的问题，因此本研究转为预测性机器学习分析。
研究人员以89场同一职业战队 CS:GO 官方排位赛为对象，取每场开赛前60秒团队单通道沟通音频，用 pyAudioAnalysis 0.3.14 以50-ms帧、25-ms步长提取34个短时声学描述子及其一阶差分，共68个声学变量；以战队与对手的官方排名差作为上下文变量。建模采用逻辑回归、线性判别分析、k近邻、决策树与随机森林五种算法，在 StratifiedGroupKFold 下做帧级训练、比赛级聚合（胜局帧比例作为比赛分数）；超参用 Optuna 的 Tree-Structured Parzen Estimation 优化，训练折内用 NearMiss 欠采样处理类别不平衡，用 LIME 做探索性特征归因，并用2000次比赛级 bootstrap 给出 AUC 的95% CI。样本队列来源为某竞技电竞组织下属五人职业战队的89场职业 CS:GO 比赛。
结果与各小节如下。Descriptive overview of the dataset：89场同队职业 CS:GO 比赛、每场60秒赛前沟通、68个声学特征与排名差为数据基础，类别略有不平衡，跨场比赛反映协调、对手强度与竞争情境波动。Model performance using voice and ranking features：声学+排名差联合条件下，决策树准确率76.1%、AUC 78.0%，随机森林准确率77.1%、AUC 77.8%；线性判别分析与逻辑回归聚合后指标相同，AUC 74.2%；联合模型在算法间一致表现更优，但是否“显著优于”仅作描述性比较，无配对推断检验。Model performance using voice features only：仅声学时线性判别分析 AUC 70.9% 最高；但 bootstrap 中仅决策树 AUC 0.678（95% CI 0.548–0.792）与随机森林 AUC 0.641（95% CI 0.507–0.763）排除随机水平，其余三者 CI 含0.50，说明仅语音证据有限。Model performance using ranking features only：仅排名差模型最弱，k近邻 AUC 47.4%，线性判别分析与逻辑回归 AUC 57.0%，无模型 CI 排除0.50，表明排名差单独预测力不足。Chance-level comparisons：以比赛/录音为重采样单位做2000次 bootstrap；五个联合模型 AUC 的95% CI 下界均大于0.50，仅语音中决策树与随机森林超随机，排名仅模型全不超随机。Feature importance across algorithms：联合模型中 ranking difference 在五模型均排第一；树模型突出 delta spectral flux，线性模型突出 chroma std，距离模型突出 spectral centroid，LIME 排名为局部近似、不可跨模型作因果或机制结论。
讨论部分指出，简短赛前团队沟通含结构化声学信号，可与排名差互补预测赛果；语音可能关联准备度、注意投入、情绪调节与早期团队协调，但单队、回顾、无说话人分离与无直接心理态测量的设计限制泛化与因果解释。LIME 仅解释帧级模型行为，不等同于比赛级决策机制；未来应多队、多项目、嵌套组验证、保留实例级符号解释，并将语音与生理、语言内容、比赛遥测（gameplay telemetry）与团队凝聚力量表结合。论文发表在《Frontiers in Psychology》。
Conclusions 翻译：本研究证明，在这支职业战队的回顾性数据集中，赛前语音行为携带可贡献于职业电竞比赛结果样本外预测的声学信息，尤其在加入排名差等上下文指标时；这些发现支持把团队语音声学作为候选的绩效相关信号进一步研究。它们并未确立可泛化的准备度、协调性或不认知—情绪状态生物标志物，且当前准确率估计在尚未进行嵌套折超参验证与外部复现前可能偏乐观。更广泛地，本研究桥接人类沟通的解释性与预测性路径，说明非线性模型可揭示自然语音中被传统统计方法忽略的潜在模式。未来应预注册分析与主要指标，从多队、多赛事、多层级与多游戏类型扩样，采用嵌套组感知验证及外部时间/团队测试，标准化麦克风与采样条件，比较赛前与早/晚比赛窗口，可行时分离说话人，并评估语言、比赛、生理与凝聚力变量的增量价值；可解释性须评稳定性与保真度，操作化前须研究校准、公平、隐私、同意与误报后果。
