チェスにおけるスキル評価の加速：ドリフト拡散モデルを強化したレーティングシステム

従来のEloレーティングシステムはチェスのマッチングにおける黄金基準ですが、試合結果のみに依存するため応答遅延が課題です。棋譜レベルの情報を組み込む試みは、ノイズとゲーム状態の広大さから困難でした。この問題に対し、認知神経科学のドリフト拡散モデル（DDM）に着想を得たDD-Eloフレームワークが提案されました。スキル発現を意思決定プロセスとしてモデル化し、棋譜データを統合することでスキルの急速な変動を捉えます。厳密な数学的導出により、DD-Eloが従来のEloシステムから有界な偏差を維持することが証明され、理論的一貫性が確保されています。研究チームは数百万局のチェスデータベースを用いて検証し、スキルの急上昇や低下、周期的変動など様々なシナリオをシミュレーションしました。実験の結果、DD-Eloのレーティング調整速度は従来のEloよりも約30%速く、高い棋力のプレイヤーに対しても正確な評価を維持しました。また、DD-Eloの偏差は理論的に保証された範囲内に収まり、数学的導出の正しさが確認されました。研究者はさらに、DD-Eloが既存のレーティングシステムと互換性があり、現在の試合構造を変更せずに統合できることを示しました。DD-Eloの核心は、ドリフト拡散モデルの決定閾値を棋譜の質に関連付け、証拠の蓄積を通じてレーティングを更新することにあります。数式の導出では、棋譜数が十分に多い場合、DD-EloのレーティングがEloレーティングに収束し、偏差の上限が棋譜ノイズに関連することが証明されました。この理論的結果によりシステムの安定性が保証されています。本成果はIEEE CoG 2026で受理され、コードはGitHubで公開されています。DD-Eloは説明可能性、高い応答性、既存生態系との後方互換性を提供し、チェス評価に新たな道を開きます。