Cartolático: um sistema que utiliza a técnica de raciocínio baseado em casos para recomendação de escalações no aplicativo Cartola FC

Abstract

O Cartola FC é um jogo do estilo fantasy que permite que os usuários criem suas próprias equipes virtuais e escalem jogadores e técnicos participantes do Campeonato Brasileiro de Futebol para representá-los a cada rodada. O alto número de variáveis ligados a uma partida de futebol e o curto espaço de tempo entre duas rodadas torna complexa a análise dos atletas disponíveis para escalação. Neste contexto, o presente artigo propõe o sistema Cartolático, que utiliza a técnica de raciocínio baseado em casos para recomendar jogadores no momento da escalação. Essa é uma técnica de inteligência artificial que se assemelha a maneira como os seres humanos pensam na resolução de problemas. Para validar a o sistema foram propostas duas métricas: A assertividade do sistema, calculada por meio de uma função que normaliza a recomendação de jogadores, e a precisão do sistema, calculada com base na diferença média entre as pontuações previstas e as pontuações realmente obtidas. O sistema obteve médias de precisão acima do valor mediano para 5 das 6 posições disponíveis.

Cartola FC is a fantasy-style game that allows users to create their own virtual teams and select players and coaches participating in the Brazilian Soccer Championship to represent them in each round. The high number of variables associated with a soccer match and the short period of time between two rounds makes the analysis of the available athletes complex. In this context, this paper proposes the Cartolático system, which uses the case-based reasoning technique to recommend players at the moment of their selection. This is an artificial intelligence technique that resembles the way human beings think when solving problems. To validate the system two metrics were proposed: The assertiveness of the system, calculated using a function that normalizes the recommendation of players, and the accuracy of the system, calculated based on the average difference between the predicted scores and the scores actually obtained. The system obtained accuracy averages above the median value for 5 of the 6 available positions.