本研究的實驗共分為兩個階段，分別針對新手玩家、專家玩家進行實驗。其 中第一階段實驗需要受測者，請新手玩家現場進行遊戲並蒐集遊戲過程資料，以 做為實驗參考依據。第二階段實驗則是利用已有的遊戲資料，做為計算團體動力 值的依據。
實驗開始前必須先蒐集專家玩家的遊戲資料至少一千場，實驗的概念是對玩 家積分、角色組合、溝通各設定一個分數，利用機器學習的方法去計算各項因素 的比重，最後整合出玩家團體的團體動力值。
3.5.1 第一階段
第一階段的實驗針對新手玩家進行，主要是讓新手玩家在 LoL 中的練習模式 下與電腦所控制的 BOT 進行對戰。實驗流程為：一、設定角色組合分數；二、進 行教學模式；三、設定對戰環境；四、蒐集資料與分析。
一、設定角色組合分數
線上遊戲中的角色通常分為三種類型，分別是：血量、防禦力高，能抵 擋怪物攻擊的坦克型角色，如：戰士。物理攻擊力強、攻擊距離遠的攻擊型 角色，如：獵人。以及能使用魔法攻擊、造成敵人異常狀態，或是能替自己 隊有回覆血量的輔助型角色，如：法師、牧師（Ducheneaut, Yee, Nickell
& Moore, 2006）。
因此，本研究將 LoL 中的角色分為坦克型、攻擊型兩種類型。一般而言，
一個角色異質性高的團隊組合在遊戲中是較為理想的。例如：兩個坦克型角 色搭配三個攻擊型角色，或者三個坦克型角色搭配兩個攻擊型角色。
二、進行教學模式
LoL 中具有教學模式，由於新手玩家對遊戲不熟悉，在實驗的一開始便以 教學模式讓新手玩家熟悉 LoL 的環境以及操作方法。教學模式結束後，新手 玩家便具有進行遊戲的基本能力，實驗也能正式進行。
三、設定對戰環境
LoL 的練習模式中，有扭曲叢林（The Twisted Treeline）以及召喚峽谷
（Summoner's Rift）兩張地圖。選擇召喚峽谷這張地圖，並開啟一場遊戲。
設定 BOT 難度為容易，並且替 BOT 設定固定的角色。再將三十組玩家分成兩 方，其中一方的角色組合異質性較高，另一方的角色組合同質性較高。分別 與 BOT 進行五場遊戲，並在遊戲後將遊戲數據記錄下來。
四、蒐集資料與分析
由於 BOT 的設定不變，將玩家分成角色組合分數不同的兩方，則可以比 較不同的角色組合的團隊之團隊能力的差別，進而分析角色組合分數高的團 體與角色組合分數低的團體之間的差異。
利用遊戲後玩家團隊的助攻擊倒比的不同，比較高於平均與低於平均的 團隊其勝率的高低，則可以了解溝通對團隊能力是否有影響。
圖3.5.1 第一階段實驗流程圖
3.5.2 第二階段
第二階段的實驗針對專家玩家進行，利用蒐集來的資料逐場分析。以遊戲中 原有的積分系統，做為玩家能力評分的依據。再利用第一階段的結果，替遊戲資 料中的角色組合評分。然後再利用第一階段中代表溝通因素的助攻擊倒比，對團 體的溝通做出評分。
最後，配合每場記錄的玩家能力分數、角色組合分數、溝通因素分數，利用 機器學習的方法訓練及調整參數，經驗證後計算團體動力值。如此一來，便能了 解計算團體動力值時，各項因素之比重的不同。
依實驗假設，本研究設計團體動力值的計算方式為 aX + bY + cZ。其中 X 為 玩家能力分數、Y 為角色組合分數、Z 為溝通因素分數，a、b、c 則代表各因素所
設定角色組合分數
進行教學模式
設定對戰環境
進行遊戲
蒐集資料與分析
佔之比重。計算出各個玩家團隊的團體動力值後，便可以以團體動力值分析原有 配對是否平衡。
圖3.5.2 第二階段實驗流程圖