論文の概要: You Have Earned a Trophy: Characterize In-Game Achievements and Their
Completions
- arxiv url: http://arxiv.org/abs/2205.15163v1
- Date: Mon, 30 May 2022 15:10:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 17:20:23.185519
- Title: You Have Earned a Trophy: Characterize In-Game Achievements and Their
Completions
- Title(参考訳): あなたはトロフィーを獲得しました:ゲーム内達成とその完了を特徴付ける
- Authors: Haewoon Kwak
- Abstract要約: PlayStationゲームにおけるトロフィーは、最も成功した達成システムの一つである。
プレイステーションゲームとそのトロフィの完全なデータセットを構築し、開発者とプレイヤーの両方の観点からそれらを調査する。
- 参考スコア(独自算出の注目度): 3.842458737747822
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Achievement systems have been actively adopted in gaming platforms to
maintain players' interests. Among them, trophies in PlayStation games are one
of the most successful achievement systems. While the importance of trophy
design has been casually discussed in many game developers' forums, there has
been no systematic study of the historical dataset of trophies yet. In this
work, we construct a complete dataset of PlayStation games and their trophies
and investigate them from both the developers' and players' perspectives.
- Abstract(参考訳): 達成システムはプレイヤーの利益を維持するためにゲームプラットフォームで積極的に採用されている。
プレイステーションゲームにおけるトロフィーは、最も成功した達成システムの一つである。
トロフィー設計の重要性は、多くのゲーム開発者フォーラムで概して議論されているが、トロフィーの歴史的データセットに関する体系的な研究はまだ行われていない。
本研究では,プレイステーションゲームとそのトロフィーの完全なデータセットを構築し,開発者とプレイヤーの両視点からそれらを検証する。
関連論文リスト
- A Taxonomy of Collectible Card Games from a Game-Playing AI Perspective [1.278093617645299]
本研究は,収集可能なカードゲームの分類法を提案することにより,このジャンルのさらなる研究を支援することを目的とする。
人気ゲームの集合を研究し,その特性について徹底的な議論を行った。
論文 参考訳(メタデータ) (2024-10-08T19:04:12Z) - Reinforcement Learning for High-Level Strategic Control in Tower Defense Games [47.618236610219554]
戦略ゲームにおいて、ゲームデザインの最も重要な側面の1つは、プレイヤーにとっての挑戦の感覚を維持することである。
従来のスクリプティング手法と強化学習を組み合わせた自動手法を提案する。
その結果、強化学習のような学習アプローチとスクリプトAIを組み合わせることで、AIのみを使用するよりも高性能で堅牢なエージェントが生まれることが示された。
論文 参考訳(メタデータ) (2024-06-12T08:06:31Z) - PlayMyData: a curated dataset of multi-platform video games [2.7498981662768536]
PlayMyDataは、IGDBのWebサイトで収集された99,864のマルチプラットフォームゲームからなる、キュレートされたデータセットである。
専用APIを利用することで、説明、ジャンル、評価、ゲームプレイビデオURL、スクリーンショットなど、各ゲームに関連するメタデータを収集する。
PlayMyDataは、提供されたマルチメディアデータの上に構築されたクロスドメイン調査を促進するために使用できる。
論文 参考訳(メタデータ) (2024-01-16T18:45:38Z) - Serious Games in Digital Gaming: A Comprehensive Review of Applications,
Game Engines and Advancements [55.2480439325792]
近年,ユーザを同時に教育し,楽しませる能力によって,真剣なゲームの人気が高まっている。
本稿では,様々なタイプのデジタルゲームの概要を概観し,真剣なゲームジャンルに展開する。
ゲーム開発業界で最も広く使われているゲームエンジンを提示し、Unityのゲームマシンの利点を拡張する。
論文 参考訳(メタデータ) (2023-11-03T09:17:09Z) - WinoGAViL: Gamified Association Benchmark to Challenge
Vision-and-Language Models [91.92346150646007]
本研究では,視覚・言語関係を収集するオンラインゲームであるWinoGAViLを紹介する。
私たちはこのゲームを使って3.5Kのインスタンスを収集し、それらが人間には直感的だが最先端のAIモデルには挑戦的であることを発見した。
我々の分析とプレイヤーからのフィードバックは、収集された協会が多様な推論スキルを必要とすることを示している。
論文 参考訳(メタデータ) (2022-07-25T23:57:44Z) - 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) - Sequential Item Recommendation in the MOBA Game Dota 2 [64.8963467704218]
本研究では,Dota 2における購入勧告の文脈における逐次項目推薦(SIR)モデルの適用可能性について検討する。
以上の結果から,購入順序を考慮したモデルが最も有効であることが示唆された。
他のドメインとは対照的に、我々は最新のTransformerベースのアーキテクチャをDota-350kで上回るRNNベースのモデルを見つけました。
論文 参考訳(メタデータ) (2022-01-17T14:19:17Z) - Predicting the Popularity of Games on Steam [0.0]
本稿では,Steam 上でリリースされた最近のビデオゲームを取り上げ,Steam を通じて獲得可能なゲームの人気とゲーム機能との関係を明らかにすることを目的とする。
我々はベイズ的アプローチを用いて、ゲームの価格、サイズ、サポート言語、リリース日、ジャンルがプレイヤー数に与える影響を理解する。
論文 参考訳(メタデータ) (2021-10-06T16:21:15Z) - The Road Less Travelled: Trying And Failing To Generate Walking
Simulators [0.38073142980732994]
本稿では,空間,雰囲気,経験に重点を置いた3dゲームのための自動ゲームデザイナー構築の試みについて述べる。
私たちは、これらのシステムを構築しようとする試み、失敗した理由、そして他の人による将来の試みに役立つと思われるステップと将来の作業について説明します。
論文 参考訳(メタデータ) (2021-04-21T23:05:10Z) - Designing a mobile game to generate player data -- lessons learned [2.695466667982714]
同様のプロジェクトのガイダンスを使わずにモバイルゲームを開発した。
ゲームバランシングとシステムシミュレーションの研究は、実験的なケーススタディを必要とした。
RPGの制作において、我々は研究目的で効果的なアマチュアゲーム開発について一連の教訓を学んだ。
論文 参考訳(メタデータ) (2021-01-18T16:16:58Z) - DeepCrawl: Deep Reinforcement Learning for Turn-based Strategy Games [137.86426963572214]
Deep CrawlはiOSとAndroid用の完全にプレイ可能なRogueライクなプロトタイプで、すべてのエージェントがDeep Reinforcement Learning (DRL)を使用してトレーニングされたポリシーネットワークによって制御される。
本研究の目的は、近年のDRLの進歩が、ビデオゲームにおける非プレイヤーキャラクターに対する説得力のある行動モデルの開発に有効であるかどうかを理解することである。
論文 参考訳(メタデータ) (2020-12-03T13:53:29Z)
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。