Detección de trampas en partidas de ajedrez en línea utilizando clasificadores de Machine Learning

Descripción del Articulo

El ajedrez en línea ha tenido un auge de popularidad desde el año 2020, con el contexto de la pandemia. Este auge trae consigo la problemática de las trampas en torneos de ajedrez en línea, las cuales comprometen su integridad y reputación, perjudicando tanto a jugadores como organizadores. Paralela...

Descripción completa

Detalles Bibliográficos
Autor: Ayvar Rios, Rodrigo
Formato: tesis de grado
Fecha de Publicación:2024
Institución:Universidad de Lima
Repositorio:ULIMA-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.ulima.edu.pe:20.500.12724/21286
Enlace del recurso:https://hdl.handle.net/20.500.12724/21286
Nivel de acceso:acceso abierto
Materia:Aprendizaje automático
Ajedrez
Detectores
https://purl.org/pe-repo/ocde/ford#2.02.04
id RULI_1ff77e563f10e85f268ea9e2117f7464
oai_identifier_str oai:repositorio.ulima.edu.pe:20.500.12724/21286
network_acronym_str RULI
network_name_str ULIMA-Institucional
repository_id_str 3883
dc.title.es_PE.fl_str_mv Detección de trampas en partidas de ajedrez en línea utilizando clasificadores de Machine Learning
title Detección de trampas en partidas de ajedrez en línea utilizando clasificadores de Machine Learning
spellingShingle Detección de trampas en partidas de ajedrez en línea utilizando clasificadores de Machine Learning
Ayvar Rios, Rodrigo
Aprendizaje automático
Ajedrez
Detectores
https://purl.org/pe-repo/ocde/ford#2.02.04
title_short Detección de trampas en partidas de ajedrez en línea utilizando clasificadores de Machine Learning
title_full Detección de trampas en partidas de ajedrez en línea utilizando clasificadores de Machine Learning
title_fullStr Detección de trampas en partidas de ajedrez en línea utilizando clasificadores de Machine Learning
title_full_unstemmed Detección de trampas en partidas de ajedrez en línea utilizando clasificadores de Machine Learning
title_sort Detección de trampas en partidas de ajedrez en línea utilizando clasificadores de Machine Learning
author Ayvar Rios, Rodrigo
author_facet Ayvar Rios, Rodrigo
author_role author
dc.contributor.advisor.fl_str_mv Ramos Ponce, Oscar Efraín
dc.contributor.author.fl_str_mv Ayvar Rios, Rodrigo
dc.subject.en_EN.fl_str_mv Aprendizaje automático
topic Aprendizaje automático
Ajedrez
Detectores
https://purl.org/pe-repo/ocde/ford#2.02.04
dc.subject.es_PE.fl_str_mv Ajedrez
Detectores
dc.subject.ocde.none.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.02.04
description El ajedrez en línea ha tenido un auge de popularidad desde el año 2020, con el contexto de la pandemia. Este auge trae consigo la problemática de las trampas en torneos de ajedrez en línea, las cuales comprometen su integridad y reputación, perjudicando tanto a jugadores como organizadores. Paralelamente, se han utilizado diferentes técnicas de Machine Learning en ajedrez, en los ámbitos de clasificación y regresión, principalmente para la predicción de resultados. Sin embargo, existen pocos estudios sobre la detección de trampas en ajedrez, principalmente por la dificultad de acceso a partidas con trampas en línea. Por este motivo, el objetivo de esta investigación fue desarrollar cuatro modelos de detección de trampas con clasificadores de Machine Learning, utilizando partidas entre humanos y computadoras para caracterizar el comportamiento de jugadores haciendo trampas. Se construyó un dataset de entrenamiento a partir de las partidas de Free Internet Chess Server y un dataset de validación con partidas propias en el sitio web Chess.com. Además, se añadieron variables de análisis y de tiempo, sugeridas por investigaciones previas. El mejor modelo fue Random Forest, que obtuvo exactitudes del 96.534% con partidas del dataset de Free Internet Chess Server y del 96% con partidas en Chess.com. Esta investigación aporta al estado del arte, proporcionando modelos de detección de trampas en partidas de ajedrez con una mayor exactitud y alcance que estudios previos, siguiendo la definición de trampas hecha por la entidad reguladora de ajedrez en el mundo.
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2024-10-03T14:40:32Z
dc.date.available.none.fl_str_mv 2024-10-03T14:40:32Z
dc.date.issued.fl_str_mv 2024
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.other.none.fl_str_mv Tesis
format bachelorThesis
dc.identifier.citation.es_PE.fl_str_mv Ayvar Rios, R. (2024). Detección de trampas en partidas de ajedrez en línea utilizando clasificadores de Machine Learning [Tesis para optar el Título Profesional de Ingeniero de Sistemas, Universidad de Lima]. Repositorio Institucional de la Universidad de Lima. https://hdl.handle.net/20.500.12724/21286
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12724/21286
dc.identifier.isni.none.fl_str_mv 121541816
identifier_str_mv Ayvar Rios, R. (2024). Detección de trampas en partidas de ajedrez en línea utilizando clasificadores de Machine Learning [Tesis para optar el Título Profesional de Ingeniero de Sistemas, Universidad de Lima]. Repositorio Institucional de la Universidad de Lima. https://hdl.handle.net/20.500.12724/21286
121541816
url https://hdl.handle.net/20.500.12724/21286
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.*.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.*.fl_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Lima
dc.publisher.country.none.fl_str_mv PE
publisher.none.fl_str_mv Universidad de Lima
dc.source.none.fl_str_mv Repositorio Institucional - Ulima
Universidad de Lima
reponame:ULIMA-Institucional
instname:Universidad de Lima
instacron:ULIMA
instname_str Universidad de Lima
instacron_str ULIMA
institution ULIMA
reponame_str ULIMA-Institucional
collection ULIMA-Institucional
bitstream.url.fl_str_mv https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/5/T018_74731549_T.pdf.jpg
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/7/FA_74731549.pdf.jpg
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/9/TURNITIN_DNI_74731549%20-%2020170132.pdf.jpg
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/4/T018_74731549_T.pdf.txt
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/6/FA_74731549.pdf.txt
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/8/TURNITIN_DNI_74731549%20-%2020170132.pdf.txt
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/1/T018_74731549_T.pdf
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/2/FA_74731549.pdf
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/3/TURNITIN_DNI_74731549%20-%2020170132.pdf
bitstream.checksum.fl_str_mv 50257f755240f80af8cffe1ce5ce76df
321561c062804d5db1ce0773ce633644
f1d1bb9baab6de52d5e87846ac30665e
122b2492334e10b96544d981277042d1
2228e977ebea8966e27929f43e39cb67
14a1b1c75f717807b8090d2d2f3fbd1e
b68ea780ebb9be217ab1fab730c9b1bf
c2603bff96eb771034391643c9ade023
3c0cf3b0b4cd755b4d31810663e3365a
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Universidad de Lima
repository.mail.fl_str_mv repositorio@ulima.edu.pe
_version_ 1848514453994209280
spelling Ramos Ponce, Oscar EfraínAyvar Rios, Rodrigo2024-10-03T14:40:32Z2024-10-03T14:40:32Z2024Ayvar Rios, R. (2024). Detección de trampas en partidas de ajedrez en línea utilizando clasificadores de Machine Learning [Tesis para optar el Título Profesional de Ingeniero de Sistemas, Universidad de Lima]. Repositorio Institucional de la Universidad de Lima. https://hdl.handle.net/20.500.12724/21286https://hdl.handle.net/20.500.12724/21286121541816El ajedrez en línea ha tenido un auge de popularidad desde el año 2020, con el contexto de la pandemia. Este auge trae consigo la problemática de las trampas en torneos de ajedrez en línea, las cuales comprometen su integridad y reputación, perjudicando tanto a jugadores como organizadores. Paralelamente, se han utilizado diferentes técnicas de Machine Learning en ajedrez, en los ámbitos de clasificación y regresión, principalmente para la predicción de resultados. Sin embargo, existen pocos estudios sobre la detección de trampas en ajedrez, principalmente por la dificultad de acceso a partidas con trampas en línea. Por este motivo, el objetivo de esta investigación fue desarrollar cuatro modelos de detección de trampas con clasificadores de Machine Learning, utilizando partidas entre humanos y computadoras para caracterizar el comportamiento de jugadores haciendo trampas. Se construyó un dataset de entrenamiento a partir de las partidas de Free Internet Chess Server y un dataset de validación con partidas propias en el sitio web Chess.com. Además, se añadieron variables de análisis y de tiempo, sugeridas por investigaciones previas. El mejor modelo fue Random Forest, que obtuvo exactitudes del 96.534% con partidas del dataset de Free Internet Chess Server y del 96% con partidas en Chess.com. Esta investigación aporta al estado del arte, proporcionando modelos de detección de trampas en partidas de ajedrez con una mayor exactitud y alcance que estudios previos, siguiendo la definición de trampas hecha por la entidad reguladora de ajedrez en el mundo.Online chess has had a rise in popularity since 2020, with the context of the pandemic. This rise brings with it the problem of cheating in online chess tournaments, which compromises their integrity and reputation, harming both players and organizers. In parallel, different Machine Learning techniques have been used in chess in the classification and regression fields. However, there are few studies on the detection of cheating in chess, mainly due to the difficulty of accessing cheating games online. For this reason, the objective of this research was to develop four cheat detection models with Machine Learning classifiers, using games between humans and computers to characterize the cheaters’ behavior. A dataset was built from the Free Internet Chess Server games and a validation dataset with own games on the Chess.com website. In addition, analysis and time variables were added, suggested by previous research. The best model was Random Forest, which obtained accuracies of 96.534% with games from the original dataset and 96% with games on Chess.com. This research contributes to the state of the art, providing models for detecting cheating in chess games with greater accuracy and reach than previous studies, following the definition of cheating made by the chess regulatory entity in the world.application/pdfspaUniversidad de LimaPEinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/4.0/Repositorio Institucional - UlimaUniversidad de Limareponame:ULIMA-Institucionalinstname:Universidad de Limainstacron:ULIMAAprendizaje automáticoAjedrezDetectoreshttps://purl.org/pe-repo/ocde/ford#2.02.04Detección de trampas en partidas de ajedrez en línea utilizando clasificadores de Machine Learninginfo:eu-repo/semantics/bachelorThesisTesisSUNEDUTítulo ProfesionalIngeniería de SistemasUniversidad de Lima. Facultad de IngenieríaIngeniero de Sistemashttps://orcid.org/0000-0001-5185-97454419658161207674731549https://purl.org/pe-repo/renati/level#tituloProfesionalQuintana Cruz, Hernán AlejandroMayhua Quispe, Angela GabrielaQuiroz Villalobos, Lennin Paulhttps://purl.org/pe-repo/renati/type#tesis009THUMBNAILT018_74731549_T.pdf.jpgT018_74731549_T.pdf.jpgGenerated Thumbnailimage/jpeg10776https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/5/T018_74731549_T.pdf.jpg50257f755240f80af8cffe1ce5ce76dfMD55FA_74731549.pdf.jpgFA_74731549.pdf.jpgGenerated Thumbnailimage/jpeg15322https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/7/FA_74731549.pdf.jpg321561c062804d5db1ce0773ce633644MD57TURNITIN_DNI_74731549 - 20170132.pdf.jpgTURNITIN_DNI_74731549 - 20170132.pdf.jpgGenerated Thumbnailimage/jpeg6852https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/9/TURNITIN_DNI_74731549%20-%2020170132.pdf.jpgf1d1bb9baab6de52d5e87846ac30665eMD59TEXTT018_74731549_T.pdf.txtT018_74731549_T.pdf.txtExtracted texttext/plain76821https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/4/T018_74731549_T.pdf.txt122b2492334e10b96544d981277042d1MD54FA_74731549.pdf.txtFA_74731549.pdf.txtExtracted texttext/plain3https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/6/FA_74731549.pdf.txt2228e977ebea8966e27929f43e39cb67MD56TURNITIN_DNI_74731549 - 20170132.pdf.txtTURNITIN_DNI_74731549 - 20170132.pdf.txtExtracted texttext/plain3030https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/8/TURNITIN_DNI_74731549%20-%2020170132.pdf.txt14a1b1c75f717807b8090d2d2f3fbd1eMD58ORIGINALT018_74731549_T.pdfT018_74731549_T.pdfTesisapplication/pdf865602https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/1/T018_74731549_T.pdfb68ea780ebb9be217ab1fab730c9b1bfMD51FA_74731549.pdfFA_74731549.pdfAutorizaciónapplication/pdf2510717https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/2/FA_74731549.pdfc2603bff96eb771034391643c9ade023MD52TURNITIN_DNI_74731549 - 20170132.pdfTURNITIN_DNI_74731549 - 20170132.pdfReporte de similitudapplication/pdf7678656https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21286/3/TURNITIN_DNI_74731549%20-%2020170132.pdf3c0cf3b0b4cd755b4d31810663e3365aMD5320.500.12724/21286oai:repositorio.ulima.edu.pe:20.500.12724/212862025-09-17 13:54:53.861Repositorio Universidad de Limarepositorio@ulima.edu.pe
score 13.032111
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).