Game Studies at Scale: Towards Facilitating Exploration of Game Corpora
Notice bibliographique
Résumé
Critically playing a game, and performing a close reading of a specific aspect of a game, are valid game analysis techniques. But these types of analyses don’t scale to the plethora of games available, and also neglect implementation aspects of the games which themselves are texts that can be analyzed. We argue that appropriate software tools can support research in game studies, allowing individual games to be read at the level of gameplay as well as the implementation level. Moreover, these tools permit analysis to scale in a similar fashion as distant reading allows for traditional texts, and be applied to an entire corpus of games. We illustrate these ideas using a corpus of games created using the Graphic Adventure Creator, a program first released in 1985 for a number of computing platforms. As a proof of concept, we have built a system called GrACIAS – the Graphic Adventure Creator Internal Analysis System – that we have used for both static and dynamic analysis of this corpus of games, effectively allowing them to be internally explored and “read.” Furthermore, our system is able to look for game solutions automatically and has solved over 60 game images to date, making the games accessible to researchers, but also people who may not be expert players or even able to understand the language the game uses.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,122 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,016 | 0,010 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,014 | 0,026 |
| Science ouverte | 0,004 | 0,015 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,005 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».