Automated Difficulty Assessment Model for Comprehensive Difficulty in 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
Comprehensive difficulty in a game can be defined as the challenge presented by learning the game's system, encompassing fundamental rules, objectives, and parameters. Achieving a well-balanced difficulty level is crucial for a game's success. In the industry, rules and objectives are commonly designed using a Static Game Balance (SGB) system. This involves human designers handcrafting elements such as game mechanics and the core behavior of enemies. In the early stages of game production, particularly during prototyping without access to player data, it becomes challenging to objectively assess the difficulty of these manually designed elements. Limited research has addressed automatic difficulty assessment in the context of SGB, with most studies focusing on executive difficulty, which pertains to a player's motor skills, such as dexterity. However, the industry is in need of more automated software tools to optimize game production. In this paper, we propose a novel method for automatically measuring the comprehensive difficulty of game enemies. Our approach, owing to its generalizability and the standardized way of defining enemies using state machines, lever-ages the properties of graphs (ex. number of states, transitions, cyclomatic complexity, etc.) to establish a standardized model for comprehensive difficulty assessment in games. We present this model along with the results of an initial exploratory experiment, demonstrating the potential of our approach and its feasibility for integration as a plugin in game engines like Unreal Engine 5.
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 | 0,001 |
| 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