論文の概要: Oops, Not Now: PEARL, a RAG-Based Support Agent for Gameplay and What Players Want from AI Help
- arxiv url: http://arxiv.org/abs/2609.13718v1
- Date: Sat, 12 Sep 2026 05:05:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.484511
- Title: Oops, Not Now: PEARL, a RAG-Based Support Agent for Gameplay and What Players Want from AI Help
- Title（参考訳）: ゲームプレイのためのRAGベースのサポートエージェントPEARLと、AIの助けを求めるプレイヤーたち
- Abstract要約: AIを利用したゲームプレイ支援エージェントは、ゲームベースの学習を約束するが、構造化されたゲームデータに生成モデルを基礎付けることは、依然としてオープンな課題である。
本稿では、意味的知識検索と構造的ボード状態マッチングを組み合わせた二重成分検索拡張生成システムPEARLを提案する。
PEARLは2つの入力ストリーム(自然言語クエリとボードトポロジー)で動作し、ゲームプレイの動きの概念的説明とピア生成されたボード状態の両方を証拠として検索する。
- 参考スコア（独自算出の注目度）: 16.68356031030621
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI-powered gameplay support agents hold promise for game-based learning, yet grounding generative models in structured game data remains an open challenge. We present PEARL (Parallel Education Agent for Reflection and Learning), a dual-component Retrieval-Augmented Generation (RAG) system that combines semantic knowledge retrieval with structural board-state matching to deliver contextualized scaffolding in Parallel, a puzzle game for learning parallel programming. PEARL operates on two input streams (natural language queries and board topology), retrieving both conceptual explanations of gameplay moves and peer-generated board states as evidence: capabilities unavailable to a standard Large Language Model (LLM) with game state access alone. In a qualitative evaluation (N=10) comparing PEARL against an existing community-based Open Player Model (OPM) visualization system, participants preferred the visualization system on perceived usefulness and reported higher frustration with PEARL; five of ten minimized or abandoned the AI tool during play. Proactive delivery, generic responses, and trust deficits drove disengagement, while a subset of four participants found PEARL's grounded explanations complementary to visualization in specific contexts where they initiated the interaction. We position PEARL as a deployed design probe whose failure modes inform a concrete design agenda for AI gameplay support, captured as seven open problems for the community.
- Abstract（参考訳）: AIを利用したゲームプレイ支援エージェントは、ゲームベースの学習を約束するが、構造化されたゲームデータに生成モデルを基礎付けることは、依然としてオープンな課題である。
PEARL(Parallel Education Agent for Reflection and Learning)は、並列プログラミング学習用パズルゲームであるParallelにおいて、意味的知識検索と構造的ボード状態マッチングを組み合わせた2成分検索(RAG)システムである。
PEARLは2つの入力ストリーム(自然言語クエリとボードトポロジー)で動作し、ゲームプレイの動きの概念的説明とピア生成されたボード状態の両方を証拠として検索する。
PEARLを既存のコミュニティベースのOpen Player Model(OPM)視覚化システムと比較した質的評価(N=10)では、参加者は、認識された有用性に関する可視化システムを好むとともに、PEARLに対するより高度なフラストレーションを報告した。
4人の参加者のサブセットは、PEARLの根拠となる説明が、相互作用を開始する特定の状況における可視化と相補的なものであることを発見した。
我々はPEARLを、AIゲームプレイ支援のための具体的な設計課題を通知するフェールモードを、コミュニティにとってオープンな7つの問題として捉えた、デプロイされたデザインプローブとして位置付ける。
関連論文リスト
- MINDGAMES: A Live Arena for Evaluating Social and Strategic Reasoning in Multi-Agent LLMs [54.81359054218573]
大規模言語モデル(LLM)のためのマルチゲームアリーナと評価プラットフォームであるMindgamesを紹介する。
Mindgamesは、統合されたインタラクションインターフェース、TrueSkillベースの評価、および4つのゲーム環境にわたる完全な軌跡ログを提供する。
我々は,決定論的オフライントーナメントプロトコルMG-Refとともに,ターンレベルの観察,アクション,報酬を含む29,571個のマルチエージェントゲームを分析した。
論文 参考訳（メタデータ） (2026-05-28T07:33:47Z) - Collaborative Multi-Agent Scripts Generation for Enhancing Imperfect-Information Reasoning in Murder Mystery Games [57.64247186502836]
視覚言語モデル(VLM)は知覚タスクにおいて印象的な能力を示してきたが、マルチプレイヤーゲーム設定下で複雑なマルチホップ推論では劣化している。
本稿では,異なる意図を持つ役割によって提供される部分的手がかりに基づいて,隠れた真実を推論する必要がある,代表的マルチプレイヤータスクであるMurder Mystery Gamesについて検討する。
高品質なロール駆動型マルチプレイヤーゲームスクリプトの評価と合成のための協調型マルチ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） (2026-04-13T17:16:23Z) - GameWorld: Towards Standardized and Verifiable Evaluation of Multimodal Game Agents [76.60994803070436]
GameWorldは、ブラウザ環境におけるマルチモーダル大言語モデル(MLLM)ゲームエージェントの評価のためのベンチマークである。
2つのゲームエージェントインタフェースが研究され、 (i) キーボードとマウスのコントロールを直接出力するコンピュータ利用エージェント、 (ii) セマンティックアクション空間で作用する汎用マルチモーダルエージェントが研究されている。
18組のモデルとインタフェースのペアによる結果は、最高のパフォーマンスエージェントでさえ、ビデオゲームで人間の能力を達成するには程遠いことを示唆している。
論文 参考訳（メタデータ） (2026-04-08T17:49:03Z) - The Empty Quadrant: AI Teammates for Embodied Field Learning [0.0]
Field Atlas(フィールドアトラス)は、AIEDの指導的比喩をインストラクションからインストラクションへとシフトするフレームワークである。
博物館のシナリオを通してこの枠組みを実証し、結果として得られる軌道列は、AI製造に構造的に抵抗するプロセスベースのエビデンスを構成すると論じる。
論文 参考訳（メタデータ） (2026-03-04T13:13:44Z) - Who is a Better Player: LLM against LLM [53.46608216197315]
本稿では,大規模言語モデル (LLM) の総合的な性能を評価するための対戦型ベンチマークフレームワークを提案する。
広範にプレイされている5つのゲームをサポートし,20のLDMを駆使したプレーヤーを対象とする,特別な評価プラットフォームであるQi Townを紹介した。
論文 参考訳（メタデータ） (2025-08-05T06:41:47Z) - Learning to Play Like Humans: A Framework for LLM Adaptation in Interactive Fiction Games [8.06073345741722]
インタラクティブ・フィクションゲーム(Interactive Fiction Game、IFゲーム)は、プレイヤーが自然言語で操作するゲームである。
この研究は認知にインスパイアされたフレームワークを示し、Large Language Models (LLM) を体系的にIFゲームを学び、プレイする。
論文 参考訳（メタデータ） (2025-05-18T14:21:56Z) - Playpen: An Environment for Exploring Learning Through Conversational Interaction [84.0413820245725]
本研究は,対話ゲームが学習のフィードバック信号の源として機能するかどうかを考察する。
本稿では,対話ゲームによるオフラインおよびオンライン学習環境であるPlaypenを紹介する。
SFTによる模倣学習は、目に見えないインスタンスのパフォーマンスを向上させるが、他のスキルに悪影響を及ぼす。
論文 参考訳（メタデータ） (2025-04-11T14:49:33Z) - Playing Non-Embedded Card-Based Games with Reinforcement Learning [18.971623378904503]
本稿では,RTSゲームClash Royaleにおいて,リアルタイムな自律型ゲームプレイを実現するために,非埋め込み型オフライン強化学習トレーニング戦略を提案する。
我々は、最先端のオブジェクト検出と光学的文字認識モデルを用いて特徴を抽出する。
提案手法により,リアルタイム画像取得,認識機能融合,意思決定,モバイルデバイスの制御が可能となり,組込みAI相手を倒すことに成功した。
論文 参考訳（メタデータ） (2025-04-07T07:26:02Z) - Evaluating and Enhancing LLMs Agent based on Theory of Mind in Guandan: A Multi-Player Cooperative Game under Imperfect Information [36.11862095329315]
大規模言語モデル(LLM)は、不完全な情報で単純なゲームを扱うことに成功している。
本研究では,オープンソースのLLMとAPIベースのLLMが獲得した知識を,洗練されたテキストベースのゲームに適用する可能性について検討する。
論文 参考訳（メタデータ） (2024-08-05T15:36:46Z) - 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。
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。