論文の概要: Deriving and Evaluating a Detailed Taxonomy of Game Bugs

• arxiv url: http://arxiv.org/abs/2311.16645v1
• Date: Tue, 28 Nov 2023 09:51:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-29 18:55:11.024682
• Title: Deriving and Evaluating a Detailed Taxonomy of Game Bugs
• Title（参考訳）: ゲームバグの詳細な分類の導出と評価
• Authors: Nigar Azhar Butt, Salman Sherin, Muhammad Uzair Khan, Atif Aftab Jilani, and Muhammad Zohaib Iqbal
• Abstract要約: この研究の目的は、ゲーム開発者がバグに耐性のあるゲームを開発するのに役立つバグ分類を提供することだ。 ゲーム開発業界で発生したバグを報告した189件(学術文献78件,灰色111件)の資料の中から,436件の資料を分析し,MLR(Multivocal Literature Review)を行った。 MLRにより、エンドユーザーの視点から63のゲームバグカテゴリの詳細な分類を確定することができた。
• 参考スコア（独自算出の注目度）: 2.2136561577994858
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Game development has become an extremely competitive multi-billion-dollar industry. Many games fail even after years of development efforts because of game-breaking bugs that disrupt the game-play and ruin the player experience. The goal of this work is to provide a bug taxonomy for games that will help game developers in developing bug-resistant games, game testers in designing and executing fault-finding test cases, and researchers in evaluating game testing approaches. For this purpose, we performed a Multivocal Literature Review (MLR) by analyzing 436 sources, out of which 189 (78 academic and 111 grey) sources reporting bugs encountered in the game development industry were selected for analysis. We validate the proposed taxonomy by conducting a survey involving different game industry practitioners. The MLR allowed us to finalize a detailed taxonomy of 63 game bug categories in end-user perspective including eight first-tier categories: Gaming Balance, Implementation Response, Network, Sound, Temporal, Unexpected Crash, Navigational, and Non-Temporal faults. We observed that manual approaches towards game testing are still widely used. Only one of the approaches targets sound bugs whereas game balancing and how to incorporate machine learning in game testing is trending in the recent literature. Most of the game testing techniques are specialized and dependent on specific platforms.
• Abstract（参考訳）: ゲーム開発は、非常に競争の激しい数十億ドル産業となっている。 多くのゲームは、ゲームプレイを破壊し、プレイヤーの体験を台無しにするゲーム破壊バグのために、長年の開発努力の後でも失敗する。 この研究の目的は、ゲーム開発者がバグ耐性ゲームを開発するのに役立つバグ分類を提供すること、ゲームテスタがフォールトフィニングテストケースの設計と実行、そしてゲームテストアプローチを評価する研究者に提供することである。 そこで我々は,ゲーム開発業界で発生したバグを報告した189人 (78人, 灰色111人) の資料の中から, 436 の資料を分析し,MLR (Multivocal Literature Review) を行った。 異なるゲーム業界の実践者を対象とした調査を行い,提案分類を検証した。 MLRは,ゲームバランス,実装応答,ネットワーク,音,テンポラル,予期せぬクラッシュ,ナビゲーション,非テンポラルの8つのカテゴリを含む,エンドユーザーの視点から63のゲームバグカテゴリの詳細な分類を確定しました。 ゲームテストへの手動アプローチはまだ広く使われている。 最近の文献では、ゲームバランシングや機械学習をゲームテストに組み込む方法が流行っているのに対して、サウンドバグをターゲットとするアプローチは1つだけである。 ほとんどのゲームテスト技術は特定のプラットフォームに依存している。

関連論文リスト

• Leveraging Large Language Models for Efficient Failure Analysis in Game Development [47.618236610219554]
  本稿では,テストの失敗の原因となるコードの変更を自動的に識別する手法を提案する。 このメソッドは、LLM(Large Language Models)を利用して、エラーメッセージと対応するコード変更を関連付ける。 当社のアプローチは新たに作成したデータセットで71%の精度に達しています。
  論文  参考訳（メタデータ） (2024-06-11T09:21:50Z)
• Finding the Needle in a Haystack: Detecting Bug Occurrences in Gameplay Videos [10.127506928281413]
  本稿では、機械学習を用いて、ゲームプレイビデオの一部にバグの描写が含まれているかどうかを予測する自動化アプローチを提案する。 我々は、198本のゲームプレイビデオの4,412のセグメントを分析し、あるセグメントがバグのインスタンスを含んでいるかどうかを予測する。 本手法は, バグを含む映像のセグメント検出に有効であり, F1スコア0.88を達成し, バグ分類の最先端技術よりも優れていた。
  論文  参考訳（メタデータ） (2023-11-18T01:14:18Z)
• Predicting Defective Visual Code Changes in a Multi-Language AAA Video Game Project [54.20154707138088]
  視覚的コードメトリクスを含む視覚的コード欠陥予測モデルの構築に注力する。 我々は,AAAビデオゲームプロジェクトにおける歴史的不可知性から抽出した特徴を用いて,我々のモデルを検証した。 欠陥予測モデルでは,ROC曲線の下での面積で全体の性能が向上することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T00:18:43Z)
• Technical Challenges of Deploying Reinforcement Learning Agents for Game Testing in AAA Games [58.720142291102135]
  本稿では,既存の自動ゲームテストソリューションに,スクリプト型ボットをベースとして,実験的な強化学習システムを追加する取り組みについて述べる。 ゲーム制作において強化学習を活用するためのユースケースを示し、ゲームのために同じ旅をしたいと思う人なら誰でも遭遇する最大の時間をカバーしています。 我々は、機械学習、特にゲーム生産において効果的なツールである強化学習を作るのに価値があり、必要であると考えるいくつかの研究指針を提案する。
  論文  参考訳（メタデータ） (2023-07-19T18:19:23Z)
• Using Developer Discussions to Guide Fixing Bugs in Software [51.00904399653609]
  我々は,タスク実行前に利用可能であり,また自然発生しているバグレポートの議論を,開発者による追加情報の必要性を回避して利用することを提案する。 このような議論から派生したさまざまな自然言語コンテキストがバグ修正に役立ち、オラクルのバグ修正コミットに対応するコミットメッセージの使用よりもパフォーマンスの向上につながることを実証する。
  論文  参考訳（メタデータ） (2022-11-11T16:37:33Z)
• Large Language Models are Pretty Good Zero-Shot Video Game Bug Detectors [3.39487428163997]
  大規模言語モデルでは,ゲームからのイベントのテキスト記述のシーケンスにおいて,どのイベントがバギーであるかを識別できることを示す。 この結果から,ビデオゲームのバグ検出に言語モデルを用いた場合の有望な結果が得られた。
  論文  参考訳（メタデータ） (2022-10-05T18:44:35Z)
• SUPERNOVA: Automating Test Selection and Defect Prevention in AAA Video Games Using Risk Based Testing and Machine Learning [62.997667081978825]
  従来の手法では、成長するソフトウェアシステムではスケールできないため、ビデオゲームのテストはますます難しいタスクになります。 自動化ハブとして機能しながら,テスト選択と欠陥防止を行うシステム SUPERNOVA を提案する。 この直接的な影響は、未公表のスポーツゲームタイトルの55%以上のテスト時間を減らすことが観察されている。
  論文  参考訳（メタデータ） (2022-03-10T00:47:46Z)
• Learning to Identify Perceptual Bugs in 3D Video Games [1.370633147306388]
  そこで本研究では,学習に基づく手法を用いて,知覚的バグの範囲を同定できることを示す。 World of Bugs (WOB)は、3Dゲーム環境でABDメソッドをテストするオープンプラットフォームである。
  論文  参考訳（メタデータ） (2022-02-25T18:50:11Z)
• 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)
• Augmenting Automated Game Testing with Deep Reinforcement Learning [0.4129225533930966]
  一般的なゲームテストは、人間プレイテスターの使用、テストスクリプティングのプレイ、関連するテストデータを生成するための関心領域の事前知識に依存している。 深層強化学習(DRL)を用いたゲームテストフレームワークに自己学習メカニズムを導入する。 DRLは、テストカバレッジの向上、エクスプロイトの発見、マップの難しさ、ファーストパーソンシューティングゲーム(FPS)のテストで発生する一般的な問題の検出に使用できる。
  論文  参考訳（メタデータ） (2021-03-29T11:55:15Z)
• Enhancing the Monte Carlo Tree Search Algorithm for Video Game Testing [0.0]
  我々は,モンテカルロ木探索 (MCTS) エージェントを拡張し,ゲームテスト用にいくつかの改良を加えた。 提案した修正は, エージェントのバグ発見性能に対する影響評価, 2つの異なる計算予算下での成功度の測定, 人型エージェントの人間的類似度に対する影響評価の3つの部分で分析した。
  論文  参考訳（メタデータ） (2020-03-17T16:52:53Z)

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。