Fugu-MT 論文翻訳(概要): Label-Free Subjective Player Experience Modelling via Let's Play Videos

論文の概要: Label-Free Subjective Player Experience Modelling via Let's Play Videos

arxiv url: http://arxiv.org/abs/2410.02967v1
Date: Thu, 3 Oct 2024 20:12:56 GMT
ステータス: 処理完了
システム内更新日: 2024-11-03 04:45:27.605438
Title: Label-Free Subjective Player Experience Modelling via Let's Play Videos
Title（参考訳）: Let's Play Videosによるレーベルフリーの主観的プレイヤー体験モデリング
Authors: Dave Goel, Athar Mahmoudi-Nejad, Matthew Guzdial,
Abstract要約: プレイヤー・エクスペリエンス・モデリング(プレイヤー・エクスペリエンス・モデリング、英: Player Experience Modelling、PEM)は、ゲーム内のプレイヤーの経験をモデル化するためのAI技術の研究である。ゲームプレイビデオからプレイヤー体験を近似する新しいPEM開発手法を提案する。ゲーム『Angry Birds』における影響を予測するアプローチを,人間による研究を通して評価した。
参考スコア（独自算出の注目度）: 2.3941497253612085
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Player Experience Modelling (PEM) is the study of AI techniques applied to modelling a player's experience within a video game. PEM development can be labour-intensive, requiring expert hand-authoring or specialized data collection. In this work, we propose a novel PEM development approach, approximating player experience from gameplay video. We evaluate this approach predicting affect in the game Angry Birds via a human subject study. We validate that our PEM can strongly correlate with self-reported and sensor measures of affect, demonstrating the potential of this approach.
Abstract（参考訳）: プレイヤー・エクスペリエンス・モデリング(プレイヤー・エクスペリエンス・モデリング、英: Player Experience Modelling、PEM)は、ゲーム内のプレイヤーの経験をモデル化するためのAI技術の研究である。 PEM開発は労働集約的であり、専門家の手書きや専門的なデータ収集を必要とする。本研究では,ゲームプレイビデオからプレイヤーの体験を近似する新しいPEM開発手法を提案する。ゲーム『Angry Birds』における影響を予測するアプローチを,人間による研究を通して評価した。我々は,我々のPEMが自記式およびセンサによる影響評価と強く相関し,このアプローチの可能性を実証する。

関連論文リスト

Across-Game Engagement Modelling via Few-Shot Learning [1.7969777786551424]
ドメインの一般化には、さまざまなドメインにわたるハイパフォーマンスを維持するAIモデルを学ぶことが含まれる。ビデオゲームは、ユーザー体験の分析にユニークな課題と機会を提供する。本稿では,ユーザエクスペリエンスの汎用ドメインに依存しないモデリングをいくつかのドメイン固有タスクとゲーム依存タスクに分解するフレームワークを提案する。
論文参考訳（メタデータ） (2024-09-19T16:21:21Z)
ExpertAF: Expert Actionable Feedback from Video [81.46431188306397]
本研究では,身体活動を行う人の映像から行動可能なフィードバックを生成する新しい手法を提案する。提案手法は,映像のデモンストレーションとそれに伴う3Dボディーポーズを取り,専門家による解説を生成する。提案手法は,マルチモーダルな入力の組み合わせを解析し,フルスペクトルで実用的なコーチングを出力することができる。
論文参考訳（メタデータ） (2024-08-01T16:13:07Z)
GameEval: Evaluating LLMs on Conversational Games [93.40433639746331]
大規模言語モデル(LLM)を評価する新しいアプローチであるGameEvalを提案する。 GameEvalはLSMをゲームプレイヤーとして扱い、様々な形式の会話を起動することで達成した特定の目標にそれぞれ異なる役割を割り当てる。我々は,GameEvalが様々なLLMの能力を効果的に差別化することができ,複雑な問題を解決するための統合能力を総合的に評価できることを示した。
論文参考訳（メタデータ） (2023-08-19T14:33:40Z)
Improving Language Model Negotiation with Self-Play and In-Context Learning from AI Feedback [97.54519989641388]
交渉ゲームにおいて,複数大言語モデル(LLM)が,遊び,振り返り,批判によって自律的に互いに改善できるかどうかを検討する。私たちが考慮している言語モデルのサブセットだけが、AIフィードバックから自己プレイし、取引価格を改善することができます。
論文参考訳（メタデータ） (2023-05-17T11:55:32Z)
Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models [68.85478477006178]
ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
論文参考訳（メタデータ） (2023-03-23T17:43:17Z)
Leveraging Cluster Analysis to Understand Educational Game Player Experiences and Support Design [3.07869141026886]
教育ゲームデザイナが観客のプレイスタイルを理解する能力は、ゲームデザインを改善する上で不可欠なツールである。我々は,データクラスタリングのベストプラクティスを用いて,小さな教育ゲームスタジオ内での使用が可能な,シンプルで再利用可能なプロセスを提案する。
論文参考訳（メタデータ） (2022-10-18T14:51:15Z)
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)
An Appraisal Transition System for Event-driven Emotions in Agent-based Player Experience Testing [9.26240699624761]
イベントベース感情の形式モデルを提案することで,自動プレイヤ体験テスト手法を提案する。このモデルの動作プロトタイプは、戦術エージェントプログラミングライブラリであるAplib上に統合され、インテリジェントなPXテストエージェントを作成する。
論文参考訳（メタデータ） (2021-05-12T11:09:35Z)
Towards Action Model Learning for Player Modeling [1.9659095632676098]
プレイヤーモデリングは、ゲームにおけるプレイヤーの振る舞いを正確に近似する計算モデルを作ろうとする。ほとんどのプレイヤーモデリング技術はドメイン知識に依存しており、ゲーム間で転送できない。本稿では,アクションモデル学習(AML)を用いて,ドメインに依存しない方法でプレーヤモデルを学習する。
論文参考訳（メタデータ） (2021-03-09T19:32:30Z)
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)
An Empirical Study on the Generalization Power of Neural Representations Learned via Visual Guessing Games [79.23847247132345]
本研究は,視覚質問応答(VQA)のような新しいNLP下流タスクにおいて,後から実行を依頼されたとき,人工エージェントが推測ゲームでどの程度の利益を得ることができるかを検討する。提案手法は,1) エージェントがうまく推理ゲームを模倣することを学習する教師あり学習シナリオ,2) エージェントが単独でプレイする新しい方法,すなわち,反復経験学習(SPIEL)によるセルフプレイ(Self-play)を提案する。
論文参考訳（メタデータ） (2021-01-31T10:30:48Z)

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。