Ally Clifft，俄克拉荷马州立大学俄克拉荷马州立大学学生
Kalbe Abbas Agharia，俄克拉荷马州立大学学生
随着 COVID-19 大流行期间互联网使用量的增加，在线国际象棋也越来越受欢迎也就不足为奇了。 在这项研究中，我们调查和分析了低到中等评分的在线国际象棋玩家和他们参与的游戏。 我们利用了来自 Chess.com 的数据集，其中我们获得了与个人球员、俱乐部、锦标赛、团队、国家、每日拼图、彩带和排行榜有关的数据。 我们使用 JMP 和 Python 来完成我们的分析。 我们从 2020 年 10 月 4 日到 2021 年 3 月 4 日随机抽取了低到中等评价的玩家样本。 我们注意到便携式游戏符号和每个玩家完成的特定动作。 当初学者水平的棋手不断使用某些动作时，他们更有可能看到持续的胜利，从而将他们的地位从初学者提高到中等水平。 在单独查看这些动作时，尚不清楚对成功的影响，但是当进一步检查动作组合时，成功的预测要准确得多。 我们的分析结果使我们能够确定大多数中等评分玩家采用的一系列导致输掉比赛的动作。 由于在数据收集期间发生 COVID-19 大流行，数据可能会出现偏差。 大流行等外部环境因素可能导致不准确的结果和发现。 这项研究和分析旨在帮助国际象棋教练和教练更好地制定策略和训练练习，以帮助初学者和中等水平的棋手提高他们的技能。
介绍：国际象棋是世界上最古老、最广泛的运动之一。 随着新技术的引入和互联网接入的增加，人们几乎可以在世界任何地方下棋。 随着国际象棋的普及和普及，玩家了解提高游戏技能的最佳方法非常重要。 在这项研究中，我们将调查评分较低或中等的国际象棋选手。 这些玩家参与的游戏将被深入研究，以便我们更好地了解决定游戏结果的失误和失误，进而改变玩家排名。 为了首先了解我们研究的范围，我们着手了解影响国际象棋界人口的外部因素，例如先进技术和 COVID-19 大流行。 所提供的研究将帮助玩家和读者更好地了解在浏览在线国际象棋时对中低排名玩家最有利的开局和战术。 在这种情况下，低评分玩家将被定义为评分在 800 到 1000 之间的玩家，而中等评分玩家将被定义为评分范围在 1000 到 1300 之间。 我们的研究将针对六个国家进行：加拿大、澳大利亚、英国、美国、印度和孟加拉国。这项研究的总体目的是查明排名中等的球员的一贯失误和错误模式，并利用它们来制定增加竞争和获胜的策略。 这项研究将指出一个可以确定最佳获胜策略的方向，并最终帮助在线棋手改变他们的棋手排名。
数据概览：为完成这项研究而收集的数据由国际象棋网，为玩家免费提供在线国际象棋游戏的顶级在线国际象棋社区之一。 我们访问了该网站的 API 数据库，在那里我们收集了围绕个人玩家的数据，例如他们的个人资料、有称号的玩家、统计数据和在线玩家状态。 此外，我们还提供了特定游戏的访问权限，包括当前的每日棋，简明易行的每日棋，可用存档，每月存档和多游戏PNG下载。 为了完成更准确和深入的分析，我们还下载并利用了具体的国家数据，包括国家概况、每个国家的球员名单以及该国的俱乐部名单。
访问数据： https://www.chess.com/news/view/published-data-api / https://lichess.org/api
挖掘数据
变量名称
|
描述
|
用户名
|
双方玩家的用户名
|
埃洛
|
双方玩家的 ELO 评分
|
结果
|
比赛结果
|
生态守则
|
表示游戏中使用的开局的唯一代码
|
PGN（便携式游戏符号）
|
游戏中的整个系列动作以文本格式
|
生成的数据
变量名称
|
描述
|
失误PGN
|
导致失误的动作的 PGN
|
错误PGN
|
导致错误的动作的 PGN
|
方法：处理这些数据的方法首先从清理和挖掘所访问的数据开始。 数据在收到时大部分是干净的，但是，为了在分析过程中继续前进，需要进行一些小的编辑和更改。 在清理、审查和处理数据后，我们从 2020 年 10 月 4 日到 2021 年 3 月 4 日随机抽取了美国、英国、加拿大、澳大利亚、印度和孟加拉国的低到中等评价玩家。 对于每个随机选择的玩家，我们调查了该玩家参与的五场快速游戏。 在评估每个快速游戏时，在我们初步评估和调查之后，我们使用 Python 编写代码，使我们能够合并、加入和比较为每个国家及其选定玩家编译的数据集。
我们从目标评分范围为 1000-1400 的用户群中随机抽取了 1000 个游戏样本。 然后使用深度为 20 的 Stockfish 分析这些游戏。 使用 stockfish 对每一步位置的评估，我们得出一个分数，表明哪个玩家在数量上具有更好的位置。 此类乐谱中使用的单位称为 Centipawns。 +100 Centipawn 的分数表示白方玩家比黑方玩家多 1 个棋子。 每次移动后，都会计算一个新分数以及与前一步相比的分数变化。 我们定义了两类动作，失误和失误。 一个失误意味着玩家的移动让他们损失了 500 centipawn 的劣势，而错误的阈值是 300 centipawn。 失误会给犯错的玩家造成更糟糕的处境，从而导致玩家输掉比赛的机会更高。
通过识别失误和错误，我们生成变量 Blunder_pgn，这将是一个 PGN 字符串，其中包含导致失误的一系列动作
结果：
使用 Blunder PGN 和 Mistake PGN，我们能够识别出一系列大多数中等评级玩家使用的导致游戏失败的动作。 我们确定了 3 个错误和 4 个错误 PGN，在我们的目标评级水平的所有组合中，玩家最难解决这些问题。
图1：斯堪的纳维亚防御及其成功率
图二：Blackmar Gambit 及其成功率
图 3：Center Game 及其成功率
容易出错的开口
影响：
黑人玩家应该避免 Blackmar Gambit 和斯堪的纳维亚防御。
白人玩家通常有优势，但往往会在中心游戏开局中挣扎。
虽然有不同的开局和不同的问题，但具体观察到失手玩家开局原则薄弱的总体趋势：
- 典当牺牲无偿
- 女王安全
- 棋子的开发
结论：
中等评级的玩家在使用伦敦系统和 Giuoco 钢琴游戏等标准开局时弹得最准确，因此在进入复杂开局之前应先接受这些基础知识的培训
参考：
https://www.chess.com/analysis
https://python-chess.readthedocs.io/en/latest/pgn.html
https://stockfishchess.org/
全部正确的，好的下午，和今天我是去到是说
关于这预测的分析的在线的棋结果和成功。
我的姓名是佳佳克里夫特和我有这机会
到工作在这项目和其他其他学生
在我的商业分析程序，卡尔贝阿巴斯琼脂糖，
然而，他是不是和我们这里今天。
到开始，我们分析了低的和适度-额定在线的棋玩家。
自从这新冠肺炎大流行病，那里曾是一个增加在互联网用法
作为出色地作为和这进步的技术，
人们有切换超过到玩在线的棋
作为它是更多的容易可用的到用户。
我们通缉到看在这效力的不同的游戏战略，
具体的移动，和个人技术，和他们的影响在潜在的赢
或者潜在的损失在这游戏的棋。
播放器数据曾是拉从国际象棋网，哪个是在哪里我们是有能力的到看法
轮廓的这播放器,标题球员，他们的统计数据，
和这在线的玩家地位。
我们利用JMP和Python到是有能力的到完全的这学习。
我们著名的这便携式游戏符号，还已知的作为这PGN。
这曾是用过的到决定这开口,失误，和错误
那是发生期间这竞赛。
我们学到了那看着在个人移动在他们的自己的曾是不是作为预测的
作为看着在移动组合作为A所有的。
它曾是成立那这预言的棋曾是很多更多的准确的
什么时候我们看着在不同的移动组合。
我们是有能力的到确认移动从适度-额定球员
到采用领导向上到游戏-失去移动这样的作为失误
或者不同的开口移动那引领到更多的成功。
这分析目的到帮助胸部培训师和教练员在发现虚弱的积分
和初学者到适度-额定球员到帮助他们增加他们的玩家评分。
他们将要还是有能力的到制定更好的策略
和训练练习到帮助这些球员提升他们的技能。
喜欢我说，这增加知名度的虚拟的棋
真的鼓励我们到完全的这学习。
我们通缉到调查和理解这不同的游戏策略
受雇经过初学者和适度-额定玩家。
我们通缉到决定这最佳的获胜战略
为了这些球员到帮助他们
增加他们的评分在这在线的平台。
我们通缉到学习如何到帮助这些球员
是有能力的到决定A具体的战略到利用移动向前。
到开始和我们的方法，我们开始经过采样这数据
我们已收到从国际象棋网。
后打扫和矿业这数据，我们是有能力的到收集
A随机的样本的球员从这团结的状态，
这团结的王国，加拿大，澳大利亚，印度，和孟加拉国。
看着通过我们的自己的研究，我们成立那这是在哪里棋
曾是最多受欢迎的在这过去的很少年。
所以我们真的通缉到看在那数据在具体的。
具体来说，我们看着在这数据从十月4、 2020到行进4、 2021.
我们做过这在命令到避免潜在的影响
从看着在数据那发生期间这新冠肺炎大流行
什么时候互联网用法曾是在它是最高。
我们还是有能力的到做一些特征一代。
我们生成的二特征哪个允许为了这用户
到决定移动组合那引领向上到失误或者错误。
这里，我们创建这失误PGN和这错误的PGN。
这失误PGN曾是只是这记录的移动那是制成
经过A玩家领导向上到A错误和棋。
这错误PGN曾是只是A收藏的移动那A玩家制成
领导向上到A错误。
这是什么允许我们到完全的我们的分析。
下一个，我们利用A Python代码到合并，加入，
和比较全部的这数据那我们集。
这数据曾是编译的五游戏每玩家
从关于A 1,000到1,400-玩家评分。
我们已选择1000游戏随机地从这选择的数据。
尽管我们是看着在这数据，我们通缉到做...
我们测量的它和使用A鳕鱼深度的20.
到描述这些措施A小的少量更多的，
它曾是测量的在什么我们称呼A厘卒在棋。
A加100厘卒表示那那里是一个优势
的一典当的这白色的玩家超过这黑色的播放器。
期间A错误，这方法那A移动制成
经过一玩家有成本他们A消极的500厘卒坏处。
A错误是相等的到A消极的300厘卒坏处。
A错误是通常情况下什么发生在A游戏失去错误。
向下到这底部你能看一些分析那我们实施通过JMP。
在这图形正确的这里，它是这顶部十
最多用过的开口在失误。
作为你能看，这数字一用过的开口那线索到失误
是这女王的典当开幕式伦敦系统。
第二，我们看在这斯堪的纳维亚语防御那是经常用过的
和这能是引领到失误作为出色地。
我将要提到这些再次之后在这结果
和这结论的我们的推介会。
在这底部你能只是看二图。
这些图表只是展示这数字的赢那是发生每等级的播放器。
我们能看在这最低-额定球员
向上到这最高-额定玩家。
这些展示只是这平均的数字的损失在比较。
超过到这正确的你能看这错误旗帜
哪个这是只是这白色的玩家相对这黑色的播放器。
在这底部是这列表的频率那发生
期间这些移动那是制成到这左边。
为了例子，你能看什么时候我们看在这伦敦系统开业，
它是关于一半和一半为了白色的球员
和黑色的球员在这赢和损失比率。
然而，什么时候我们看在这斯堪的纳维亚语防御，我们能看那这白色的球员
经常制作失误更多的经常比较的到这黑色的玩家。
什么时候我们看在我们的结果使用这失误PGN和这错误PGN
特征那我们发达，我们是有能力的到确认A系列的移动
那最多适度球员采用领导向上到A失去移动。
我们确定三失误和四错误的 PGN，
哪个球员斗争和这最多之中全部组合。
为了一，黑色的球员应该避免从这布莱克马尔弃兵
和这斯堪的纳维亚防御。
这布莱克马尔弃兵仅有的结果在关于29.3%的赢
为了黑色的棋玩家。
第二，这斯堪的纳维亚国防仅有的等价物在关于27.7%
为了球员那是使用这黑棋子.
白兵球员一般来说有一个优势这里。
他们做斗争和中心开口尽管。
什么时候我们看在什么移动和开口这w押兵球员利用
什么时候他们移动严格地向前在这中心，
他们趋向到失去游戏更多的经常。
最后，虚弱的开口和浮躁玩家。
那里是A很少开口那我们是有能力的到确认
那始终如一引领到失误在两个都玩家。
这些是典当牺牲没有赔偿，
女王安全，和这发展的件。
尽管我们看在全部的这数据一起和全部的我们的结果，
我们是有能力的到来向上和A结论。
适度-额定球员是最多准确的和成功的
什么时候他们采用标准开口。
他们应该是训练有素在这基础知识的棋前学习
如何到移动在到复杂的开口。
一些的这开口那我们建议那初学者球员开始离开和
是这伦敦系统，和这焦科钢琴游戏。
在这时间，我会只是喜欢到感谢你伙计们
和我将要是接受任何问题那你有超过这报告。
