I giocatori Iron e Diamond imparano i campioni in modo diverso? Abbiamo analizzato 7.8M+ punti dati su 1.2M+ partite per capire come cambiano skill cap e costo di apprendimento da Iron a Master+.
Dati
Abbiamo combinato due fonti dati: la nuova analisi per rank (da Iron a Diamond, dai blob di partite arricchiti con la maestria) e il dataset Master+ originale (530K partite dalla prima fase di crawl). Così copriamo tutti gli 8 bracket di rank.
| Rank | Partite | Skill cap mediano | Costo medio |
|---|---|---|---|
| Ferro | 66.893 | 6 | -10.5% |
| Bronzo | 46.816 | 6 | -10.7% |
| Argento | 57.697 | 6 | -10.0% |
| Oro | 285.392 | 6 | -8.5% |
| Platino | 141.506 | 6 | -8.7% |
| Smeraldo | 82.456 | 6 | -9.6% |
| Diamante | 14.032 | 6 | -16.6% |
| Maestro+ | 530.540 | 6 | -12.3% |
Metodologia
Curva di maestria: Per ogni coppia (campione, rank), calcoliamo il percentuale di vittorie a ogni livello di maestria (da 1 a 40+), poi aggreghiamo in bucket da 2 livelli (1-2, 3-4, 5-6, ecc.) per avere potenza statistica. Lo smoothing monotono assicura che la curva non scenda mai.
Skill cap di maestria (Spearman): Usiamo la correlazione per ranghi di Spearman su una finestra mobile per trovare il livello di maestria in cui il percentuale di vittorie smette di correlare con l'esperienza. Per ogni cutoff candidato, testiamo se i punti dati sopra quel cutoff mostrano ancora un trend positivo significativo (p < 0.05, rho > 0.1). Il cap è dove la correlazione sparisce.
Costo di apprendimento: Misura la penalità di percentuale di vittorie quando giochi un campione sotto il tuo skill cap di maestria. Calcolo: (low_mastery_WR - plateau_WR) x 100. Un costo di -8% significa che i first-time perdono 8 punti percentuali di percentuale di vittorie rispetto a giocatori esperti sullo stesso campione.
Soglie di campione statistico: In base all'analisi dell'ampiezza degli intervalli di confidenza binomiali, richiediamo 267+ game per bucket di maestria per una precisione di +/-3pp (95% CI), e 385+ game per gruppo per rilevare una differenza di WR di 5pp con potenza dell'80%. Escludiamo i campioni con meno di 200 game totali in un rank.
Risultato 1: lo skill cap si comprime ad alto elo
Lo skill cap mediano è 6 in tutti i rank, ma la varianza cala drasticamente ad alto elo. In Iron alcuni campioni mostrano miglioramenti fino alla maestria 26. In Diamond e Master+, praticamente ogni campione va in plateau entro la maestria 6.
In questo insieme di dati, le curve dei rank più alti raggiungevano prima il plateau stimato. La differenza era statisticamente significativa: il test U di Mann-Whitney tra i gruppi Low (Iron/Bronze/Silver) e High (Diamond/Master+) dà p = 0.0005.
Il risultato però è guidato da circa 35 campioni complessi. L'80% dei campioni va in plateau alla maestria 6 indipendentemente dal rank.
Risultato 2: il costo di apprendimento resta stabile tra i rank
A sorpresa, il costo di apprendimento è molto stabile tra i rank, intorno a -8% mediano. I giocatori Iron pagano più o meno la stessa penalità di percentuale di vittorie da first-time dei giocatori Diamond.
I test U di Mann-Whitney non mostrano differenze significative tra i gruppi di rank (p = 0.06-0.18). La correlazione di Spearman tra rank e costo è debole (rho = 0.11), anche se tecnicamente significativa (p = 0.0001) grazie alla dimensione enorme del campione.
Campioni con le curve di maestria più dipendenti dal rank
Alcuni campioni mostravano plateau stimati molto diversi tra i rank. Viego arrivava al livello 26 in Iron e al 6 in Diamond, con 20 livelli di differenza. La conoscenza generale del gioco può spiegare parte di questa compressione, ma l’analisi non ne ha isolato la causa.
Risultato 3: Assassin e Fighter hanno gli skill ceiling più alti
La classe del campione è un predittore statisticamente significativo dello skill cap (Kruskal-Wallis p = 0.01). Assassin (31% con cap sopra 8) e Fighter (26%) richiedono più tempo da padroneggiare, mentre i Tank vanno in plateau quasi subito (4%).
A sorpresa, il costo di apprendimento è uniforme tra le classi (-7.5% a -9.9%). La differenza non è quanto perdi mentre impari, ma quanto tempo serve per smettere di perdere.
Il ruolo (top, mid, jungle, ecc.) NON è un predittore significativo (p = 0.39). La mid lane sembra più alta solo perché contiene più assassin e mage.
Skill cap per classe di campione (Gold)
| Classe | Campioni | Skill cap mediano | % cap > 8 | Costo mediano |
|---|---|---|---|---|
| Assassin | 16 | 6 | 31% | -9.9% |
| Fighter | 50 | 6 | 26% | -8.7% |
| Marksman | 28 | 6 | 25% | -7.8% |
| Mage | 36 | 6 | 19% | -7.5% |
| Support | 18 | 6 | 11% | -7.6% |
| Tank | 24 | 6 | 4% | -8.7% |
Potenziale OTP: campioni che continuano a premiare la maestria
Un vero campione OTP ha bisogno di entrambe le cose: uno skill cap alto (continua a migliorare oltre la maestria 10) E un guadagno WR significativo, oltre 10 punti percentuali lungo quel percorso. Le celle evidenziate mostrano dove esiste il segnale OTP per ogni rank.
Ogni cella mostra skill cap / guadagno WR da non allenato a plateau. Le celle evidenziate indicano il segnale OTP (cap > 10 e gain > 10pp).
Qualità dei dati e limiti
Stabilità bootstrap: Lo skill cap Spearman è rumoroso per natura. Anche per campioni popolari con 50K+ game in un singolo rank, il ricampionamento bootstrap mostra intervalli di confidenza al 95% ampi in alcuni casi ([6, 20]). È un limite della metodologia, non un problema dei dati.
Dati Diamond: Con 140K game totali e 50 campioni sopra 1K game, i dati Diamond supportano l'analisi del costo di apprendimento ma hanno potenza limitata per rilevare skill cap non banali.
Dati Master+: Provengono dall'analisi originale da 530K partita (soprattutto Master/GM/Challenger), con dati ricchi per livello e fino a 150 livelli di maestria per campione.
Controllo del percentuale di vittorie: I percentuale di vittorie complessivi su tutti i rank sono tra 49.6 e 49.9%, confermando la coerenza interna dei dati.