Estás leyendo la publicación: Investigadores de Corea del Sur proponen un modelo de aprendizaje automático que ajusta la dificultad de los videojuegos en función de las emociones de los jugadores
El ajuste dinámico de dificultad (DDA) es una técnica para alterar automáticamente las características, los comportamientos y los escenarios de un juego en tiempo real en función de la competencia del jugador para que no se aburra ni se moleste, ya sea que el juego sea muy fácil o desafiante. El DDA tiene como objetivo mantener al jugador comprometido y brindarle una experiencia exigente durante todo el juego. En los juegos clásicos, los niveles de dificultad aumentan lineal o gradualmente durante la duración del juego. Solo al comienzo del juego se pueden modificar características como la frecuencia, los niveles iniciales o las tasas seleccionando un nivel de dificultad. Sin embargo, esto puede resultar en una experiencia desagradable para los jugadores que intentan seguir una curva de aprendizaje predeterminada. DDA intenta abordar este problema ofreciendo a los jugadores una opción única.
En los videojuegos, la dificultad es un factor difícil de equilibrar. Mientras que algunos desean una experiencia fácil, otros prefieren videojuegos desafiantes. La mayoría de los desarrolladores emplean el ajuste de dificultad dinámico para simplificar este enfoque (DDA). Con DDA, la dificultad de un juego se puede cambiar en tiempo real en respuesta al rendimiento del jugador. Por ejemplo, el agente DDA del juego puede aumentar automáticamente la dificultad si el rendimiento del jugador supera las expectativas del desarrollador para un determinado nivel de dificultad, lo que aumenta el desafío para el jugador. Esta táctica es beneficiosa pero tiene limitaciones porque considera el desempeño del jugador, no cuánto placer realmente tiene.
Un equipo de investigación modificó recientemente el enfoque DDA en un estudio publicado en Expert Systems With Applications. Crearon agentes DDA que modificaron la complejidad del juego para optimizar cuatro características diferentes asociadas con la satisfacción de un jugador:
- Desafío– Desafío indica qué tan desafiado se siente un jugador.
- Competencia– La competencia mide la capacidad de un jugador para lograr los objetivos del juego.
- Fluir- El flujo tiene que ver con cómo se siente jugar dentro de las reglas del juego.
- Valencia– Tanto las emociones felices como las negativas relacionadas con el juego se describen mediante impactos positivos y negativos. La suma de la puntuación del efecto positivo y una puntuación inversa del efecto negativo se considera como factor de estado de valencia en este estudio.
en lugar de centrarse en el rendimiento del jugador. Los agentes de DDA fueron entrenados utilizando datos de aprendizaje automático de jugadores del mundo real que compitieron en un juego de lucha contra diferentes inteligencias artificiales (IA) y luego proporcionaron comentarios.
Cada agente de DDA usó datos simulados y del mundo real para ajustar la técnica de lucha de la IA contraria de una manera que maximizaba un sentimiento particular, o “estado afectivo”, mediante un proceso llamado búsqueda de árbol de Monte-Carlo.
A través de un experimento que involucró a 20 voluntarios, el equipo estableció que los agentes DDA sugeridos podrían crear IA que mejoraran las experiencias generales de los jugadores, independientemente de sus preferencias. Esta es la primera instancia en la que los estados emotivos se han incluido directamente en los agentes DDA, lo que puede ser ventajoso para los juegos comerciales.
“Grandes cantidades de datos de jugadores ya están disponibles para las empresas comerciales de juegos. Usando su método, pueden usar estos datos para modelar a los jugadores y abordar varios problemas relacionados con el equilibrio. Es crucial resaltar que esta estrategia puede ser aplicable a otros campos que pueden ser “gamificados”, como la atención médica, el acondicionamiento físico y la educación.
Este artículo está escrito como un artículo de resumen de investigación por el personal de Marktechpost basado en el trabajo de investigación ‘Diversificación del agente de ajuste de dificultad dinámico mediante la integración de modelos de estado del jugador en la búsqueda del árbol Monte-Carlo‘. Todo el crédito de esta investigación es para los investigadores de este proyecto. Revisar la papel y artículo de referencia.
Por favor no olvides unirte Nuestro subreddit de ML
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
