論文の概要: Pre-Release Experimentation in Indie Game Development: An Interview Survey

• arxiv url: http://arxiv.org/abs/2411.17183v1
• Date: Tue, 26 Nov 2024 07:47:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:36:41.646102
• Title: Pre-Release Experimentation in Indie Game Development: An Interview Survey
• Title（参考訳）: インディーゲーム開発におけるプレリース実験 : インタビュー調査
• Authors: Johan Linåker, Elizabeth Bjarnason, Fabian Fagerholm,
• Abstract要約: 継続的実験(CE)にはユーザデータが必要です。 この課題は、限られた資源を持つ独立した(インディー)ゲーム会社にとってさらに悪化している。 本研究は,インディーゲーム開発の初期段階において,限られたユーザデータを用いた実験を行う上での課題と実践について概説した。
• 参考スコア（独自算出の注目度）: 1.7177796698694294
• License:
• Abstract: [Background] The game industry faces fierce competition and games are developed on short deadlines and tight budgets. Continuously testing and experimenting with new ideas and features is essential in validating and guiding development toward market viability and success. Such continuous experimentation (CE) requires user data, which is often limited in early development stages. This challenge is further exacerbated for independent (indie) game companies with limited resources. [Aim] We wanted to gain insights into CE practices in pre-release indie game development. [Method] We performed an exploratory interview survey with 10 indie game developers from different companies and synthesised findings through an iterative coding process. [Results] We present a CE framework for game development that highlights key parts to consider when planning and implementing an experiment and note that pre-release experimentation is centred on qualitative data. Time and resource constraints impose limits on the type and extent of experimentation and playtesting that indie companies can perform, e.g. due to limited access to participants, biases and representativeness of the target audience. [Conclusions] Our results outline challenges and practices for conducting experiments with limited user data in early stages of indie game development, and may be of value also for larger game companies, and for software intensive organisations in other industries.
• Abstract（参考訳）: [背景]ゲーム産業は激しい競争に直面しており、短い期限と厳しい予算でゲームが開発されています。 新しいアイデアや機能を継続的にテストし、実験することは、市場の実現性と成功に向けた開発を検証し、導く上で不可欠です。 このような継続的実験(CE)は、初期の開発段階で制限されることが多いユーザデータを必要とする。 この課題は、限られた資源を持つ独立した(インディー)ゲーム会社にとってさらに悪化している。 [Aim]私たちは,プレリリースインディーゲーム開発におけるCEプラクティスの洞察を得たかった。 [方法]異なる企業のインディーゲーム開発者10名を対象に,探索的なインタビュー調査を行い,反復的なコーディングプロセスによる結果の合成を行った。 結果]実験の計画と実施において考慮すべき重要な部分を強調したゲーム開発のためのCEフレームワークを提案し,定性的データを中心にプレリリース実験を行うことに留意する。 時間と資源の制約は、インディー企業が実施できる実験の種類と範囲に制限を課す。 結論]インディーゲーム開発の初期段階において限られたユーザーデータを用いた実験を行うことの課題と実践を概説するとともに,大手ゲーム企業や他の産業のソフトウェア集約型組織にも価値がある可能性がある。

関連論文リスト

• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
  本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• DISCOVERYWORLD: A Virtual Environment for Developing and Evaluating Automated Scientific Discovery Agents [49.74065769505137]
  本研究では,新しい科学的発見の完全なサイクルを実行するエージェントの能力を開発し,ベンチマークする最初の仮想環境であるDiscoVERYWORLDを紹介する。 8つのトピックにまたがる120の異なる課題タスクが含まれており、3レベルの難易度といくつかのパラメトリックなバリエーションがある。 従来の環境においてよく機能する強力なベースラインエージェントが、ほとんどのdiscoVERYWORLDタスクに苦労していることがわかった。
  論文  参考訳（メタデータ） (2024-06-10T20:08:44Z)
• Difficulty Modelling in Mobile Puzzle Games: An Empirical Study on Different Methods to Combine Player Analytics and Simulated Data [0.0]
  一般的なプラクティスは、プレイヤーとコンテンツとのインタラクションによって収集されたデータからメトリクスを作成することです。 これにより、コンテンツがリリースされた後にのみ見積が可能であり、将来のプレイヤーの特徴を考慮しない。 本稿では,そのような条件下での難易度推定の潜在的な解を多数提示する。
  論文  参考訳（メタデータ） (2024-01-30T20:51:42Z)
• Experimentation in Early-Stage Video Game Startups: Practices and Challenges [2.961909021941052]
  ビデオゲームのスタートアップは、彼らが競争相手と区別する"Wow"クオリティを必要とします。 本誌は、ビデオゲームのスタートアップの協同ファウンダ4名にインタビューした。 調査では、ビデオゲームスタートアップが実験を行う6つのプラクティス、またはシナリオを特定した。
  論文  参考訳（メタデータ） (2023-11-22T15:27:10Z)
• BDD-Based Framework with RL Integration: An approach for videogames automated testing [0.0]
  ビデオゲームのテストは、従来のソフトウェア開発のプラクティスとは異なる。 振る舞い駆動開発(BDD)と強化学習(RL)の統合を提案する。
  論文  参考訳（メタデータ） (2023-10-08T20:05:29Z)
• 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)
• 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)
• 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)
• OpenHoldem: An Open Toolkit for Large-Scale Imperfect-Information Game Research [82.09426894653237]
  OpenHoldemは、NLTHを用いた大規模不完全情報ゲーム研究のための統合ツールキットです。 1)異なるNLTH AIを徹底的に評価するための標準化された評価プロトコル、2)NLTH AIのための3つの公的に利用可能な強力なベースライン、3)公開NLTH AI評価のための使いやすいAPIを備えたオンラインテストプラットフォーム。
  論文  参考訳（メタデータ） (2020-12-11T07:24:08Z)
• "It's Unwieldy and It Takes a Lot of Time." Challenges and Opportunities for Creating Agents in Commercial Games [20.63320049616144]
  対戦相手、ノンプレイヤーキャラクター、チームメイトなどのゲームエージェントは、現代の多くのゲームにおいてプレイヤーの経験の中心となっている。 ゲーム産業で使用されるAI技術の展望がより広く機械学習(ML)を採用するように進化するにつれて、研究コミュニティは数十年にわたって業界内で栽培されているベストプラクティスからエージェントを作成することを学ぶことが不可欠である。 AAAスタジオ、インディースタジオ、産業研究所の17人のゲームエージェントクリエーターに、彼らがプロフェッショナル文学で経験した課題についてインタビューした。
  論文  参考訳（メタデータ） (2020-09-01T16:21:19Z)
• Dynamic Causal Effects Evaluation in A/B Testing with a Reinforcement Learning Framework [68.96770035057716]
  A/Bテスト(A/B Testing)は、新しい製品を製薬、技術、伝統産業の古い製品と比較するビジネス戦略である。 本稿では,オンライン実験においてA/Bテストを実施するための強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-05T10:25:02Z)

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。