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...
| Autor: | |
|---|---|
| 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).
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).