論文の概要: Detecting Video Game Player Burnout with the Use of Sensor Data and Machine Learning

• arxiv url: http://arxiv.org/abs/2012.02299v1
• Date: Sun, 29 Nov 2020 21:16:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 08:54:21.981164
• Title: Detecting Video Game Player Burnout with the Use of Sensor Data and Machine Learning
• Title（参考訳）: センサデータと機械学習を用いたビデオゲームプレーヤーのバーンアウト検出
• Authors: Anton Smerdov, Andrey Somov, Evgeny Burnaev, Bo Zhou, Paul Lukowicz
• Abstract要約: 本研究では,センサデータ分析に基づいて,プレイヤーが今後の出会いに勝つかどうかを予測する手法を提案する。 センサデータは、リーグ・オブ・レジェンドズ(League of Legends)の22試合の参加者10名から収集された。 われわれはTransformerやGated Recurrent Unitといった機械学習モデルを訓練し、将来一定時間後にプレイヤーが遭遇するかどうかを予測する。
• 参考スコア（独自算出の注目度）: 15.838305794790022
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current research in eSports lacks the tools for proper game practising and performance analytics. The majority of prior work relied only on in-game data for advising the players on how to perform better. However, in-game mechanics and trends are frequently changed by new patches limiting the lifespan of the models trained exclusively on the in-game logs. In this article, we propose the methods based on the sensor data analysis for predicting whether a player will win the future encounter. The sensor data were collected from 10 participants in 22 matches in League of Legends video game. We have trained machine learning models including Transformer and Gated Recurrent Unit to predict whether the player wins the encounter taking place after some fixed time in the future. For 10 seconds forecasting horizon Transformer neural network architecture achieves ROC AUC score 0.706. This model is further developed into the detector capable of predicting that a player will lose the encounter occurring in 10 seconds in 88.3% of cases with 73.5% accuracy. This might be used as a players' burnout or fatigue detector, advising players to retreat. We have also investigated which physiological features affect the chance to win or lose the next in-game encounter.
• Abstract（参考訳）: eSportsの現在の研究は、適切なゲーム練習とパフォーマンス分析のためのツールが欠けている。 以前の作業の大半は、プレイヤーにより良いパフォーマンスをアドバイスするためのゲーム内データにのみ依存していた。 しかし、ゲーム内ログのみにトレーニングされたモデルの寿命を制限する新しいパッチによって、ゲーム内力学とトレンドは頻繁に変化する。 本稿では,センサデータ分析に基づいて,プレイヤーが今後の出会いに勝つかどうかを予測する手法を提案する。 センサデータはリーグ・オブ・レジェンドの22試合の参加者10名から収集された。 われわれはTransformerやGated Recurrent Unitといった機械学習モデルを訓練し、将来一定時間後にプレイヤーが遭遇するかどうかを予測する。 水平線予測の10秒間、トランスフォーマーニューラルネットワークアーキテクチャはROC AUCスコア0.706を達成する。 このモデルは、73.5%の精度で88.3%のケースでプレイヤーが10秒で発生した遭遇を予測できる検出器にさらに開発されている。 これはプレイヤーのバーンアウトまたは疲労検知装置として使用され、プレイヤーが撤退するよう助言する。 また,どの生理的特徴が勝敗に影響を及ぼすかについても検討した。

関連論文リスト

• Passing Heatmap Prediction Based on Transformer Model and Tracking Data [0.0]
  本研究では,パスの潜在的な終端位置を予測できる新しいディープラーニングネットワークアーキテクチャを提案する。 28,000回以上のイベントを解析すると、0.7以上のTop-1精度で堅牢な予測が達成される。 また、この予測に基づいて、ピッチコントロールとパスオプションをよりよく理解することで、選手のオフボール運動が防御性能に与える影響を測定することができる。
  論文  参考訳（メタデータ） (2023-09-04T11:14:22Z)
• Understanding why shooters shoot -- An AI-powered engine for basketball performance profiling [70.54015529131325]
  バスケットボールは、プレイスタイルやゲームダイナミクスなど、多くの変数によって規定されている。 パフォーマンスプロファイルが様々なプレイスタイルを反映できることは重要です。 プレイヤのパフォーマンスプロファイルをタイムリーに可視化するツールを提案する。
  論文  参考訳（メタデータ） (2023-03-17T01:13:18Z)
• Impact of a Batter in ODI Cricket Implementing Regression Models from Match Commentary [0.0]
  本研究は,プレイヤーがどのような状況でどれだけコントロールしているかを判断することで,このインパクトのあるパフォーマンスの背景にある欠点を理解することを目的とする。 私たちはOne Day Internationalの3人の著名なクリケット選手(Rohit G Sharma、David A Warner、Kene S Williamson)のキャリアに関するデータを収集しました。 我々は、各プレイヤーのデータに対して、複数の線形回帰(MLR)、ポリノミアル回帰、サポートベクトル回帰(SVR)、決定木回帰、ランダムフォレスト回帰を個別に使用し、プレイヤーがゲームに与える影響を予測する。
  論文  参考訳（メタデータ） (2023-02-22T06:42:20Z)
• Combining Sequential and Aggregated Data for Churn Prediction in Casual Freemium Games [0.0]
  フリーミアムゲームでは、プレイヤーからの収益はアプリ内購入とプレイヤーが露出する広告から得られる。 このシナリオでは、プレーヤーがプレイをやめようとしているときにすぐに検出できることが極めて重要である。 本研究では, 逐次データと集約データを組み合わせることで, チャーン予測の最先端性を改善する方法について検討する。
  論文  参考訳（メタデータ） (2022-09-06T14:49:18Z)
• Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
  チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。 提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。 次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
  論文  参考訳（メタデータ） (2022-03-10T02:37:39Z)
• CommonsenseQA 2.0: Exposing the Limits of AI through Gamification [126.85096257968414]
  現代自然言語理解モデルの能力をテストするベンチマークを構築した。 本研究では,データ構築の枠組みとしてゲーミフィケーションを提案する。
  論文  参考訳（メタデータ） (2022-01-14T06:49:15Z)
• Less is More: Sparse Sampling for Dense Reaction Predictions [60.005266111509435]
  本稿では,ビデオチャレンジからの2021Evoked Expressionを提案する。 本モデルでは,音声と画像の両モードを入力として,視聴者の感情変化を予測する。 提案手法は, 最終プライベートテストセットにおいて, ピアソンの相関スコア0.04430を達成した。
  論文  参考訳（メタデータ） (2021-06-03T11:33:59Z)
• AI-enabled Prediction of eSports Player Performance Using the Data from Heterogeneous Sensors [12.071865017583502]
  我々は,センサのデータのみを用いて,eSportsプレーヤーのゲーム内パフォーマンスを予測する人工知能(AI)対応ソリューションについて報告する。 リカレントニューラルネットワークを用いて、マルチプレイヤーゲームにおけるゲームログから、各モーメント毎のプレイヤー性能を評価する。 提案するソリューションはプロのeスポーツチームやアマチュア選手のための学習ツールに多くの有望な応用がある。
  論文  参考訳（メタデータ） (2020-12-07T07:31:53Z)
• Collection and Validation of Psychophysiological Data from Professional and Amateur Players: a Multimodal eSports Dataset [7.135992354416602]
  リーグ・オブ・レジェンズ(League of Legends)ビデオゲームのプロチームとアマチュアチームから収集したデータセットを40時間以上の録音で提示する。 記録にはプレイヤーの生理活動、動き、脈拍、ササード、様々なセンサーから得られる。 このデータセットの重要な特徴は、5人のプレーヤーによる同時データ収集であり、チームレベルでのセンサーデータの分析を容易にする。
  論文  参考訳（メタデータ） (2020-11-02T13:25:11Z)
• Interpretable Real-Time Win Prediction for Honor of Kings, a Popular Mobile MOBA Esport [51.20042288437171]
  本研究では,2段階空間時間ネットワーク(TSSTN)を提案する。 実世界のライブストリーミングシナリオにおける実験結果と応用により,提案したTSSTNモデルは予測精度と解釈可能性の両方において有効であることが示された。
  論文  参考訳（メタデータ） (2020-08-14T12:00:58Z)
• Disentangling Controllable Object through Video Prediction Improves Visual Reinforcement Learning [82.25034245150582]
  多くの視覚に基づく強化学習問題において、エージェントは視野内の可動物体を制御する。 制御可能なオブジェクトを観測信号から切り離すためのエンドツーエンド学習フレームワークを提案する。 不整合表現は、RLがエージェントに追加の観察チャネルとして有用であることが示されている。
  論文  参考訳（メタデータ） (2020-02-21T05:43:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。