論文の概要: Open Player Modeling: Empowering Players through Data Transparency

• arxiv url: http://arxiv.org/abs/2110.05810v1
• Date: Tue, 12 Oct 2021 08:11:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-13 23:24:42.099325
• Title: Open Player Modeling: Empowering Players through Data Transparency
• Title（参考訳）: オープンプレイヤーモデリング: データ透明性によるプレイヤーの強化
• Authors: Jichen Zhu, Magy Seif El-Nasr
• Abstract要約: このデータから開発されたデータやモデルをユーザに提供する可能性に注目します。 オープンプレイヤーモデルの設計空間を定義し、ゲーム研究コミュニティが探求できるエキサイティングなオープンな問題を提示する。 本稿はケーススタディで締めくくり、このアプローチの潜在的価値について論じる。
• 参考スコア（独自算出の注目度）: 18.56277237771738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data is becoming an important central point for making design decisions for most software. Game development is not an exception. As data-driven methods and systems start to populate these environments, a good question is: can we make models developed from this data transparent to users? In this paper, we synthesize existing work from the Intelligent User Interface and Learning Science research communities, where they started to investigate the potential of making such data and models available to users. We then present a new area exploring this question, which we call Open Player Modeling, as an emerging research area. We define the design space of Open Player Models and present exciting open problems that the games research community can explore. We conclude the paper with a case study and discuss the potential value of this approach.
• Abstract（参考訳）: データは、ほとんどのソフトウェアの設計決定において重要なポイントになりつつある。 ゲーム開発は例外ではない。 データ駆動の手法やシステムがこれらの環境に浸透し始めたとき、よい疑問は、このデータから開発されたモデルをユーザに透過的に提供することができるか、ということです。 本稿では,知的ユーザインタフェースと学習科学研究コミュニティの既存の成果を合成し,これらのデータとモデルをユーザに提供する可能性について検討した。 次に,新たな研究分野としてオープンプレイヤモデリング(open player modeling)という,この問題を探求する新たな領域を提案する。 我々は、オープンプレイヤーモデルの設計空間を定義し、ゲーム研究コミュニティが探求できるエキサイティングなオープン問題を提示します。 本稿はケーススタディで締めくくり、このアプローチの潜在的価値について論じる。

関連論文リスト

• OpenMEDLab: An Open-source Platform for Multi-modality Foundation Models in Medicine [55.29668193415034]
  マルチモダリティ基盤モデルのためのオープンソースプラットフォームであるOpenMEDLabについて紹介する。 これは、最前線臨床および生体情報学応用のための大規模言語とビジョンモデルを刺激し、微調整する先駆的な試みの解決策をカプセル化する。 様々な医用画像のモダリティ、臨床テキスト、タンパク質工学など、事前訓練された基礎モデル群へのアクセスが可能である。
  論文  参考訳（メタデータ） (2024-02-28T03:51:02Z)
• DataDreamer: A Tool for Synthetic Data Generation and Reproducible LLM Workflows [72.40917624485822]
  我々は、研究者が強力な大規模言語モデルを実装することができるオープンソースのPythonライブラリであるDataDreamerを紹介した。 DataDreamerはまた、オープンサイエンスを促進するために提案するベストプラクティスに研究者が従うのを助ける。
  論文  参考訳（メタデータ） (2024-02-16T00:10:26Z)
• User Modeling and User Profiling: A Comprehensive Survey [0.0]
  本稿では,ユーザモデリングとプロファイリング研究の現状,進化,今後の方向性について調査する。 我々は、初期のステレオタイプモデルから最新のディープラーニング技術までの開発をトレースする、歴史的概要を提供する。 また、プライバシ保護技術に対する重要なニーズと、ユーザモデリングアプローチにおける説明可能性と公正性への推進にも対処する。
  論文  参考訳（メタデータ） (2024-02-15T02:06:06Z)
• OLMo: Accelerating the Science of Language Models [165.16277690540363]
  言語モデル(LM)は、NLP研究と商用製品製品の両方で広く普及している。 商業的重要性が増すにつれ、最も強力なモデルは閉鎖され、プロプライエタリなインターフェースに遅れを取っている。 我々は、研究コミュニティが強力で真にオープンなLMにアクセスできることが不可欠であると信じている。 私たちは、言語モデルの科学的研究を可能にするために、競争力のある真にオープンな言語モデルであるOLMoを構築しました。
  論文  参考訳（メタデータ） (2024-02-01T18:28:55Z)
• A Survey on Data Augmentation in Large Model Era [16.05117556207015]
  大きな言語と拡散モデルを含む大きなモデルは、人間レベルの知能を近似する上で非常に有望である。 これらのモデルへの継続的な更新により、既存の高品質なデータの貯水池はすぐに枯渇する可能性がある。 本稿では,大規模モデル駆動型データ拡張手法について概観する。
  論文  参考訳（メタデータ） (2024-01-27T14:19:33Z)
• Capture the Flag: Uncovering Data Insights with Large Language Models [90.47038584812925]
  本研究では,Large Language Models (LLMs) を用いてデータの洞察の発見を自動化する可能性について検討する。 そこで本稿では,データセット内の意味的かつ関連する情報(フラグ)を識別する能力を測定するために,フラグを捕捉する原理に基づく新しい評価手法を提案する。
  論文  参考訳（メタデータ） (2023-12-21T14:20:06Z)
• Learn From Model Beyond Fine-Tuning: A Survey [78.80920533793595]
  Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。 LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。 本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
  論文  参考訳（メタデータ） (2023-10-12T10:20:36Z)
• SoTaNa: The Open-Source Software Development Assistant [81.86136560157266]
  SoTaNaはオープンソースのソフトウェア開発アシスタントだ。 ソフトウェア工学の分野のための高品質な命令ベースのデータを生成する。 オープンソースの基盤モデルであるLLaMAを強化するためにパラメータ効率のよい微調整アプローチを採用している。
  論文  参考訳（メタデータ） (2023-08-25T14:56:21Z)
• Generation of Probabilistic Synthetic Data for Serious Games: A Case Study on Cyberbullying [0.45880283710344055]
  本稿では,対話型ナラティブに基づく現実的なゲームのための確率論的合成データを生成するシミュレータを提案する。 このアーキテクチャは、他の研究者が同様の問題を解決するために、汎用的でモジュール化された設計である。 提案したアーキテクチャと手法を,サイバーいじめに焦点を当てた真剣なゲームの場合に適用する。
  論文  参考訳（メタデータ） (2023-06-02T08:43:15Z)
• INODE: Building an End-to-End Data Exploration System in Practice [Extended Vision] [30.411996388471817]
  INODEはエンドツーエンドのデータ探索システムです。 私達は癌のバイオマーカーのReearch、研究および革新の方針の作成および天体物理学の分野の3つの重要な使用例でそれを実証します。
  論文  参考訳（メタデータ） (2021-04-09T05:04:04Z)
• Player Modeling via Multi-Armed Bandits [6.64975374754221]
  マルチアームバンディット(MAB)に基づく新しいプレイヤーモデリング手法を提案する。 本研究では,ユーザ研究におけるデータ生成に先立って,これらのアルゴリズムの評価と微調整を行うアプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-10T05:04:45Z)

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。