利用 AI 玩家预测游戏参与度与难度
人工智能
2021-07-27 v1 人机交互
摘要
本文提出了一种用于预测人类玩家行为与体验的自动化游戏测试新方法。先前研究已表明，深度强化学习（DRL）博弈智能体能够预测游戏难度与玩家参与度（ operationalized 为平均通关率与流失率）。我们通过将蒙特卡洛树搜索（MCTS）增强到 DRL 中来改进该方法。我们还基于如下观察提出了一种增强的预测特征选择策略：AI 智能体最佳情况下的表现比其平均表现能与人类数据产生更强的相关性。两项改进均一致地提升了预测精度，且在最困难的关卡中，DRL 增强的 MCTS 优于 DRL 与原始 MCTS。我们得出结论，通过自动化游戏测试进行的玩家建模可受益于 DRL 与 MCTS 的结合。此外，若 AI gameplay 平均而言不能给出良好预测，考察重复最佳 AI 智能体运行的一个子集是值得的。
引用
@article{arxiv.2107.12061,
title = {Predicting Game Engagement and Difficulty Using AI Players},
author = {Shaghayegh Roohi and Christian Guckelsberger and Asko Relas and Henri Heiskanen and Jari Takatalo and Perttu Hämäläinen},
journal= {arXiv preprint arXiv:2107.12061},
year = {2021}
}
备注
18 pages, 5 figures, 2 tables. In Proceedings ACM Human-Computer Interaction, Vol. 5, CHIPLAY, Article 231. Publication date: September 2021