Die Deutsche Schachjugend (DSJ) organisiert derzeit eine bemerkenswerte Vortragsreihe rund um aktuelle Themen des Schachs. Besonders beeindruckend: Für einen der Termine konnte sie Kenneth Regan gewinnen – den weltweit wohl führenden Experten für statistische Betrugserkennung im Schach.
Regan ist Professor für Informatik an der Universität von Buffalo und beschäftigt sich seit vielen Jahren mit der Frage, wie man mit mathematischen Methoden erkennen kann, ob ein Spieler möglicherweise mit Hilfe einer Engine gespielt hat. Seine Modelle wurden unter anderem von der FIDE bei mehreren bekannten Cheating-Untersuchungen herangezogen.
Schon zu Beginn des Vortrags wird klar: Regan nähert sich dem Thema auf eine Weise, die man nicht unbedingt erwartet. Er spricht überraschend philosophisch über die Idee des „Übermenschen“ im Schach – also über die Frage, wann eine Leistung statistisch so stark wird, dass sie kaum noch menschlich erklärbar erscheint.
Gleichzeitig merkt man, dass er sich große Mühe gibt, den Vortrag auf Deutsch zu halten. Seine Deutschkenntnisse sind überraschend gut, aber in Kombination mit seiner komplexen Denkweise entsteht manchmal ein leichtes sprachliches Kauderwelsch – wenn Regan etwa vom „körperlosen Verbundmenschen“ spricht oder den Begriff „Unpferdlichkeit“ verwendet. Man fragt sich fast, ob diese sprachliche Perle nicht ins Lexikon der schönsten Schach-Wortschöpfungen aufgenommen werden sollte – neben dem legendären „Wenigzeitinhaber“ von Hans-Walter Schmitt oder dem „Springerschachschatten“ von Karsten Müller.
Warum Engine-Übereinstimmung kein Beweis ist
Wenn man den umfassenden Vortrag Regans in die KI gibt und um eine Zusammenfassung bittet, so offenbaren sich seine Inhalte in aller Deutlichkeit. Mit Unpferdlichkeit meint Regan folgendes: Wenn man Betrug nur danach beurteilen würde, ob jemand den besten Enginezug spielt, wäre das so, als würde man bei einem Pferderennen einfach sagen: Wer auf das Siegerpferd gesetzt hat, muss betrogen haben. Entscheidend ist aber nicht, dass jemand den besten Zug findet, sondern wie wahrscheinlich seine gesamte Zugfolge für einen menschlichen Spieler ist.
Eine der wichtigsten Botschaften von Regan lautet daher: Viele Engine-Züge zu spielen ist kein Beweis für Betrug.
Das klingt zunächst kontraintuitiv. In der öffentlichen Diskussion wird oft angenommen, dass ein Spieler, der häufig denselben Zug wie eine Engine findet, zwangsläufig gecheatet haben muss. Regan zeigt jedoch, warum das statistisch zu kurz greift.
Der Grund: Auch schwächere menschliche Spieler finden sehr oft die besten Züge – besonders in klaren oder erzwungenen Stellungen. Wenn man nur die Übereinstimmung mit einer Engine misst, kann man leicht zu falschen Schlussfolgerungen kommen.
Deshalb versucht Regans Modell etwas anderes:
Es berechnet, wie wahrscheinlich eine bestimmte Serie von Zügen für einen Spieler seiner Spielstärke ist.
Das Grundprinzip seines Modells
Regans Methode basiert auf einem statistischen Vergleich zwischen der erwarteten Zugqualität eines Spielers mit bestimmter Elozahl und der tatsächlich gespielten Zugqualität in einer Partie oder einem Turnier.
Dazu wird ein Modell trainiert, das aus Millionen von Partien lernt, wie stark Spieler verschiedener Spielstärken typischerweise spielen. Anschließend wird für jede Partie berechnet, ob die Leistung im Rahmen dieser Erwartungen liegt – oder stark davon abweicht.
Ein wichtiger Begriff dabei ist der Z-Score.
Er beschreibt, wie ungewöhnlich eine Leistung statistisch ist. Ein Z-Score nahe 0 bedeutet: völlig normal. Ein hoher positiver Wert bedeutet: deutlich stärker als erwartet. Ein sehr hoher Wert könnte ein Hinweis auf ungewöhnliche Umstände sein.
Doch auch hier betont Regan:
Ein hoher Z-Score allein ist kein Beweis für Betrug.
Eine weitere statistische Größe in Regans Modell ist der sogenannte IPR-Wert (Intrinsic Performance Rating), der die Spielstärke eines Spielers allein anhand der Qualität seiner gespielten Züge schätzt. Liegt dieser Wert über längere Zeit deutlich über der tatsächlichen Elozahl eines Spielers, kann das statistisch auffällig sein und Anlass für eine genauere Prüfung geben.
Auffälligkeit ist kein Beweis
Ein zentrales Thema seines Vortrags ist der sogenannte Look-Elsewhere-Effekt: Wenn man lange genug sucht, findet man irgendwo immer etwas Auffälliges – auch wenn alles völlig normal ist. Selbst wenn niemand betrügt, wird es statistisch zwangsläufig einige Partien mit außergewöhnlich hoher Zugqualität geben.
Regans Fazit ist daher vorsichtig: Statistik kann starke Hinweise liefern – aber sie ersetzt keine Gesamtbewertung eines Falls.
Ein überraschender Faktor: Zeitverbrauch
Ein besonders interessanter Teil des Vortrags beschäftigt sich mit der Zeitverwendung am Brett.
Intuitiv könnte man vermuten, dass Spieler besonders lange nachdenken, wenn sie den besten Zug finden. In vielen Datensätzen zeigt sich jedoch ein anderes Muster: Häufig spielen starke Spieler ihre besten Züge relativ schnell, während lange Bedenkzeiten eher auftreten, wenn die Stellung schwierig ist oder Probleme bereitet.
Zeitdaten können daher ein zusätzlicher Hinweis sein – aber auch hier gilt: Sie müssen immer im Kontext interpretiert werden.
Karpow „karpowischer“ als Tal
Zu einem Schmunzeln verleitet eine weitere Feststellung Regans: Karpow spielte „karpowischer“ als beispielsweise Michael Tal. Diese Behauptung kann er – wenngleich ohnehin kaum jemand widersprechen würde – statistisch belegen. Karpows sogenannter s-Wert (für strategisches Urteilsvermögen) ist nämlich niedriger – also besser – als der von Tal, während Tal einen besseren c-Wert (für Konsistenz in taktischen Minenfeldern) aufweist.
Bekannte Betrugsfälle und Regans Einschätzung
Kenneth Regan ging in seinem Vortrag auch kurz auf bekannte Betrugsfälle ein. Dabei wird deutlich: Seine Bewertungen sind oft vorsichtiger als die öffentliche Diskussion.
Als relativ klaren Fall sieht er den französischen Großmeister Sébastien Feller. Bei der Schacholympiade 2010 erhielt Feller über Komplizen Engine-Hilfe. Der Betrug wurde später sportrechtlich nachgewiesen – und auch Regans statistische Analyse zeigt hier ungewöhnliche Werte.
Ein weiterer bekannter Fall ist Igors Rausis. Der Großmeister wurde 2019 bei einem Turnier auf einer Toilette mit einem Smartphone erwischt. In solchen Situationen spielen statistische Analysen kaum noch eine Rolle – der direkte Beweis ist entscheidend.
Ganz anders bewertet Regan die Debatte um Hans Niemann nach seiner Partie gegen Magnus Carlsen beim Sinquefield Cup 2022. In den untersuchten OTB-Partien findet sein Modell keine statistisch signifikanten Auffälligkeiten.
Regans Fazit ist klar: Statistik kann starke Hinweise liefern – aber sie ist nur ein Werkzeug unter mehreren, nicht das endgültige Urteil.
Was Statistik leisten kann – und was nicht
Regans Ansatz zeigt vor allem eines:
Die Frage nach Betrug im Schach ist viel komplizierter, als sie in vielen Diskussionen dargestellt wird.
Seine Modelle versuchen nicht, einzelne spektakuläre Züge zu identifizieren, sondern die gesamte Leistungsstruktur eines Spielers zu analysieren. Dabei geht es um Wahrscheinlichkeiten, nicht um absolute Gewissheiten.
Gerade deshalb war der Vortrag eine wertvolle Ergänzung zur DSJ-Reihe. Er hat deutlich gemacht, dass moderne Betrugserkennung im Schach weniger mit spektakulären Anschuldigungen zu tun hat – und viel mehr mit sorgfältiger Statistik.
Und vielleicht ist das auch die wichtigste Botschaft des Abends:
Im Zeitalter von Engines und Online-Turnieren braucht das Schach nicht nur gute Spieler – sondern auch gute Wissenschaft.
Weitere Vorträge der Reihe
Beitragsbild: Universität Buffalo
Ein guter Beitrag, der sehr schön zeigt, wo die Probleme bei der Betrugserkennung im Online-Schach liegen – drei wesentliche Elemente aus Regans Modell stehen dort wenig bis gar nicht zur Verfügung.
Direkte Beweise werden praktisch nie vorliegen (oder gibt es irgendwelche bekannten Beispiele, in denen ein Spieler gesperrt wurde, weil er während einer Partie unter Kameraüberwachung eine Engine befragt oder im Livestream seine Zuschauer zum Vorsagen aufgefordert hat?), während Z-Score und IPR-Wert nur dann ermittelt werden können, wenn die Identität (und damit die Spielstärke) eines Spielers bekannt ist – das ist online meistens nicht der Fall.
Wichtig ist in jedem Fall der Hinweis auf den Look-Elsewhere-Effekt; die daraus resultierenden Falsch-Positiv-Resultate sind definitiv ein ernsthaftes Problem.
Wer es nicht glaubt, kann es an einem Beispiel nachrechnen: Angenommen, 1 % aller Spieler seien Betrüger, sowohl Betrüger als auch ehrliche Spieler werden mit einer Wahrscheinlichkeit von jeweils 99 % korrekt erkannt. Wie viele der als Betrüger markierten Spieler sind in Wahrheit keine?
Wer jetzt auf 1 oder 2 % getippt hat, liegt weit daneben – tatsächlich sind es 50 % !
Nehmen wir eine Gruppe von 10000 Spielern. Unter diesen sind laut Annahme 100 Betrüger, von denen 99 entlarvt werden – so weit, so gut.
Weiter und deutlich schlechter – von den 9900 ehrlichen Spielern werden ebenfalls 99 als Betrüger gekennzeichnet… Richtig fatal wird es, wenn die Betrugserkennungs-KI unkritisch mit Partien „überführter Betrüger“ trainiert wird und damit das Risiko falsch-positiver Ergebnisse weiter ansteigt.
(Natürlich ist die Frage berechtigt, ob meine Annahmen realistisch sind. Um ehrlich sein, weiß ich es nicht. Ich habe in weniger als 1 % meiner Online-Partien den Eindruck, gegen Betrüger zu spielen, es kann aber durchaus sein, dass in Turnieren mit Preisen die Quote höher ist. Betrugserkennung sollte unter Idealbedingungen nach Regan deutlich weniger als 1 % falsch-positive Resultate ergeben, aber wie es bei Blindtests (sprich ohne Kenntnis der Identitäten der Spieler) aussieht… Ich gehe davon aus, dass in diesem Fall ab einem bestimmten Niveau 1 % oder mehr falsch-positive Ergebnisse auftreten (und mutmaßlich bereits weit unterhalb der Weltspitze – es sei einmal dahingestellt, wie weit darunter (ab 2100? 2200? 2300? 2400?)))