Using behaviour patterns to generate scripts for computer role-playing 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
Character behaviours in computer role-playing games have a significant impact on game-play, but are often difficult for story authors to implement and modify. Many computer games use custom scripts to control the behaviours of non-player characters (NPCs). Therefore, a story author must write fragments of computer code for the hundreds or thousands of NPCs in the game world. The challenge is to create non-repetitive (more entertaining) behaviours for the NPCs without investing substantial programming effort to write custom non-trivial scripts for each NPC. Consequently, current computer games mostly rely on simplistic non-interactive behaviours for NPCs. This research describes the design and implementation of a novel behaviour model for interacting NPCs, based on generative design patterns, that requires no manual script writing. In this model, NPCs assume different roles during the story and select behaviours based on static probabilities or dynamic motivations. We also devised a reinforcement learning algorithm, ALeRT, based on Sarsa(lambda) and we extended our behaviour model to support behaviour selection based on learning. In our model, an NPC can exhibit proactive, reactive, or latent behaviours that may be independent or collaborative. This behaviour architecture supports behaviours that can be interrupted and resumed based on priorities. The implementation of this model produces scripting code for BioWare Corp.'s Neverwinter Nights computer role-playing game.
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 | 0,001 |
| Science ouverte | 0,001 | 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