Visualizing and understanding players' behavior in video games
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As video games become more popular, there is an urge for procedures that can support the analysis and understanding of players' behaviors within game environments. Such data would inform game and level designers of game design issues that should be fixed or improved upon. By logging user-initiated events in video games, analysts have exhaustive information regarding players' actions within games. However, visualizing such data is a challenging task due to the amount of data one has to deal with; the necessity of a deep understanding of the game and players' possible actions within the game plus a deep understanding of questions one wants to answer; the computation that has to be done on the data; and the limitations and/or complexities of current analysis tools. In this paper, we present a new visualization system that allows analysts to build visualization and interact with telemetry data, to identify patterns and identify game design issues efficiently. Besides the system itself, we propose a new approach to visualize players' behavior that has not been explored so far. For example, instead of using heat maps to visualize a single metric (e.g. deaths), our system allows analysts to superimpose and visualize a series of actions players take in the game. This is especially important when one should understand cause and effect within the game. We present examples of the visualizations using an RPG game, Dragon Age Origins (BioWare/EA, 2009). It should be noted that the system is currently under development and testing with analysts working at BioWare.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle