체스 실력 평가의 표준으로 자리 잡은 엘로(Elo) 시스템은 경기 결과만을 기반으로 하기 때문에 선수의 실력 변화를 실시간으로 반영하기 어렵다는 고질적인 문제가 있었습니다. 이러한 반응 지연(response lag)은 특히 초보자나 급성장하는 선수의 정확한 실력 파악을 어렵게 만들었습니다. 이에 연구진은 경기 중 발생하는 수(move) 단위의 미세한 데이터를 활용하여 실력 평가의 민감도를 높이는 새로운 접근 방식을 제시했습니다.
새롭게 제안된 '드리프트-확산 강화 엘로(DD-Elo)' 시스템은 인지 신경과학의 드리프트-확산 모델(Drift-Diffusion Model, DDM)에서 영감을 받았습니다. DDM은 의사 결정 과정을 모델링하는 데 사용되며, DD-Elo는 이를 통해 선수의 각 수를 의사 결정 과정으로 해석하여 실력 발현을 분석합니다. 이 시스템은 경기 중 모든 수의 정보를 통합하여 실력의 미세한 변동까지 포착할 수 있으며, 수학적 증명을 통해 기존 엘로 시스템과 이론적 정합성을 유지하면서도 실력 변화에 훨씬 빠르게 적응함을 실험으로 입증했습니다. 이 연구 결과는 IEEE CoG 2026에 채택되었으며, 구현 코드는 공개되어 있습니다.
DD-Elo 시스템은 체스 생태계에 설명 가능하고(explainable), 반응성이 뛰어나며(highly responsive), 기존 시스템과 역호환되는(backward-compatible) 솔루션을 제공합니다. 이는 선수들이 자신의 실력 변화를 더 정확하고 빠르게 인지하고, 매치메이킹(matchmaking) 시스템이 더욱 공정하고 흥미로운 경기를 성사시키는 데 기여할 수 있음을 의미합니다. 궁극적으로는 체스뿐만 아니라 유사한 실력 평가 시스템을 사용하는 다른 경쟁 게임이나 스포츠 분야에도 확장 적용될 가능성을 보여줍니다.