107
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 1 Marzo-Agosto 2023 ISSN Nº 2708-0935
RECIBIDO 18/12/2022 ● ACEPTADO 03/02/2022 ● PUBLICADO 30/03/2023
RESUMEN
Diversos estudios han comprobado que los niveles de violencia en los videojuegos pueden influir
negativamente en el desarrollo de los niños, especialmente en la adolescencia y es por ello que
se debe tener cuidado en que la clasificación sea la adecuada según el contenido presente. Para
el análisis se utilizó la clasificación ESRB, que contiene 7 diferentes categorías, junto con la
implementación de un modelo de árboles de decisión, que es una técnica de minería de datos
capaz de representar gráficamente la relación entre las variables. Los resultados arrojaron que
el nivel de precisión para un árbol de nivel 6 no supera el mínimo requerido.
Palabras claves:
Árbol de decisión, ESRB, Minería de datos.
ABSTRACT
Various studies have proven that the levels of violence in video games can negatively influence
the development of children, especially in adolescence and that is why care must be taken that
the classification is appropriate according to the content present. For the analysis, the ESRB
ARK: ark:/42411/s11/a83
PURL: 42411/s11/a83
Graciela Condori Anahua
Universidad Nacional de San Agustín.
Arequipa, Perú.
gcondoria@unsa.edu.pe
Rodrigo S. Huamán Maqque
Universidad Nacional de San Agustín.
Arequipa, Perú.
rhuamanma@unsa.edu.pe
Fátima Gigi Rojas Carhuas
Universidad Nacional de San Agustín.
Arequipa, Perú.
frojasca@unsa.edu.pe
Rodolfo Robert Quispe Huacho
Universidad Nacional de San Agustín.
Arequipa, Perú.
rquispehuach@unsa.edu.pe
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 1 Marzo-Agosto 2023 ISSN Nº 2708-0935
classification was used, which contains 7 different categories, together with the implementation
of a decision tree model, which is a data mining technique capable of graphically representing the
relationship between the variables. The results showed that the precision level for a level 6 tree
does not exceed the minimum required.
Keywords:
Decision tree, Data mining, ESRB.
INTRODUCCIÓN
Los videojuegos se han convertido en un mercado crecimiento año a año, llegando a facturar más
que la industria cinematográfica y de música a nivel global; desde su creación en 1962 por Steve
Rusell, en el Massachusetts Institute of Technology inventando el Spacewar [1], ha ido mejorando
en gráficos y mecánicas nuevas en busca de nuevos jugadores, pero también a todo su largo
recorrido fue acompañado de polémicas por el tipo de contenido sin control que ofrecían.
Los videojuegos se definen [2] como programas informáticos que mantienen a los usuarios
interactuando a través de imágenes que se muestran en dispositivos con pantallas de varios
tamaños, a través de un incentivo implícito para ganar. Actualmente se están desarrollando
videojuegos que pueden ser controlados por voz o movimiento, siendo un avance a como antes
solo se podía controlar con los dedos u otros instrumentos adicionales (como guitarras, rifles y
pistolas).
Los sistemas de clasificación previo a 1994 no existían, sin embargo, después del lanzamiento de
algunos videojuegos en los años 90 como Funk, Buchman y principalmente por la polémica de
Mortal kombat, causada por los elementos violentos que siempre tuvo la saga, se crea en Estados
Unidos la Entertainment Software Rating Board (ESRB) con el fin de garantizar contenido
adecuado a partir de diferentes parámetros [3].
Categorías de clasificación y su sugerencia de nivel de edad [4]:
• EC Early Childhood: Contenido apto para niños de tres a diez años, no contiene material
inapropiado.
• E Everyone: Contenido apto para personas de seis años en adelante, contiene una
mínima violencia, travesuras y lenguaje obsceno.
• E10+ Everyone 10+: Contenido apto para mayores de diez años. Puede contener
mayor cantidad de violencia de caricatura o temas sugestivos.
• T Teen: Contenido apto para personas de trece años en adelante. Puede contener
violencia, humor grosero y temas sugestivos con un mínimo de sangre.
• M Mature: Contenido apto para personas de diecisiete años en adelante. Puede contener
temas sexuales y lenguaje o violencia más intensa con derramamiento de sangre.
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 1 Marzo-Agosto 2023 ISSN Nº 2708-0935
• AO Adults Only: Contenido apto sólo para adultos de 18 años a más. Puede incluir
contenido sexual gráfico o escenas prolongadas de violencia.
• RP: La clasificación se encuentra en espera.
Además de esta metodología de clasificación de videojuegos ERP existen otras relevantes como
son:
● USK es la organización de clasificación de software utilizada en Alemania que viene a
ser un tablero de clasificación bastante estricto, en parte debido a la paranoia del país
entorno a los videojuegos con violencia, ya que existen distintos videojuegos que han
sido prohibidos o han requerido que los desarrolladores editen o quiten ciertas
funciones.
● SMECCV es una clasificación mexicana orientada a las especificaciones gráficas para las
advertencias, descriptores de contenidos y elementos interactivos que deberán
implementar objetos, respecto de los videojuegos distribuidos, comercializados o
arrendados en el territorio nacional. Con el objetivo de crear parámetros específicos
que apoyen a desarrollar una adecuada categorización tanto el contenido de los mismos,
así como de las personas a la que va dirigido.
● CERO Computer Entertainment Rating Organization es una organización que clasifica la
edad recomendada de los juegos en Japón, y fue fundada en 2002 como una división
de "CESA".
● GSRR es el sistema de clasificación de contenido de videojuegos utilizado en Taiwán,
Hong Kong y sureste de Asia. La ley realizada el 6 de julio de 2006 y se enmendó el 29
mayo 2012.
Los padres tienden a preocuparse por el contenido del juego en especial si son violentos, ya que
podrían afectar la conducta del niño. Según Russell N. Laczniak, Les Carlson, Doug Walker, y E.
Deanne Brocato los ESRB pueden ayudar a que los niños jueguen juegos menos violentos y
asimismo reducir la participación de los niños en comportamientos negativos en la escuela [5],
[6].
En una investigación sobre consecuencias de los videojuegos en niños y adolescentes en aspectos
de la vida social, muestra como posibles efectos psicológicos y fisiológicos pueden sufrir los
menores, donde ahonda como el entregar un juego con contenido de acuerdo a su edad le puede
evitar comportamiento agresivos, problemas de atencion, gasto energético, respuestas
hormonales y entre otros el efecto negativo de la exposición prolongada a los videojuegos, tal
como la llamada «epilepsia fotosensible» [7], [8].
Los árboles de decisión han sido utilizados en el aprendizaje, sirve para hallar una respuesta o
curso de acción, dadas k variables o entradas, donde cada nodo suyo hace una pregunta sobre
una variable; también se puede haber más de k preguntas antes de emitir una respuesta, por
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 1 Marzo-Agosto 2023 ISSN Nº 2708-0935
otro lado, las hojas o nodos finales “dan la respuesta” o decisión a tomar. El método usa una
muestra de datos llamada generalmente conjunto de entrenamiento para formar el árbol, por lo
cual resulta una buena opción para poder clasificar [9].
Este trabajo tiene como finalidad utilizar los árboles de decisión y la inteligencia que estos proveen
para predecir la clasificación de los videojuegos según el contenido que presenten, tales como:
sangre, lenguaje explicito, violencia, etc; en las diferentes categorías que tiene la ESRB, con el
propósito de brindar ayuda al control de efectos negativos en menores de edad.
Marco Teórico
Modelos de árbol
Son modelos precisos, estables y más sencillos de interpretar principalmente porque construyen
unas reglas de decisión, las cuales se pueden representar usando un diagrama similar a un árbol.
A diferencia de los modelos lineales conocidos, pueden representar relaciones no lineales para
resolver problemas más diversos. En estos modelos, destacan los árboles de decisión y los
random forest. Al ser más precisos y elaborados, obviamente ganamos en capacidad predictiva,
pero perdemos en rendimiento [10].
Árbol de decisión
Es una forma gráfica y analítica de representar todos los eventos o sucesos que pueden surgir a
partir de una decisión asumida en cierto momento. Nos ayudan a tomar la decisión más
“acertada”, desde un punto de vista probabilístico, ante un abanico de posibles decisiones
tomando en cuenta cierta precisión. Estos árboles permiten examinar los resultados y determinar
visualmente cómo fluye el modelo. Los resultados visuales ayudan a encontrar subgrupos
específicos y relaciones que tal vez no se podría hallar con estadísticos más tradicionales [11].
Herramientas
● DataSet: Un conjunto de datos corresponde a los contenidos de una única tabla de
base de datos, donde cada columna del dataset representa una variable única, y cada
fila está reemplazando a un miembro en concreto del conjunto de datos en la tabla. En
un dataset tenemos todos los valores que puede tener cada una de las variables, como
por ejemplo la sangre que se pueda visualizar y las agresiones que tengan dentro del
juego. Cada uno de estas variables se conoce con el nombre de dato, también puede
incluir datos para uno o más miembros en función de su número de filas [14].
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 1 Marzo-Agosto 2023 ISSN Nº 2708-0935
● Google Colab: Viene a ser una herramienta que nos da la posibilidad de ejecutar y
compilar scripts del lenguaje Python a mediante los servidores de Google.
Permitiéndonos ejecutar porciones de código similar a un cuaderno de Jupyter Notebook
para linux. Orientado para implementar machine learning, ya que al ser una máquina
virtual no se limita a los recursos de hardware. Teniendo en cuenta que se puede usar
tanto el GPU y la TPU del mismo servidor de Google para poder potenciar el
procesamiento del proyecto [15].
● Python: Es un lenguaje 100% gratuito. Tratándose de un lenguaje open source siendo
disponible para todas las plataformas. Ya que podemos instalarlo y ejecutarlo en
diferentes sistemas operativos como Windows, Linux o MacOS [15].
Métodos y Metodología computacional
Descripción de la Aplicación
Se usó para el desarrollo de este clasificador de ESBR usando un árbol de decisión, la cual
comprende las siguientes fases:
● La fuente de información fue un Dataset.csv, esto fue sacado de la página Kaggle.com,
necesaria para poder construir un árbol de decisión utilizando las librerías sklearn, y se
hizo uso de las funciones que nos brinda.
● Análisis de Datos: con el dataset que se obtuvo, se vio la cantidad de información que
tiene, y las variables. las clasificamos en números para su uso correcto con la librería o
lenguaje que se trabajaría.
● Modelado: Se escoge una técnica adecuada para poder desarrollar la clasificación.
● Evaluación: Tuvimos que corroborar efectivamente que el modelo escogido se ajuste a
lo que estamos buscando, en este caso poder clasificar según ESBR y que pueda ser
modificado en el futuro.
Trabajos relacionados
A continuación se muestran una serie de artículos que se han analizado para poder desarrollar
nuestro trabajo, se procederá a hablar brevemente sobre los puntos que nos sirvieron de apoyo.
Algoritmos de aprendizaje automático para análisis y Predicción de datos
Sandoval [10] expone sobre la técnica de Machine Learning, rama de la inteligencia artificial,
como elemento fundamental de la ciencia de datos, así como tipos de aprendizaje, diferentes
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 1 Marzo-Agosto 2023 ISSN Nº 2708-0935
métodos que son utilizados para la predicción de los mismos y la fase de desarrollo hasta su
presentación.
Se obtuvo una fundamentación teórica para el modelado del proyecto, además brinda información
sobre cómo cual método de predicción podría ser más factible.
Cómo aplicar árboles de decisión en SPSS
Complemento al trabajo anterior se tiene el realizado por Berlanga, Rubio y Vilà [11] donde
explica como funciona un árbol de decisión como parte de la minería de datos, usos del mismo y
terminología relacionada; se presenta una información más específica en contraste con el
anterior.
Predicción del consumo de cocaína en adolescentes mediante árboles de decisión
Gervilla y Palmer [12] presentan un estudio sobre cómo implementar técnicas de Data Mining,
especialmente árboles de decisión, que permitan analizar el valor predictivo de la impulsividad y
la búsqueda de nuevas sensaciones sobre consumo de cocaína y/u otras sustancias,
principalmente en la etapa de la adolescencia, partiendo de la suposición que los rasgos
anteriormente mostrados evidencian una marcada relación con las conductas de experimentación
y la adicción a ciertas sustancias.
Predicción, análisis y pronóstico de covid-19 utilizando un modelo de árbol de decisión
Otro ejemplo desarrollado es la tesis de Castellanos y Haro [13], donde elaboran un modelo de
aprendizaje automático basado en IA, utilizando un utilizando algoritmo de aprendizaje
supervisado, árbol de decisión. Además, la creación y estructuración de una base de datos que
les permitió predecir, analizar y pronosticar el grado de afectación en los pacientes contagiados
de Covid-19.
Resultados y discusión
Teniendo en cuenta las fases del Machine Learning, se tiene lo siguiente:
Análisis de los datos
El dataset contiene contienen el nombre de 1895 juegos con 34 características de contenido de
calificación ESRB con el nombre y la consola como características para cada juego.
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 1 Marzo-Agosto 2023 ISSN Nº 2708-0935
Un solo punto de datos se representa como un valor binario 0-1 para la consola y un vector
binario para las características del contenido de ESRB.
Variables de entrada
Característica
Tipo
Descripción
Llave
title
string
Nombre del juego.
- - - -
console
int
La consola en la que se comercializo el videojuego.
0 = no
1 = si
Alcohol_Reference
int
Referencia a y/o imágenes de bebidas alcohólicas.
0 = no
1 = si
Animated_Blood
int
Representaciones de sangre descoloridas y/o poco realistas.
0 = no
1 = si
Blood
int
Representaciones de sangre.
0 = no
1 = si
BloodandGore
int
Representaciones de mutilación o sangre en distintas partes
del cuerpo.
0 = no
1 = si
Cartoon_Violence
int
Acciones violentas que involucran situaciones escenográficas
y personajes de dibujos animados. Puede incluir violencia en
la que un personaje sale ileso después de que se haya
infligido la acción.
0 = no
1 = si
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 1 Marzo-Agosto 2023 ISSN Nº 2708-0935
Crude_Humor
int
Representaciones o diálogos que involucren travesuras
vulgares, incluido el humor de "baño".
0 = no
1 = si
DrugRe_ference
int
Referencia a y/o imágenes de drogas ilegales.
0 = no
1 = si
Fantasy_Violence
int
Acciones violentas de naturaleza fantástica, que involucran
personajes humanos o no humanos en situaciones
fácilmente distinguibles de la vida real.
0 = no
1 = si
Intense_Violence
int
Representaciones gráficas y realistas de conflictos físicos.
Puede incluir sangre, gore, armas y representaciones
extremas y/o realistas de heridas y muertes humanas.
0 = no
1 = si
Language
int
Uso moderado de blasfemias.
0 = no
1 = si
Lyrics
int
Referencias a la blasfemia, la sexualidad, la violencia, el
consumo de alcohol o drogas en la música.
0 = no
1 = si
Mature_Humor
int
Representaciones o diálogos que involucren humor "adulto",
incluidas las referencias sexuales.
0 = no
1 = si
Mild_Blood
int
Un poco de sangre.
0 = no
1 = si
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 1 Marzo-Agosto 2023 ISSN Nº 2708-0935
MildCartoonViolence
int
Algunas acciones violentas que involucran dibujos animados.
0 = no
1 = si
MildFantasyViolence
int
Algunas acciones violentas de naturaleza fantasiosa.
0 = no
1 = si
Mild_Language
int
Uso leve a moderado de blasfemias.
0 = no
1 = si
Mild_Lyrics
int
Leve referencias a blasfemias, sexualidad, violencia,
consumo de alcohol o drogas en la música.
0 = no
1 = si
Mild_Violence
int
Algunas escenas que implican un conflicto agresivo.
0 = no
1 = si
No_Descriptors
int
Sin descriptores de contenido.
0 = no
1 = si
Nudity
int
Representaciones gráficas o prolongadas de desnudez.
0 = no
1 = si
Partial_Nudity
int
Representaciones breves y/o leves de desnudez.
0 = no
1 = si
Sexual_Content
int
Representaciones no explícitas de comportamiento sexual,
que posiblemente incluyan desnudez parcial.
0 = no
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 1 Marzo-Agosto 2023 ISSN Nº 2708-0935
1 = si
Sexual_Themes
int
Referencias al sexo o la sexualidad.
0 = no
1 = si
Strong_Language
int
Uso explícito y/o frecuente de malas palabras.
0 = no
1 = si
StrongSexualContent
int
Representaciones explícitas y/o frecuentes de
comportamiento sexual, posiblemente incluyendo desnudez.
0 = no
1 = si
Suggestive_Themes
int
Referencias o materiales provocativos.
0 = no
1 = si
UseofAlcohol
int
The consumption of alcoholic beverages.
0 = no
1 = si
UseofDrugsandAlcohol
int
El consumo de bebidas alcohólicas y estupefacientes.
0 = no
1 = si
Violence
int
Escenas que implican un conflicto agresivo. Puede contener
desmembramiento sin derramamiento de sangre.
0 = no
1 = si
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 1 Marzo-Agosto 2023 ISSN Nº 2708-0935
En esta fase se tiene una cantidad enorme de datos, de la cual separamos una parte para entrenar
al algoritmo y darle toda esta información para que encuentre los patrones necesarios y después
pueda hacer predicciones.
Fase de prueba
El resto de los datos que quedan, se van a utilizar para hacer las pruebas. Así podemos desarrollar
algunas preguntas al algoritmo y evaluar si las respuestas están bien o mal, y saber si está
aprendiendo o no. Si vemos que no llegan a coincidir los datos, se tiene que añadir más datos o
cambiar el método que se esta utilizando. Pero si se observa que hay entre un 70% a 90% de
respuestas correctas, podemos decir que hay un buen grado de aprendizaje y poder utilizar este
algoritmo.
Análisis de resultados
Como se observa en la Figura la precisión después de la fase de entrenamiento es de 0.71 en 6
niveles y completo es de 0.86. A continuación, se muestra una comparación entre los árboles
arrojados.
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 1 Marzo-Agosto 2023 ISSN Nº 2708-0935
Conclusiones
Los resultados obtenidos con el modelo de clasificación por árboles de decisión, indican que este
es capaz de generar modelos consistentes con la realidad observada y el respaldo teórico,
basándose únicamente en los datos obtenidos por el DataSet, con una precisión del 0,71 que
depende de la cantidad de datos de entrenamiento que se le proporciona.
Como trabajos futuros se plantea utilizar otros clasificadores para comparar con estos resultados,
además de ver que tan efectivo sería nuestro modelo, y para aumentar el porcentaje de
evaluación se podría utilizar tanto un dataset que contenga más pruebas como otras técnicas de
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 1 Marzo-Agosto 2023 ISSN Nº 2708-0935
machine learning o aplicar tareas descriptivas de minería de datos como asociación y agrupación,
con el fin de encontrar relaciones y similitudes.
Referencias
[1] S. Belli and C. López, “A brief history of videogames,” Athenea Digit. Rev. pensam. investig.
soc., no. 14, p. 159, 2008.
[2] H. Y. S. P. C. H. P. L. Videojuegos: Conceptos, “Historia y su potencial como herramientas
para la educación.”
[3] A. B. Fernández Revelles, “Sistemas de calificación de video juegos, revisión narrativa,”
ESPHA 2018, p. 49839, 2018.
[4] “Guía de clasificaciones,” ESRB Ratings. [Online]. Available: https://www.esrb.org/ratings-
guide/es/. [Accessed: 23-Jun-2022].
[5] Laczniak, R. N., Carlson, L., Walker, D., & Brocato, E. D. “Parental restrictive mediation and
children's violent video game play: the effectiveness of the Entertainment Software Rating
Board (ESRB) rating system,” Journal of Public Policy & Marketing, vol. 36, no 1, p. 70-78,
2017. [Abstract]. Available: SageJournals, https://journals.sagepub.com/. [Accessed June 22,
2022].
[6] Stroud, N. J., & Chernin, A. “Video games and the ESRB: An evaluation of parental beliefs
about the rating system,” Journal of Children and Media, vol. 2, no 1, p. 1-18, 2008.
[Abstract]. Available: TaylorFrancisOnline, https://www.tandfonline.com/. [Accessed June 22,
2022].
[7] H. Y. S. P. C. H. P. L. “Educación, VIDEOJUEGOS: CONCEPTEl efecto de los videojuegos en
variables sociales, psicológicas y fisiológicas en niños y adolescentes”.
[8] Gonzálvez, M. T., Espada, J. P., & Tejeiro, R. (2016). El uso problemático de videojuegos está
relacionado con problemas emocionales en adolescentes. Adicciones, 29(3), 180.
https://doi.org/10.20882/adicciones.745
[9] García, A., & Martínez, G. L. (s/f). CLASIFICACIÓN SUPERVISADA INDUCCIÓN DE ARBOLES
DE DECISIÓN, ALGORITMO k-d. Ipn.mx. Recuperado el 29 de junio de 2022, de
https://www.cic.ipn.mx/aguzman/papers/109%20Algoritmo%20KD.%20Clasificacion%20su
pervisada.pdf.
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 1 Marzo-Agosto 2023 ISSN Nº 2708-0935
[10] L. J. Sandoval Serrano, “Algoritmos de aprendizaje automático para análisis y predicción de
datos,” Revista Tecnológica, no. 11, 2018.
[11] R. V. Baños and M. Torrado, “CÓMO APLICAR ÁRBOLES DE DECISIÓN EN SPSS. Cómo aplicar
las arbres de decisión en SPSS. Applying SPSS decision trees.” .
[12] E. G. García and A. L. P. Pol, “Predicción del consumo de cocaína en adolescentes mediante
árboles de decisión,” Revista de investigación en educación, vol. 6, no. 1, pp. 7–13, 2009.
[13] K. S. Daza Rosado and M. A. García Reyes, “Predicción, análisis y pronóstico de COVID-19
utilizando un modelo de Machine Learning basado en el análisis forecasting sobre series
temporales,” Universidad de Guayaquil. Facultad de Ciencias Matemáticas y Físicas. Carrera
de Ingeniería en Sistemas Computacionales., 2021.
[15] D. Blanco Álvarez, Aprendizaje y evaluación de un dataset para predecir áreas de interés en
una secuencia de vídeo. 2021.
[14] Q. Wu, “geemap: A Python package for interactive mapping with Google Earth Engine,”
Journal of Open Source Software, vol. 5, no. 51, 2020.
Anexos
• https://colab.research.google.com/drive/1E1K12bAVVTXY77fkcidt6Rb8Gc49N6c5?usp=sh
aring#scrollTo=pNKE5qVR7sGs
• https://www.kaggle.com/datasets/imohtn/video-games-rating-by-esrb
