論文の概要: PREFER: From Player Experience to Personalized Game Refinement

• arxiv url: http://arxiv.org/abs/2610.19213v1
• Date: Tue, 13 Oct 2026 21:26:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.814408
• Title: PREFER: From Player Experience to Personalized Game Refinement
• Title（参考訳）: Prefer: プレイヤーエクスペリエンスからパーソナライズされたゲームリファインメントへ
• Abstract要約: モデルによるゲームプレイの評価方法のベンチマークを行うために,経験次元の共有セットを使用するフレームワークであるPreferを紹介する。 PreFERは、最も評価の高いベースラインよりも平均的なプレイ後選好格付けが9.2%高い。
• 参考スコア（独自算出の注目度）: 10.77960975742923
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding how large language models (LLMs) evaluate gameplay experience is important for using their feedback to guide game design. However, overall ratings alone provide limited insight into which aspects of experience are associated with these judgments and how they can inform concrete game changes. We introduce PREFER, a framework that uses a shared set of experience dimensions adapted from established psychometric questionnaires to benchmark how models evaluate gameplay and to guide persona-specific game refinement. Through these dimensions, we characterize the perspectives models offer as virtual playtesters by examining how their overall assessments relate to specific aspects of experience and to the gameplay they produce. To examine how the same dimensions can guide refinement for players with different preferences, we use personas to simulate distinct player profiles. For each persona, PREFER uses experience-preference relationships to select refinement objectives, revises game rules and their implementations, and playtests candidate games to assess experience changes and predicted preference gains. Experiments with five personas show that PREFER achieves 9.2% higher mean post-play preference ratings than the strongest evaluated baseline.
• Abstract（参考訳）: 大きな言語モデル(LLM)がゲームプレイ体験をどのように評価するかを理解することは、ゲームデザインをガイドするために彼らのフィードバックを利用する上で重要である。 しかし、総合評価だけでは、経験のどの側面がこれらの判断と関連しているか、具体的なゲーム変更をどう知らせるかについての限られた洞察を与えている。 このフレームワークは、確立された心理測定アンケートから適応した共有体験次元を用いて、モデルがどのようにゲームプレイを評価し、ペルソナ固有のゲームリファインメントを導出するかをベンチマークする。 これらの次元を通じて、モデルが仮想的なプレイテスターとして提供する視点を特徴付け、それらの全体的な評価が体験の特定の側面と、それらが生み出すゲームプレイにどのように関係するかを調べる。 異なる好みを持つプレイヤーに対して、同じ次元がいかに洗練を導くかを検討するために、我々は、異なるプレイヤープロファイルをシミュレートするためにペルソナを使用する。 各ペルソナに対して、Preferは経験-選好関係を使用し、改善目標を選択し、ゲームルールとその実装を改訂し、プレイテスト候補ゲームを使用して経験の変化を評価し、好みの利得を予測する。 5人のペルソナによる実験では、Preferは最も評価の高いベースラインよりも平均的なプレイ後選好格付けが9.2%高いことが示されている。

関連論文リスト

• UXBench Pro: Benchmarking Personalized User Experience in Multi-Turn Dialogue Interactions [23.02329225423802]
  12のタスクシナリオと82のドメインにわたる実際のユーザインタラクションから導出される1000のテストインスタンスからなるUXBench Proを提案する。 よりリッチな評価インサイトを提供するために,第3者判定のためのパーソナライズされたユーザリワードモデル(URM)と,マルチターンインタラクションが可能なユーザシミュレータであるSim4Evalを併用し,4つの認知状態次元にまたがるファーストパーソナライズ評価を行う,二重パースペクティブパラダイムを導入する。
  論文  参考訳（メタデータ） (2026-10-08T10:15:55Z)
• Preference-Aware Rubric Learning for Personalized Evaluation [59.539429430690156]
  既存の評価手法では、長期的なインタラクション履歴に埋め込まれたユーザ固有の嗜好をキャプチャできない。 静的判断よりも学習問題としてパーソナライズされた評価を定式化するパラダイムであるパーソナライズド・アズ・ラーニングを提案する。 実験により、PARLはユーザ対応の応答を確実に識別し、ユーザ間で一般化する高忠実なルーブリックを一貫して誘導することが示された。
  論文  参考訳（メタデータ） (2026-05-29T17:00:55Z)
• Towards Realistic Personalization: Evaluating Long-Horizon Preference Following in Personalized User-LLM Interactions [50.70965714314064]
  大規模言語モデル(LLM)は、ユーザが拡張されたインタラクションよりも複雑で多様な好みを共有するパーソナルアシスタントとして、ますます機能している。 この研究は、パーソナライズされたユーザ-LLMインタラクションにおいて、リアルな嗜好フォローを評価するためのベンチマークであるRealPrefを提案する。
  論文  参考訳（メタデータ） (2026-03-04T15:42:43Z)
• PreferThinker: Reasoning-based Personalized Image Preference Assessment [83.66114370585976]
  推論に基づくパーソナライズされた画像嗜好評価フレームワークを提案する。 まず、ユーザーの好みプロファイルを参照画像から予測する。 次に、解釈可能で多次元のスコアと候補画像の評価を提供する。
  論文  参考訳（メタデータ） (2025-11-01T16:19:51Z)
• LOTUS: A Leaderboard for Detailed Image Captioning from Quality to Societal Bias and User Preferences [91.13704541413551]
  LOTUSは詳細なキャプションを評価するためのリーダーボードである。 キャプションの品質など、様々な側面を包括的に評価する。 多様なユーザの嗜好に基準を合わせることで、嗜好指向の評価を可能にする。
  論文  参考訳（メタデータ） (2025-07-25T15:12:42Z)
• Modeling Player Personality Factors from In-Game Behavior and Affective Expression [17.01727448431269]
  我々は,記録されたゲーム内行動から,一連のプレイヤパーソナリティアンケート値を予測する可能性を探る。 ロールプレイングゲーム『Fallout: New Vegas』のカスタマイズ版を60分間のゲームプレイで62人を対象に,定評ある7つの質問紙から,さまざまなパーソナリティ指標を予測した。
  論文  参考訳（メタデータ） (2023-08-27T22:59:08Z)
• GameEval: Evaluating LLMs on Conversational Games [93.40433639746331]
  大規模言語モデル(LLM)を評価する新しいアプローチであるGameEvalを提案する。 GameEvalはLSMをゲームプレイヤーとして扱い、様々な形式の会話を起動することで達成した特定の目標にそれぞれ異なる役割を割り当てる。 我々は,GameEvalが様々なLLMの能力を効果的に差別化することができ,複雑な問題を解決するための統合能力を総合的に評価できることを示した。
  論文  参考訳（メタデータ） (2023-08-19T14:33:40Z)
• Leveraging Cluster Analysis to Understand Educational Game Player Experiences and Support Design [3.07869141026886]
  教育ゲームデザイナが観客のプレイスタイルを理解する能力は、ゲームデザインを改善する上で不可欠なツールである。 我々は,データクラスタリングのベストプラクティスを用いて,小さな教育ゲームスタジオ内での使用が可能な,シンプルで再利用可能なプロセスを提案する。
  論文  参考訳（メタデータ） (2022-10-18T14:51:15Z)
• Personalized Game Difficulty Prediction Using Factorization Machines [0.9558392439655011]
  コンテンツレコメンデーションからの手法を借りて,ゲームレベルのパーソナライズした難易度推定に寄与する。 我々は、プレイヤーが将来のゲームレベルを通過させるのに必要な試行回数と、他のプレイヤーがプレイする以前のレベルの試行回数に基づいて、難易度を予測することができる。 この結果から,FMはゲームデザイナーがプレイヤー体験を最適化し,プレイヤーとゲームについてより深く学ぶことができる,有望なツールであることが示唆された。
  論文  参考訳（メタデータ） (2022-09-06T08:03:46Z)
• Individualized Context-Aware Tensor Factorization for Online Games Predictions [6.602875221541352]
  ユーザパフォーマンスとゲーム結果を予測するために,Neural Individualized Context-aware Embeddings(NICE)モデルを提案する。 提案手法は,ユーザとコンテキストの潜在表現を学習することで,異なるコンテキストにおける個人行動の違いを識別する。 我々は,MOBAゲームLeague of Legendsのデータセットを用いて,勝利の予測,個々のユーザパフォーマンス,ユーザエンゲージメントを大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-02-22T20:46:02Z)

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。