Beberapa langkah telah diusulkan, lihat
Ide dasar dari makalah pertama adalah memperkirakan
skill = (potential learning effect) / (potential learning effect + potential random effect)
yang memberikan keterampilan sebagai angka antara 0 dan 1. Sayangnya, efek ini hanya dapat dihitung secara analitis untuk game "mudah". Untuk permainan satu pemain, persamaan di atas diturunkan ke
skill = (Gm - G0) / (Gu - G0)
di mana G adalah keuntungan bersih yang diharapkan dari tiga pemain
'0': seorang pemula yang memainkan permainan dengan cara naif dari seseorang yang baru saja menguasai aturan permainan.
'm': pemain rata-rata nyata yang dapat dianggap mewakili sebagian besar pemain.
'u': pemain rata-rata virtual yang kami beri tahu sebelumnya (yaitu sebelum dia harus memutuskan) hasil dari elemen peluang.
Sebagai contoh mereka menghitung untuk American Roulette: Gu = 35 dan Gm = -1/74, yang terakhir sesuai dengan permainan "sederhana" (misalnya rouge / noir, pasangan / gangguan). Nilai untuk G0 sebenarnya masalah perdebatan, bahkan untuk game ini. Jika pemula menggunakan strategi sederhana, maka skillnya adalah 0 jelas. Namun jika G0 adalah untuk strategi yang tidak sederhana (mis. Plein, cheval, carre ), maka G0 adalah -1/37 (yaitu kehilangan rata-rata yang lebih buruk.) Jadi dengan asumsi yang terakhir, ada potensi kecil untuk belajar, sehingga keterampilan adalah 0,0004. Saya harus mengatakan bahwa saya agak jengkel karena mereka menggunakan istilah Prancis untuk Roulette Amerika; Sayangnya sumber yang mereka kutip untuk perincian lebih lanjut adalah dalam bahasa Belanda.
Untuk Blackjack mereka berasal dari simulasi komputer bahwa Gm = 0,11, Gu = 27, dan mengambil G0 = -0,057 untuk strategi "meniru dealer", dan dari situ memperoleh keterampilan 0,006.
Untuk permainan di mana pemain bersaing secara langsung dan strategi seperti sandbagging atau bluffing matter (ini adalah satu-satunya permainan yang disebut permainan multi-pemain dalam teori permainan), makalah kedua memiliki pendekatan yang lebih masuk akal karena menganggap pemain berpotensi mengubah strategi sebagai sumber. keacakan. Mereka menggunakan formula skill yang sama seperti di atas (kecuali bahwa mereka memanggil tiga tipe pemain pemula, pemain optimal dan fiktif). Perbedaan dalam pendekatan mereka adalah itu
keuntungan yang diharapkan untuk pemain i sebagai pemain optimal diberikan oleh keuntungan yang diharapkan dalam kesetimbangan Nash dari pertandingan zero-sum dua orang yang terkait melawan koalisi pemain lain
dan untuk pemain "fiktif" mereka juga menganggap bahwa dia tahu hasil dari proses pengacakan lawan-lawannya.
Sayangnya tidak ada contoh yang menarik tetapi cukup sederhana untuk berhubungan secara detail di sini. Mereka menghitung drawpoker versi sederhana dengan keterampilan 0,22.
Namun kedua makalah ini menekankan bahwa nilai keterampilan yang tepat tergantung pada definisi / asumsi perilaku pemula.
Pendekatan eksperimental diperlukan untuk permainan yang lebih kompleks dengan minat praktis, misalnya
Para pemain mengidentifikasi apriori sebagai sangat terampil mencapai pengembalian rata-rata investasi lebih dari 30 persen, dibandingkan dengan -15 persen untuk semua pemain lain. Kesenjangan pengembalian yang besar ini merupakan bukti kuat yang mendukung gagasan bahwa poker adalah permainan keterampilan.