論文の概要: Gamified and Self-Adaptive Applications for the Common Good: Research Challenges Ahead

• arxiv url: http://arxiv.org/abs/2103.15559v1
• Date: Mon, 22 Mar 2021 18:56:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 01:08:39.857924
• Title: Gamified and Self-Adaptive Applications for the Common Good: Research Challenges Ahead
• Title（参考訳）: 共通利益のためのゲーム化と自己適応的応用: 今後の研究課題
• Authors: Antonio Bucchiarone, Antonio Cicchetti, Nelly Bencomo, Enrica Loria, Annapaola Marconi
• Abstract要約: 動機付けデジタルシステムは、エンドユーザーが共通の目標に向かって行動的変化を促進できる能力を提供します。 本稿では,自律・マルチエージェントシステムの基盤となる原理をどのように活用して,マルチカオスモチベーションシステムを構築するか,というビジョンを提案する。 MAPE-Kループに基づく一般的なフレームワークの初期バージョンと、私たちのビジョンの実装のための研究ロードマップを特徴づける一連の研究課題を紹介します。
• 参考スコア（独自算出の注目度）: 7.524721345903026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motivational digital systems offer capabilities to engage and motivate end-users to foster behavioral changes towards a common goal. In general these systems use gamification principles in non-games contexts. Over the years, gamification has gained consensus among researchers and practitioners as a tool to motivate people to perform activities with the ultimate goal of promoting behavioural change, or engaging the users to perform activities that can offer relevant benefits but which can be seen as unrewarding and even tedious. There exists a plethora of heterogeneous application scenarios towards reaching the common good that can benefit from gamification. However, an open problem is how to effectively combine multiple motivational campaigns to maximise the degree of participation without exposing the system to counterproductive behaviours. We conceive motivational digital systems as multi-agent systems: self-adaptation is a feature of the overall system, while individual agents may self-adapt in order to leverage other agents' resources, functionalities and capabilities to perform tasks more efficiently and effectively. Consequently, multiple campaigns can be run and adapted to reach common good. At the same time, agents are grouped into micro-communities in which agents contribute with their own social capital and leverage others' capabilities to balance their weaknesses. In this paper we propose our vision on how the principles at the base of the autonomous and multi-agent systems can be exploited to design multi-challenge motivational systems to engage smart communities towards common goals. We present an initial version of a general framework based on the MAPE-K loop and a set of research challenges that characterise our research roadmap for the implementation of our vision.
• Abstract（参考訳）: モチベーションのあるデジタルシステムは、共通の目標に向かって行動的変化を育むためにエンドユーザーと関わり、モチベーションを与える能力を提供します。 一般に、これらのシステムはゲーム以外の文脈でゲーミフィケーションの原則を用いる。 長年にわたり、ゲーミフィケーションは研究者や実践者の間で、行動の変化を促進するという究極の目標を掲げ、ユーザーが適切な利益を提供することができるが、不利で退屈であると見なされる活動を行うよう、人々を動機付けるツールとして合意を得てきた。 ゲーミフィケーションのメリットを享受できる共通の利益を達成するための、異種アプリケーションシナリオが数多く存在する。 しかし、オープンな問題は、複数のモチベーションキャンペーンを効果的に組み合わせて、システムを非生産的行動に晒すことなく参加の度合いを最大化する方法である。 自己適応はシステム全体の特徴であり、個々のエージェントは、他のエージェントのリソース、機能、能力を利用してタスクをより効率的に実行するために自己適応する可能性がある。 結果として、複数のキャンペーンを実行し、共通の目的に適応することができる。 同時にエージェントはマイクロコミュニティにグループ化され、エージェントは自身のソーシャルキャピタルに貢献し、他人の能力を活用して弱点のバランスをとる。 本稿では,自律型システムとマルチエージェントシステムの基盤にある原則を活用し,スマートコミュニティを共通の目標へと導くマルチチャレンジモチベーションシステムを設計するためのビジョンを提案する。 我々は,mape-kループに基づく汎用フレームワークの初期バージョンと,我々のビジョンの実現に向けた研究ロードマップを特徴付ける一連の研究課題を提案する。

関連論文リスト

• Active Legibility in Multiagent Reinforcement Learning [3.7828554251478734]
  正当性指向のフレームワークは、エージェントが他人の振る舞いを最適化するのを助けるために、妥当なアクションを実行することを可能にする。 実験の結果、新しいフレームワークは、複数のマルチエージェント強化学習アルゴリズムと比較して、より効率的で、トレーニング時間が少ないことが示されている。
  論文  参考訳（メタデータ） (2024-10-28T12:15:49Z)
• SocialGFs: Learning Social Gradient Fields for Multi-Agent Reinforcement Learning [58.84311336011451]
  マルチエージェント強化学習のための新しい勾配に基づく状態表現を提案する。 オフラインサンプルからソーシャルグラデーションフィールド(SocialGF)を学習するために,デノジングスコアマッチングを採用している。 実際に、SocialGFをMAPPOなど、広く使われているマルチエージェント強化学習アルゴリズムに統合する。
  論文  参考訳（メタデータ） (2024-05-03T04:12:19Z)
• Smart Help: Strategic Opponent Modeling for Proactive and Adaptive Robot Assistance in Households [30.33911147366425]
  Smart Helpは、多様な障害を持つ人間のエージェントに対して、積極的にかつ適応的なサポートを提供することを目的としている。 本稿では,主エージェントの能力と目標の微妙な理解を提供する,イノベーティブな対戦相手モデリングモジュールを紹介する。 この結果から,AIを組み込んだ支援ロボットが,脆弱なグループの健康向上に寄与する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-04-13T13:03:59Z)
• DCIR: Dynamic Consistency Intrinsic Reward for Multi-Agent Reinforcement Learning [84.22561239481901]
  本稿では,エージェントの行動が他のエージェントの行動と一致しているかどうかを学習するための新しいアプローチを提案する。 マルチエージェント粒子, Google Research Football および StarCraft II Micromanagement を含む複数の環境における DCIR の評価を行った。
  論文  参考訳（メタデータ） (2023-12-10T06:03:57Z)
• AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors [93.38830440346783]
  本稿では,その構成をより高機能なシステムとして協調的に調整できるマルチエージェントフレームワークを提案する。 実験により,フレームワークが単一エージェントより優れたマルチエージェントグループを効果的に展開できることが実証された。 これらの振舞いの観点から、我々は、ポジティブなものを活用し、ネガティブなものを緩和し、マルチエージェントグループの協調可能性を改善するためのいくつかの戦略について議論する。
  論文  参考訳（メタデータ） (2023-08-21T16:47:11Z)
• Generalization in Cooperative Multi-Agent Systems [49.16349318581611]
  協調型マルチエージェントシステムのための組合せ一般化(CG)の理論的基盤について検討する。 CGは、幅広いアプリケーションにまたがる実用性とデプロイ性を向上させることができるため、自律システムにとって非常に望ましい特徴である。
  論文  参考訳（メタデータ） (2022-01-31T21:39:56Z)
• ToM2C: Target-oriented Multi-agent Communication and Cooperation with Theory of Mind [18.85252946546942]
  心の理論(Theory of Mind、ToM)は、効果的なコミュニケーションと協力が可能な社会的に知的なエージェントを構築する。 このアイデアは、協調ナビゲーションとマルチセンサーターゲットカバレッジという、2つの典型的な目標指向型マルチエージェントタスクで実証される。
  論文  参考訳（メタデータ） (2021-10-15T18:29:55Z)
• Learning to Incentivize Other Learning Agents [73.03133692589532]
  我々は、学習インセンティブ関数を用いて、RLエージェントに他のエージェントに直接報酬を与える能力を持たせる方法を示す。 このようなエージェントは、一般的なマルコフゲームにおいて、標準のRLと対戦型エージェントを著しく上回っている。 私たちの仕事は、マルチエージェントの未来において共通の善を確実にする道のりに沿って、より多くの機会と課題を指しています。
  論文  参考訳（メタデータ） (2020-06-10T20:12:38Z)
• Intrinsic Motivation for Encouraging Synergistic Behavior [55.10275467562764]
  スパース・リワード・シナジスティック・タスクにおける強化学習の探索バイアスとしての本質的モチベーションの役割について検討した。 私たちのキーとなる考え方は、シナジスティックなタスクにおける本質的なモチベーションのための優れた指針は、エージェントが自分自身で行動している場合、達成できない方法で世界に影響を与える行動を取ることである。
  論文  参考訳（メタデータ） (2020-02-12T19:34:51Z)

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。