Notice bibliographique
Résumé
Modern tabletop role-playing games (TTRPGs) have received increasing attention in library and educational contexts due to their ability to serve as an alternative experiential learning opportunity. However, common TTRPG safety frameworks lack consideration for the adoption and impact of AI tools. To address this gap, this study employs a qualitative approach to explore how AI tools are used in TTRPGs and players’ concerns related to fairness, bias, and safety. The findings aim to aid the development of more comprehensive safety frameworks for AI-integrated TTRPG experiences. Aventuriers et algorithmes: L'IA et l'évolution de la jouabilité des jeux de rôle sur table RésuméLes jeux de rôle modernes sur table (JDR) ont fait l'objet d'une attention croissante dans les bibliothèques et les contextes éducatifs en raison de leur capacité à fournir un apprentissage expérientiel alternatif. Cependant, les cadres de sécurité communs des JDR ne tiennent pas compte de l'adoption et de l'impact des outils d'IA. Pour combler cette lacune, cette étude utilise une approche qualitative pour explorer la manière dont les outils d'IA sont utilisés dans les JDR et les préoccupations des joueurs en matière d'équité, d’impartialité et de sécurité. Les résultats visent à faciliter l'élaboration de cadres de sécurité plus complets avec l’intégration de l'IA dans les JDR. Mots-clésJeux de rôle sur table; intelligence artificielle; éthique; IA responsable; JDR
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,046 | 0,007 |
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 ».