Jan, 2019

你的游戏表现说明一切：在汤姆・克兰西的全境封锁中建模动机

PDF
TL;DR收集了大量玩家的 Tom Clancy's The Division 的游戏数据和 Ubisoft 感知体验问卷调查，并使用基于支持向量机的偏好学习方法来推断游戏特征和玩家动机之间的映射关系，发现游戏特征是预测玩家动机的强有力因素。
发现论文，激发创造
  • 从游戏行为和情感表达建模玩家人格因素

    通过分析游戏行为和个性问卷，我们探索了从记录的游戏行为中预测玩家的个人特质问卷指标的可能性，并尝试通过添加情感对话决策来提高模型的准确性。我们使用随机森林回归方法，在定制化的角色扮演游戏《辐射：新维加斯》的 60 分钟游戏时间内，从 62 位玩家的数据中预测了七个已建立的个性问卷的多种指标。尽管一些个性变量可以从合理的游戏行为和情感表达中识别出来，但我们未能找到预测其他变量的方法，也遇到了一些不能通过理论背景文献来解释的可疑相关性。然而，基于这个探索性研究的初步机会，我们计划大规模扩展我们的数据集，研究更复杂的机器学习方法在真实工业游戏环境中的表现。

    Aug, 2023

  • 测量和建模身体内在动机

    本文研究物理场景下人类行为的特征及其功能形式，通过实验数据模拟并最终发现最佳预测模型为基于物理预测损失的敌对奖励模型，同时简单场景特征模型并不能跨越不同场景泛化其对人类响应的预测。人类会被驱使进入会带来大量信息与活动的情境中。

    May, 2023

  • 竞技在线射击游戏中的行为玩家评级

    研究比较了行为分级系统和三种主流分级系统对玩家实际表现的预测能力，并证明了使用行为分级系统进行配对可以实现更好的游戏体验。

    Jul, 2022

  • 生成多样化行为参与的游戏关卡

    探讨了如何使用具有不同个性的代理来生成具有个性化的等级， 通过 Super Mario Bros 的实验研究，发现使用相同的评估指标，但不同个性的代理可以生成特定个性的等级。

    Jul, 2022

  • 移动拼图游戏中的困难建模：基于玩家分析和模拟数据的不同方法的实证研究

    游戏开发中，难度是玩家参与度的关键因素之一，本文通过模拟数据和队伍统计数据训练的人工神经网络是最准确的难度评估方法。

    Jan, 2024

  • 在线多人游戏的玩家行为和最佳团队构成

    该研究考虑通过聚类玩家行为和学习最佳团队组合来预测多人在线游戏中的胜负结果，使用无监督学习找到行为聚类，并使用分类算法学习预测器，结果可以用来预测相当高的准确率。

    Mar, 2015

  • 合作博弈理论在分类中的影响

    采用公理化方法得出影响度量函数，可以分析某个分类器在确定分类结果时各个特征的影响力。通过该函数，分析用户画像对谷歌在线广告投放的影响。

    Apr, 2015

  • 软件开发中的动机大规模调查及其有效性分析

    通过调查问卷和预测分析，本研究确定了 11 个激励因素，并分析了它们对开发者动机的相对影响以及答案的有效性问题。尽管存在一些有效性问题，但对多样化激励因素对高动机概率的影响进行的预测分析提供了有价值的见解。

    Apr, 2024

  • 多人在线竞技场中的玩家技能分解

    通过使用不同的技能预测模型，该研究分解了 MOBA 游戏玩家技能并将其影响以统计术语评估，发现在 LOL 中，游戏人物的基本技能、玩家的基本技能和玩家特定的技能是影响赛果的三个主要技能组成部分，而 DOTA2 的赛果主要受游戏角色的基本技能影响，而不会很受其他两种技能影响。

    Feb, 2017

  • player2vec：基于语言模型的游戏玩家行为理解方法

    通过将自然语言处理领域的长程 Transformer 模型应用到玩家行为数据中，我们提出了一种克服游戏领域中历史行为日志学习潜在用户表示的方法，在缺乏标记数据的情况下，通过将游戏中的事件与句子中的单词类比，从而实现以自我监督方式学习玩家表示，并通过评估内在语言建模指标证明了所提方法的效果，并定性分析了学习嵌入空间的新结构，并展示其在生成行为模式见解上的价值。

    Apr, 2024