論文の概要: A Qualitative Model for Reasoning about Path and Support

• arxiv url: http://arxiv.org/abs/2609.20349v1
• Date: Thu, 17 Sep 2026 13:13:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.286676
• Title: A Qualitative Model for Reasoning about Path and Support
• Title（参考訳）: 経路と支援に関する質的推論モデル
• Abstract要約: 本稿ではブロックノズルゲームであるCamelot Jr.向けに設計されたハイブリッド定性モデルを提案する。 この領域で要求される正確な物理を扱うために、我々は数式中心の安定性論理を統合する。 本研究は,カメロトJrにおける空間スキルトレーニングの促進と,人間中心で説明可能なゲームプレイングエージェントの開発に寄与する。
• 参考スコア（独自算出の注目度）: 0.32944203974612035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial reasoning abilities correlate strongly with performance in STEM fields. Games offer a compelling medium for training these critical skills in developing children who have a natural proclivity for play. However, to facilitate human-like tutoring and player guidance, these games require an AI agent capable of making commonsense inferences from spatial events. Qualitative reasoning (QR) models appear to be a suitable framework for these application domains. As these models reason in symbolic representations, they can seamlessly translate game states into interpretable feedback for human-like player guidance. This paper introduces a hybrid qualitative model designed for Camelot Jr., a block-puzzle game that requires constructing multi-level bridges to connect two avatars stationed on separate towers. The game poses a challenge for the player, who must make platforms stable, plan their path, and ensure they use all the provided blocks. To handle the precise physics required by the domain, we integrate a mathematical center-of-mass stability logic to guide our qualitative solver. Our work facilitates spatial skill training in Camelot Jr. and contributes to the development of human-centric, explainable game-playing agents.
• Abstract（参考訳）: 空間推論能力は、STEM分野のパフォーマンスと強く相関する。 ゲームは、遊びの自然な傾向を持つ発達途上国の子供たちに、これらの重要なスキルを訓練するための魅力的な媒体を提供する。 しかし、人間のような家庭教師やプレイヤーの指導を促進するために、これらのゲームは空間的な出来事から常識推論を行うことができるAIエージェントを必要とする。 定性推論(QR)モデルは、これらのアプリケーションドメインに適したフレームワークであるように見える。 これらのモデルが象徴的表現の理由となるため、ゲーム状態が人間のようなプレイヤー指導のための解釈可能なフィードバックにシームレスに変換される。 本稿では,異なるタワーに設置した2つのアバターを接続するために,多層橋の建設を必要とするブロックノズルゲームであるCamelot Jr.のために設計されたハイブリッド定性的モデルを提案する。 プレイヤーはプラットフォームを安定させ、パスを計画し、提供されたブロックをすべて確実に使用しなければならない。 この領域で必要とされる正確な物理を扱うために、定性的解法を導く数学的中心安定論理を統合する。 本研究は,カメロトJrにおける空間スキルトレーニングの促進と,人間中心で説明可能なゲームプレイングエージェントの開発に寄与する。

関連論文リスト

• AI for Games in the Foundation Model Era [36.41163570360799]
  ファンデーションモデルは、学習されたゲームワールドモデルの進歩とともに、ゲームライフサイクル全体にわたってAIを再構築している。 AI出力の即時使用に応じて、文献を6つの役割に分類する。 各ロールについて、ゲームやワークフローによって提供される構造、AIが学習または生成する構造、機能とアーティファクトが設定や役割間で伝達される機能、そしてクレームをサポートするエビデンスについて調べる。
  論文  参考訳（メタデータ） (2026-09-15T06:00:47Z)
• Investigating Knowledge Transfer Across Interactive Dialogue Games [73.44278078966448]
  異なる対話ゲーム間での知識伝達について検討する。 Clembench スイートのゲーム上で LLM モデルを微調整することにより、転送可能性について検討する。 いくつかのゲームは微調整よりも転送の恩恵を受けており、ビジュオパティアル・ファミリー(例えば探索ゲーム)は転送が最善である。
  論文  参考訳（メタデータ） (2026-08-25T01:47:31Z)
• 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)
• Personalizing Mathematical Game-based Learning for Children: A Preliminary Study [3.9039335134518254]
  ゲームベースラーニング(GBL)は数学教育において広く採用されている。 本稿では、AI技術を用いてプレイヤー生成レベルの分類器を構築する適応学習理論によって導かれるフレームワークを提案する。 数学ゲームベースの学習アプリCreative Modeでは、専門家と上級プレイヤーの両方が作成した206の異なるゲームレベルを収集しています。
  論文  参考訳（メタデータ） (2026-03-26T21:31:10Z)
• AMONGAGENTS: Evaluating Large Language Models in the Interactive Text-Based Social Deduction Game [12.384945632524424]
  本稿では,シミュレーション環境における人間行動のプロキシの作成に焦点をあてる。 我々の研究は、最先端の大規模言語モデル(LLM)がゲームルールを効果的に把握し、現在の状況に基づいて意思決定できることを示した。
  論文  参考訳（メタデータ） (2024-07-23T14:34:38Z)
• A Dialogue Game for Eliciting Balanced Collaboration [64.61707514432533]
  本稿では、プレイヤーがゴール状態自体を交渉しなければならない2Dオブジェクト配置ゲームを提案する。 我々は,人間プレイヤーが様々な役割を担っていることを実証的に示し,バランスの取れた協調によってタスクのパフォーマンスが向上することを示した。
  論文  参考訳（メタデータ） (2024-06-12T13:35:10Z)
• A Survey on Large Language Model-Based Game Agents [35.34074811680046]
  ゲームエージェントは、人工知能に関連する能力を探索するための貴重なテストベッドを提供する。 近年、LLM(Large Language Models)の出現は、これらのエージェントに一般化可能な推論を与える新たな機会を提供する。 この調査は、統一された参照アーキテクチャを通して、LLMベースのゲームエージェントの最新のレビューを提供する。
  論文  参考訳（メタデータ） (2024-04-02T15:34:18Z)
• Neural Population Learning beyond Symmetric Zero-sum Games [52.20454809055356]
  我々はNuPL-JPSROという,スキルの伝達学習の恩恵を受けるニューラル集団学習アルゴリズムを導入し,ゲームの粗相関(CCE)に収束する。 本研究は, 均衡収束型集団学習を大規模かつ汎用的に実施可能であることを示す。
  論文  参考訳（メタデータ） (2024-01-10T12:56:24Z)
• Automated Play-Testing Through RL Based Human-Like Play-Styles Generation [0.0]
  強化学習は、ビデオゲームのテストを自動化する必要性に対する有望な答えである。 CARMI: aを提示します。 入力として相対測度を持つエージェント。 以前は目に見えないレベルであっても、プレイヤーのプレースタイルをエミュレートできるエージェント。
  論文  参考訳（メタデータ） (2022-11-29T14:17:20Z)
• Deep Policy Networks for NPC Behaviors that Adapt to Changing Design Parameters in Roguelike Games [137.86426963572214]
  例えばRoguelikesのようなターンベースの戦略ゲームは、Deep Reinforcement Learning(DRL)にユニークな課題を提示する。 複雑なカテゴリ状態空間をより適切に処理し、設計決定によって強制的に再訓練する必要性を緩和する2つのネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-12-07T08:47:25Z)

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。