Descriptor: Multimodal Dataset for Player Engagement Analysis in Video Games (MultiPENG)
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
Player engagement is crucial for understanding and optimizing gaming experiences, yet the research community lacks comprehensive multimodal datasets with reliable engagement annotations. We present a dataset combining six synchronized data streams—EEG, eye tracking, heart rate, user inputs, webcam footage, and gameplay frames—collected from 39 participants playing popular games across varying difficulty levels. Our dataset's distinctive feature lies in its temporal precision, achieved through strategic integration of engagement surveys during natural game pauses, minimizing both recall bias and gameplay disruption. The dataset includes 900 annotated gameplay sessions with four psychological metrics (engagement, interest, stress, and excitement). Initial analyses revealed surprising findings: human judges achieved only 0.48 F1-score in engagement assessment from webcam footage, while a flow theory-based model reached 0.60 F1-score using difficulty and player experience. Our multimodal neural model combining EEG, eye tracking, and facial features demonstrated the dataset's potential with a 0.51 F1-score despite class imbalance. This comprehensive dataset enables various research directions in engagement measurement and modeling, supporting the development of more robust real-time engagement detection systems. <p xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><b>IEEE SOCIETY/COUNCIL</b> Instrumentation and Measurement Society (IMS) <p xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><b>DATA TYPE/LOCATION</b> Videos, Keystrokes, Physiological Signals <p xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><b>DATA DOI/PID</b> 10.34740/kaggle/ds/6552328
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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