Data collection using deep reinforcement learning for serious games
Notice bibliographique
Résumé
Mild Cognitive Impairment (MCI) often occurs prior to the more serious condition of dementia and early detection of MCI is an important but challenging task because of its indistinct symptoms. Work has been done developing serious games on mobile devices for MCI detection as opposed to a typical application of serious games for growing and maintaining mental acuity. The serious games WarCAT and Locker record player’s moves made while playing the game to determine their levels of strategy recognition and learning. To be able to demonstrate this, however, requires a large amount of player data. Therefore, it would be beneficial to develop a method of generating synthetic data that could imitate human player data. The area of machine learning (ML) known as Reinforcement Learning (RL) can be applied to creating a large pool of players since it emulates the way humans learn. In RL, if an action in response to a stimulus is followed by a successful reward, the stimulus-action-reward association will be strengthened, and the reward will be recalled with greater likelihood upon later presentation of the same stimulus and action. Like RL in humans, considerable trial and error (training) is often required. In addition, a growing subfield of machine learning known as Deep Reinforcement Learning uses techniques of Reinforcement Learning along with Artificial Neural Networks for function approximation. The purpose of this thesis is to explore the use of Deep RL to learn to play our serious game and achieve gameplay results comparable to the best human performance. From this, we can define baselines which allow us to create bots with various levels of training to emulate individuals at various stages of learning, or by extension, various levels of cognitive decline.
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 | 0,002 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».