Game Playing: Proposing and Developing Queen Challenge Puzzle Game from 1 to 25 Levels
Notice bibliographique
Résumé
In recent decades, massive improvements in graphic sophistication have begun to produce declining returns. The creative focus in game development has shifted to artificial intelligence. The queens’ task game is part of a sequence of popular games. It is the challenge of putting n chess queens on a game board such that no two queens are threatening each other. The plan does not involve two queens sharing the same row, column or diagonal. Each column contains exactly one queen, each row contains exactly one queen, and each diagonal contains exactly one queen. For every level in the game, there are many ways to solve it. For example, there are 92 solutions to the 8×8 problem. There are many levels in the literature, but each level should be downloaded separately. Thus, it causes a lot of difficulties for players, and they should download each level to complete the challenge. This will lead to more time and effort being spent by the players, and the cost of each level will cost the players more and more. As a result, the number of players who want to play this game will decrease. The aim of this paper is to incorporate a number of levels in order to save time, money and effort by downloading each level separately. This paper also aims to develop the proposed prototype and display all the solutions while playing a puzzle game at any level. The proposed game was tested by a questionnaire-based empirical study. Descriptive statistics on the questions revealed that the players had achieved the objectives of the game by applying their skills and knowledge and that the players had positive emotions about the effectiveness of the proposed 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.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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 ».