Quelle est la taille de l'échantillon ?

267 parties classées League of Legends sur 5 joueuses, sur une période de 5 mois.

Quel est le delta de winrate observé ?

Un delta moyen de 5,9 points de winrate en faveur des phases hors-règles, cohérent sur 100% des joueuses étudiées.

Le résultat est-il statistiquement significatif ?

Le t-test apparié à l'unité joueuse (n=3) donne p ≈ 0,048, juste sous le seuil de 0,05. Le test Z à deux proportions sur les parties (n=267) donne p ≈ 0,22, ce qui n'est pas encore statistiquement concluant.

Est-ce un avis médical ?

Non. C'est une étude pilote indépendante, non revue par les pairs. Les corrélations sont suggestives, pas prouvées scientifiquement.

L'étude pilote

Début 2026, le coach LoL Tony « Saskio » Chau est devenu viral pour avoir suivi les cycles menstruels de ses duo partners pendant 5 mois et corrélé la phase du cycle avec les données de performance LoL (winrate (WR), KDA, dégâts, morts) sur 345 parties classées et 5 joueuses. Avec un pipeline custom de l'API Riot, il a trouvé des corrélations mesurables entre phase du cycle et performance en jeu. Il a partagé publiquement les données détaillées de 3 des 5 joueuses ; le tableau ci-dessous couvre ce sous-ensemble uniquement.

JOUEUSE	RÔLE / RANG	PARTIES	WR HORS-PÉRIODE	WR EN PÉRIODE	DELTA
Yuulu	Support · Master	147	57.5%	52%	−5.5pp
Sweatylilkoi	APC Supp · Master	68	61.2%	58.8%	−2.4pp
Asakifox	Mid (Ahri) · D4	52	59.6%	48.1%	−11.5pp

Combiné (3 joueuses, 267 parties) : WR pondéré hors-période 58,9% vs en période 53,0%, soit un delta de WR de −5,9%. Sur le roster complet de 5 joueuses, le delta moyen par joueuse est de −9,58 points de WR (écart-type 2,41).

WR global du duo est passé de ~52% avant tracking à 55,1% après adaptation des picks à la phase, soit +3,1% de WR sur 4 mois et 345 parties.

Signal d'agressivité (Yuulu) : score dégâts/morts en période moyen à 8,6/10 vs 4,85/10 hors-période. Saskio switch Vayne → Tristana pour matcher ce niveau d'agressivité au lieu de le combattre.

Durée moyenne du cycle sur le roster : 28,04 jours, écart-type 0,31. Assez serré pour prédire le début du prochain cycle à quelques heures près.

Le travail académique en cours : Riley Dunn, exercise physiologist accréditée ESSA et doctorante à la Queensland University of Technology, conduit la première recherche universitaire formelle sur le sujet. Sa thèse, The Female Esports Athlete - Impact of the Menstrual Cycle on Esports Health and Performance, étudie l'application des sciences de la santé féminine au cadre esport (MOBA & FPS) pour mieux accompagner les joueuses pro. Saskio est en discussion avec elle pour lui contribuer son dataset. RedBuffed a été pensé pour rendre ce type de collecte possible à grande échelle, dans le respect de la vie privée des joueuses.

Sources & lectures

Liste non exhaustive. Si tu connais d'autres travaux à citer (revue par les pairs, podcast, étude indépendante), écris à [email protected].

Aucune des personnes citées (Tony « Saskio » Chau, Nic0le, Riley Dunn) n'est en collaboration active avec RedBuffed. Leurs travaux sont cités à titre de référence.

Analyse statistique

t-test de Student apparié

Unité : joueuses (n=3)

t = 2,42, df = 2

p ≈ 0,048

4,8 % de chance que l'effet soit dû au hasard. Passe le seuil p < 0,05, mais avec seulement 3 joueuses, un outlier pourrait porter le résultat.

Test Z à deux proportions

Unité : parties (n=267)

z = 0,76

p ≈ 0,22

22 % de chance que l'effet soit dû au hasard. Pas encore assez de données pour établir une corrélation statistiquement.

La direction de l'effet est cohérente chez 100 % des joueuses, mais détecter un écart de WR de 6 % de façon fiable nécessite ~800 parties en période ou plus. p = 0,22 ne signifie pas « aucun effet », mais « pas encore assez de données ». Échantillon petit, auto-sélectionné, non soumis à révision par les pairs. Ce n'est pas un avis médical. C'est précisément ce qu'on construit ici.

← Retour à l'accueil