論文の概要: Understanding Game Coaching on Gig Platforms

• arxiv url: http://arxiv.org/abs/2609.12695v1
• Date: Fri, 11 Sep 2026 10:39:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.720299
• Title: Understanding Game Coaching on Gig Platforms
• Title（参考訳）: ギグプラットフォームでゲームコーチングを理解する
• Abstract要約: ファイブロールで17試合に出場した20人のフリーランスコーチと半構造化インタビューを行った。 これは、コーチがギグプラットフォームの不安定性と、ライブサービスのゲームのライフサイクル変動の両方をナビゲートするものです。 これらのコーチはAIを管理的および分析的支援として歓迎したが、信頼、関係的関与、位置的判断が中央にあるライブインタラクションでの使用に抵抗した。
• 参考スコア（独自算出の注目度）: 5.058358365779999
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Freelance game coaches monetize their gaming expertise by offering personalized instruction to players seeking to improve, working through gig platforms, yet little is known about how they operate. To address this gap, we conducted semi-structured interviews with 20 experienced freelance coaches across 17 competitive games on Fiverr. Despite lacking shared formal training, these coaches converged on similar practices centered on rapport-building, individualized diagnosis, and adaptive feedback. We identify two structural conditions shaping this work: dual precarity, in which coaches navigate both gig platform instability and the lifecycle volatility of live-service games; and earned authority, in which coaches must continually establish legitimacy through visible competitive achievement within the same gaming spaces as their students. These coaches welcomed AI for administrative and analytic support but resisted its use in live interactions where trust, relational engagement, and situated judgment remained central. We discuss implications for Games HCI and the design of computational coaching systems.
• Abstract（参考訳）: フリーランスゲームコーチは、ギグプラットフォームを介してプレイするプレイヤーにパーソナライズされたインストラクションを提供することで、ゲームの専門知識を収益化している。 このギャップに対処するため,Fiverrで17試合に出場した20名のフリーランスコーチを対象に,半構造化インタビューを行った。 正式なトレーニングが共有されていないにもかかわらず、これらのコーチはラプポートの構築、個別化診断、適応的なフィードバックを中心とした同様のプラクティスに集約された。 我々は,この作業を構成する2つの構造的条件を同定する。2つの前提条件 – ギグプラットフォーム不安定性とライブサービスのライフサイクル変動の両方をコーチがナビゲートする2つの前提条件 – と,学生と同じゲーム空間内での可視的な競争的達成を通じて,コーチが継続的に正当性を確立するための権限を得る。 これらのコーチはAIを管理的および分析的支援として歓迎したが、信頼、関係的関与、位置的判断が中央にあるライブインタラクションでの使用に抵抗した。 本稿では,ゲームHCIと計算コーチングシステムの設計について論じる。

関連論文リスト

• AI Coaching for Accelerating Human Skill Development with Reinforcement Learning [13.06179791485747]
  AIのコパイロは、共有制御によって人間のパフォーマンスを大幅に向上させるが、過剰な補助は過度な信頼性とスキルの萎縮を引き起こす。 本稿では,人間の運動能力開発を加速するコーチとして,具体的AIエージェントが果たす役割について考察する。
  論文  参考訳（メタデータ） (2026-06-24T03:05:22Z)
• Dual-Agent Co-Training for Health Coaching via Implicit Adversarial Preference Optimization [13.546847868345369]
  モチベーション・インタービューリングに基づく健康コーチングは、メンタルヘルスを改善し、健康的な行動変化を促進する効果的なアプローチである。 訓練された人間のコーチの不足と、高いコストのコーチングサービスの不足は、そのようなサポートを多くの人々が利用できないものにします。 本稿では,ヘルスコーチエージェントとクライアントシミュレータの両方を対話的に学習するデュアルエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T22:49:41Z)
• CPMobius: Iterative Coach-Player Reasoning for Data-Free Reinforcement Learning [55.425576693143285]
  CPMbius(CPMobius)は推論モデルのデータフリー強化学習のためのCoach-Playerパラダイムである。 従来の対戦型自己プレーとは異なり、CPMbiusはコーチとプレーヤを独立しているが協力的な役割として扱う。 CPMbiusは、外部のトレーニングデータに頼ることなく、大幅に改善され、既存の教師なしアプローチよりも優れています。
  論文  参考訳（メタデータ） (2026-02-03T01:38:53Z)
• CoachMe: Decoding Sport Elements with a Reference-Based Coaching Instruction Generation Model [14.887934352089742]
  CoachMeは、学習者の動作と時間的および物理的側面における参照の違いを分析するリファレンスベースモデルである。 一般的な動きから学習し,限られたデータを活用することで,CoachMeがスケートやボクシングなどの特定のスポーツにどのように適応するかを示す。
  論文  参考訳（メタデータ） (2025-09-15T09:01:39Z)
• All by Myself: Learning Individualized Competitive Behaviour with a Contrastive Reinforcement Learning optimization [57.615269148301515]
  競争ゲームのシナリオでは、エージェントのセットは、彼らの目標を最大化し、敵の目標を同時に最小化する決定を学習する必要があります。 本稿では,競争ゲームの表現を学習し,特定の相手の戦略をどうマップするか,それらを破壊するかを学習する3つのニューラルネットワーク層からなる新しいモデルを提案する。 我々の実験は、オフライン、オンライン、競争特化モデル、特に同じ対戦相手と複数回対戦した場合に、我々のモデルがより良いパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2023-10-02T08:11:07Z)
• Understanding why shooters shoot -- An AI-powered engine for basketball performance profiling [70.54015529131325]
  バスケットボールは、プレイスタイルやゲームダイナミクスなど、多くの変数によって規定されている。 パフォーマンスプロファイルが様々なプレイスタイルを反映できることは重要です。 プレイヤのパフォーマンスプロファイルをタイムリーに可視化するツールを提案する。
  論文  参考訳（メタデータ） (2023-03-17T01:13:18Z)
• End-to-End Urban Driving by Imitating a Reinforcement Learning Coach [148.2683592850329]
  人間は良いドライバーだが、エンドツーエンドのアルゴリズムにとって良いコーチではない。 我々は、鳥の目視画像を連続的な低レベル行動にマッピングする強化学習専門家を訓練する。 我々の強化学習コーチによって監督され、単眼カメラ入力のベースラインエンドツーエンドエージェントは、専門家レベルのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-08-18T17:36:51Z)
• Coach2vec: autoencoding the playing style of soccer coaches [0.06091702876917279]
  Coach2vecは、マッチイベントストリームと人工知能を使用して、プロフェッショナルコーチのプレースタイルをキャプチャするワークフローである。 各試合からボールの所有物を抽出し、その類似性に基づいてそれらをクラスタ化し、コーチの典型的なボール所有を再構築する。 イタリア・ファーストディビジョンの最後の4シーズンを説明したサッカー・ログの実験では、著名なコーチ間の興味深い類似点が明らかになった。
  論文  参考訳（メタデータ） (2021-06-29T14:32:38Z)
• Coach-Player Multi-Agent Reinforcement Learning for Dynamic Team Composition [88.26752130107259]
  現実世界のマルチエージェントシステムでは、異なる能力を持つエージェントがチーム全体の目標を変更することなく参加または離脱する可能性がある。 この問題に取り組むコーチ・プレイヤー・フレームワーク「COPA」を提案します。 1)コーチと選手の両方の注意メカニズムを採用し、2)学習を正規化するための変動目標を提案し、3)コーチが選手とのコミュニケーションのタイミングを決定するための適応的なコミュニケーション方法を設計する。
  論文  参考訳（メタデータ） (2021-05-18T17:27:37Z)
• Evaluating and Rewarding Teamwork Using Cooperative Game Abstractions [103.3630903577951]
  我々は、協調ゲーム理論を用いて、プロスポーツから、人工RLエージェントのチームと現実世界のチームを研究する。 データからCFを推定するための協調ゲーム抽象化(CGA)と呼ばれるパラメトリックモデルを導入する。 CGAモデルに対する識別結果とサンプル境界の複雑さと、CGAを用いたShapley値の推定における誤差境界を提供する。
  論文  参考訳（メタデータ） (2020-06-16T22:03:36Z)

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。