De los datos a la imitación: estudio y modelado del comportamiento de jugadores en Wordle

Abstract

Este proyecto se centra en el estudio del comportamiento de jugadores humanos y en la imitación de sus estilos de juego. Para ello utilizaremos Wordle un popular rompecabezas de palabras del cuál se dispone un gran número partidas publicadas en redes sociales. El proyecto comienza con la recopilación de un conjunto de datos de partidas y su preprocesamiento. A continuación, se aplican técnicas de análisis de datos para explorar el conjunto. Esto incluye estadísticas descriptivas, visualización de datos y algoritmos de aprendizaje automático. Después de la fase de análisis, se desarrolla un marco de modelado para simular el comportamiento del jugador. Los modelos están diseñados para imitar las estrategias y los procesos de toma de decisiones observados. Se emplean técnicas de aprendizaje automático, como algoritmos genéticos, para entrenar estos modelos utilizando los datos procesados. El rendimiento de los modelos desarrollados se evalúa a través de métricas rigurosas con el objetivo de evaluar su capacidad de imitar a los jugadores humanos y si pueden lograr tasas de éxito similares. Los resultados obtenidos ayudan a comprender el comportamiento de los jugadores de Wordle y mejorar potencialmente el rendimiento de estos. Además, los modelos desarrollados en este proyecto podrían aplicarse a varios otros rompecabezas basados en palabras, proporcionando información sobre estrategias y procesos de toma de decisiones que pueden mejorar las experiencias de juego de los jugadores humanos.This project focuses on the study of the behavior of human players and the imitation of their playing styles. For this we will use Wordle, a popular word puzzle of which a large number of games are published on social networks. The project starts with collecting a game data set and pre-processing it. Data analysis techniques are then applied to explore the set. This includes descriptive statistics, data visualization, and machine learning algorithms. After the analysis phase, a modeling framework is developed to simulate player behavior. The models are designed to mimic observed strategies and decision-making processes. Machine learning techniques such as genetic algorithms are used to train these models using the processed data. The performance of the developed models is evaluated through rigorous metrics with the aim of evaluating the ability of the models to imitate human gamers and whether they can achieve similar success rates. The results obtained help to understand the behavior of Wordle players and potentially improve their performance. Additionally, the models developed in this project could be applied to various other word-based puzzles, providing insights into strategies and decision-making processes that can improve gaming experiences for human players.