MétaCan
Menu
Retour à la cohorte
Enregistrement W3033589448 · doi:10.3389/fcomp.2020.00017

External Assistance Techniques That Target Core Game Tasks for Balancing Game Difficulty

2020· article· en· W3033589448 sur OpenAlexafffund
Jawad Jandali Refai, Scott Bateman, Michael W. Fleming

Notice bibliographique

RevueFrontiers in Computer Science · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueVirtual Reality Applications and Impacts
Établissements canadiensUniversity of New Brunswick
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNew Brunswick Innovation Foundation
Mots-clésComputer scienceCore (optical fiber)Game mechanicsGame designSet (abstract data type)Human–computer interactionTask (project management)Key (lock)EngineeringComputer securitySystems engineering

Résumé

récupéré en direct d'OpenAlex

Game balancing is a time consuming and complex requirement in game design, where game mechanics and other aspect of a game are tweaked to provide the right level of challenge and play experience. One way that game designers help make challenging mechanics easier is through the use of External Assistance Techniques – a set of techniques outside of games’ main mechanics. While External Assistance Techniques are well known to game designers (like providing onscreen guides to help players push the right buttons at the right times), there are no guiding principles for how these can be applied to help balance challenge in games. In this work, we present a design framework that can guide designers in identifying and applying External Assistance Techniques from a range of existing assistance techniques. We provide a first characterization of External Assistance Techniques showing how they can be applied by first identifying a game’s Core Tasks. In games that require skill mechanics, Core Tasks are the basic motor and perceptual unit tasks required to interact with a game, such as aiming at a target or remembering a detail. In this work we analyze 54 games, identifying and organizing 27 External Assistance Techniques into a descriptive framework that connects them to the ten core tasks that they assist. We then demonstrate how designers can use our framework to assist a previously understudied core task in three games. Through an evaluation, we show that the framework is an effective tool for game balancing, and provide commentary on key ways that External Assistance Techniques can affect player experience. Our work provides new directions for research into improving and maturing game balancing practices.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,018
Méta-épidémiologie (sens strict)0,0020,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,279
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in Computer ScienceMême sujetVirtual Reality Applications and ImpactsTravaux en français237 207