研究了个体差异在团队合作的虚拟现实游戏中表达感情倾向方面的影响，通过多重线性回归确定了个性变量和表达情感之间的合理相关性，为情感计算和游戏用户研究提供了有价值的信息。

Sep, 2023

该研究探讨了大型语言模型（LLMs）利用心理测量值，特别是人格信息，在视频游戏角色开发中的潜力。利用情感计算（AC）系统量化非玩家角色（NPC）的心智，LLM 可以利用该系统的信息通过使用这些数值来生成提示。研究表明 LLM 可以持续地代表给定的人格轮廓，从而增强游戏角色的人类特征。通过重新设计人类检查方法，例如国际人格项目库（IPIP）问卷，来评估 LLM，显示模型可以准确生成与所提供人格有关的内容。结果显示，改进的 LLM，如最新的 GPT-4 模型，可以持续地利用和解释人格以代表行为。

Feb, 2024

研究了在机器人和人类交互中，机器人的情感表达对人类决策行为模式的影响，使用自然语言处理模型产生机器人使用的情感表达语句，并在博弈理论的环境中探究人的行为模型。

Jun, 2018

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。

Jan, 2019

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

本文提出了一个新任务 ——Response Forecasting on Personas for News Media，并创建了一个包含 13,357 条回复的数据集，以预测不同人物或人群对新闻事件的不同响应，其中任务除了预测评论的情感极性和强度外，还引入了个性化因素，利用最新的神经语言模型进行研究，分析结果表明，加入人物特征有助于预测响应的所有维度，同时该任务的制定还能够应用于社交网络分析中的极端意见群体讨论等多种有趣应用。

May, 2023

本研究通过创新的开放式面试式方法，对 ChatHaruhi 库创建的 32 个角色扮演聊天机器人进行全面的人格评估，评估结果表明基于 LLMs 的现代角色扮演聊天机器人可以有效地描绘对应角色的人格特征，与人类感知的人格匹配率为 82.8％，同时提出了塑造聊天机器人个性的潜在策略。该研究是计算语言学和心理学交叉领域中角色扮演聊天机器人的基础性研究。

Oct, 2023

本研究探讨如何通过玩家游玩记录高效预测玩家人设，使用监督学习和序列学习两种方法实现预测，强调计算科学在定义玩家人设方面的重要性。

Mar, 2022

研究表明，大规模语言模型虽然可以输出流畅的文本，但它们也捕捉到人类偏见。本文研究了面向开放式文本生成的几种大规模语言模型的人格特征和训练集，使用问卷设计了人格评估，并用零 - shot 分类器将文本回答分类到可量化的特征中，研究了可以改变这些人格特征的方法。

Apr, 2022

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