論文の概要: Application of predictive machine learning in pen & paper RPG game design

• arxiv url: http://arxiv.org/abs/2511.00084v1
• Date: Wed, 29 Oct 2025 20:43:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.571746
• Title: Application of predictive machine learning in pen & paper RPG game design
• Title（参考訳）: ペンと紙のRPGゲームデザインにおける予測機械学習の適用
• Authors: Jolanta Śliwa,
• Abstract要約: 近年、ペンと紙のRPG市場は著しい成長を遂げている。 パブリッシャーが直面する重要な課題の1つは、新しい相手をデザインし、彼らの挑戦レベルを見積もることである。 本論文では,本課題に対する最先端手法の概要と評価について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, the pen and paper RPG market has experienced significant growth. As a result, companies are increasingly exploring the integration of AI technologies to enhance player experience and gain a competitive edge. One of the key challenges faced by publishers is designing new opponents and estimating their challenge level. Currently, there are no automated methods for determining a monster's level; the only approaches used are based on manual testing and expert evaluation. Although these manual methods can provide reasonably accurate estimates, they are time-consuming and resource-intensive. Level prediction can be approached using ordinal regression techniques. This thesis presents an overview and evaluation of state-of-the-art methods for this task. It also details the construction of a dedicated dataset for level estimation. Furthermore, a human-inspired model was developed to serve as a benchmark, allowing comparison between machine learning algorithms and the approach typically employed by pen and paper RPG publishers. In addition, a specialized evaluation procedure, grounded in domain knowledge, was designed to assess model performance and facilitate meaningful comparisons.
• Abstract（参考訳）: 近年、ペンと紙のRPG市場は著しい成長を遂げている。 その結果、企業はプレイヤーの体験を高め競争力を高めるためにAIテクノロジーの統合を模索している。 パブリッシャーが直面する重要な課題の1つは、新しい相手をデザインし、彼らの挑戦レベルを見積もることである。 現在、モンスターのレベルを決定する自動化手法は存在せず、使用する唯一のアプローチは手動テストと専門家による評価に基づいている。 これらの手動の手法は、合理的に正確な見積もりを提供することができるが、時間とリソースを消費する。 レベル予測は順序回帰手法を用いてアプローチすることができる。 本論文では,本課題に対する最先端手法の概要と評価について述べる。 また、レベル推定専用のデータセットの構築についても詳述している。 さらに、人間にインスパイアされたモデルがベンチマークとして機能するように開発され、機械学習アルゴリズムと、通常ペンと紙のRPGパブリッシャが採用するアプローチの比較を可能にした。 さらに、ドメイン知識を基盤とした特殊評価手法は、モデルの性能を評価し、有意義な比較を促進するように設計された。

関連論文リスト

• Efficient Story Point Estimation With Comparative Learning [4.2396247450279185]
  ストーリーポイントの推定はアジャイルソフトウェア開発の重要な部分です。 伝統的に、開発者はプランニングポーカーや他の手動技術を使ってストーリーポイントを共同で見積もる。 機械学習は、この負担を軽減できますが、プロジェクトチームによる歴史的決定から十分なコンテキストでしかありません。
  論文  参考訳（メタデータ） (2025-07-19T14:36:19Z)
• AutoRev: Multi-Modal Graph Retrieval for Automated Peer-Review Generation [5.72767946092813]
  AutoRevは自動ピアレビューシステムで、レビュアーと著者の両方に実用的な高品質のフィードバックを提供するように設計されている。 ドキュメントをグラフとしてモデル化することで、AutoRevは、最も関連する情報を効果的に取得する。 AutoRevはピアレビューワークフローを合理化し、課題を緩和し、スケーラブルで高品質な学術出版を可能にする強力なツールだと考えています。
  論文  参考訳（メタデータ） (2025-05-20T13:59:58Z)
• General Scales Unlock AI Evaluation with Explanatory and Predictive Power [57.7995945974989]
  ベンチマークはAIの進歩を導くものだが、汎用AIシステムには限られた説明力と予測力を提供している。 私たちは、一般的なAIベンチマークが実際に何を計測しているかを説明することができる、AI評価のための一般的な尺度を紹介します。 私たちの完全に自動化された方法論は、飽和しない一般的なスケールにインスタンス要求を配置する18の新しく作られたルーリックの上に構築されます。
  論文  参考訳（メタデータ） (2025-03-09T01:13:56Z)
• Modelling Assessment Rubrics through Bayesian Networks: a Pragmatic Approach [40.06500618820166]
  本稿では,学習者モデルを直接評価ルーリックから導出する手法を提案する。 本稿では,コンピュータ思考のスキルをテストするために開発された活動の人的評価を自動化するために,この手法を適用する方法について述べる。
  論文  参考訳（メタデータ） (2022-09-07T10:09:12Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)
• B-HAR: an open-source baseline framework for in depth study of human activity recognition datasets and workflows [1.7639472693362923]
  本稿では,ベースラインフレームワークの定義,標準化,開発のためのオープンソースフレームワークであるB-HARを提案する。 データ準備のための最も一般的なデータ処理方法と、最も一般的な機械学習およびディープラーニングパターン認識モデルを実装している。
  論文  参考訳（メタデータ） (2021-01-23T12:42:41Z)
• DAGA: Data Augmentation with a Generation Approach for Low-resource Tagging Tasks [88.62288327934499]
  線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。 本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
  論文  参考訳（メタデータ） (2020-11-03T07:49:15Z)
• Evaluation Toolkit For Robustness Testing Of Automatic Essay Scoring Systems [64.4896118325552]
  モデル逆算評価スキームと関連するメトリクスを用いて、現状のAESモデルを評価する。 AESモデルは非常に過大評価されていることがわかった。質問の話題に関係のない内容の重い修正(25%まで)でさえ、モデルが生み出すスコアを低下させることはない。
  論文  参考訳（メタデータ） (2020-07-14T03:49:43Z)

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。