Using physiological measures in conjunction with other UX approaches for better understanding of the player's gameplay experiences
电子游戏的目的是挑战和娱乐玩家。成功的视频游戏提供的体验会在一定程度上影响玩家的觉醒。因此,进行用户体验(UX)研究对于确保游戏获得关键和财务成功至关重要。然而,传统的可用性研究方法(观察、主观报告、问卷调查和访谈)在游戏用户研究中存在一定的局限性。在这项研究中,我们在游戏过程中捕捉玩家的生理测量,以指示导致其身体信号变化的微事件。在游戏结束后的采访中,我们要求参与者评论并描述他们对所选事件的感受。这项研究的目的不是过度解释生理测量,而是使用测量中的光点来帮助识别游戏中的关键点,然后我们用它来进一步研究参与者。这种方法提供了一种不仅可以识别负面的用户体验和可用性问题,而且可以识别对玩家体验有积极影响的事件的方法。
2011-02-16 cs.HC
Strategic Gaze: Attention Allocation and Transition Patterns Across Functional Areas of Interest by Gameplay Outcome
The Australian National University(澳大利亚国立大学)
研究基于游戏结果,通过整合多种注视测量方法,对功能组织界面区域的注视情况展开研究,发现获胜组玩家在注意力分配、转移等方面有不同表现,为游戏中注意力组织提供了更全面解释。
2026-07-21 cs.HC
Real-Time Detection of Simulator Sickness in Virtual Reality Games Based on Players' Psychophysiological Data during Gameplay
虚拟现实(VR)技术在过去的十年中,特别是在最近几年中得到了迅速发展。然而,模拟器疾病(SS)仍然是其更广泛采用的一个重要问题。目前,检测SS最常用的方法是使用模拟器疾病问卷(SSQ)。SSQ是一种主观测量,不适用于VR游戏等实时的【形】应用。本研究旨在探讨如何利用机器学习技术,在虚拟现实游戏中,基于游戏角色和用户的生理数据来检测SS。为了实现这一点,我们设计了一个实验,用三种类型的游戏来收集这些数据。我们用眼动数据集和人物运动数据训练了一个长短期记忆神经网络来实时的【形】检测SS。我们的研究结果表明,在VR游戏中,我们的模型是一个准确和有效的方式来检测SS在实时的【形】。
2020-10-13 cs.HC
A Study on the Use of Eye Tracking to Adapt Gameplay and Procedural Content Generation in First-Person Shooter Games
本文研究了眼动追踪在第一人称射击游戏中的应用,并将其作为一种机制:(1)根据玩家的注意力部署来控制玩家化身的注意力,(2)相应地指导游戏过程和游戏的程序内容生成。与其中眼睛跟踪器直接替代控制输入设备(诸如游戏手柄)的使用相比,这导致眼动追踪的更自然的使用。这项研究是在一个定制的无尽的跑步者FPS,僵尸跑步者,使用负担得起的眼动仪进行的。评估会议表明,与不使用眼动追踪相比,拟议使用的眼动追踪为玩家提供了更具挑战性和身临其境的体验。然而,我们发现眼动仪校准问题与玩家的整体体验之间存在很强的相关性。这意味着眼动追踪技术仍需不断发展,但也意味着一旦技术足够成熟,玩家有望从眼动追踪中获益匪浅。
2018-05-21 cs.HC
Gameplay experience in a gaze interaction game
评估凝视交互游戏的游戏体验是一项具有挑战性的任务。在这项研究中,创建了一个允许眼动追踪控制的注视交互Half-Life 2游戏修改。该模组是在Dreamhack 2007的一项实验中部署的,参与者必须使用凝视导航进行游戏,然后对他们的游戏体验进行评分。结果显示,在游戏体验问卷中,紧张感和负面情绪得分较低,而积极挑战、沉浸感和流动性得分较高。空间存在和沉浸凝视互动之间的相关性很高,并产生进一步的调查。它的结论是,游戏体验可以正确评估与本文提出的方法。
2010-04-01 cs.HC cs.MM
Effect of Gameplay Uncertainty, Display Type, and Age on Virtual Reality Exergames
不确定性被广泛认为是一个吸引人的游戏元素,但很少在exergames中使用。在这项研究中,我们探讨了不确定性在演习游戏中的作用,并引入了三个不确定因素(假攻击,失误,和关键命中)的演习游戏。我们在两种条件下(不确定和确定)进行了一项研究,使用两种显示类型(虚拟现实和大屏幕),并在年轻人和中年人中测量其对游戏表现,体验和消耗的影响。结果表明:(1)我们设计的不确定因素有助于提高运动水平;(2)当玩基于运动的第一人称视角运动游戏时,虚拟现实可以提高性能,同时保持与大型显示器相同的运动病水平;(3)中年人的运动游戏应该考虑到与年龄相关的下降,类似于为老年人设计的运动游戏。我们还制定了两个exergames的设计准则,这些exergames与本研究中使用的游戏具有相似的功能。
2021-01-15 cs.HC
Effect of Input-output Randomness on Gameplay Satisfaction in Collectable Card Games
随机性是游戏中的一个重要因素,以至于一些游戏几乎完全依赖于它的结果,并增加玩家的参与度。然而,随机性会影响游戏体验,这取决于它在游戏中何时发生,从而改变玩家计划的机会。在本文中,我们称之为“输入输出随机性”。输入输出随机性是炉石传说等可收集纸牌游戏的基石,在炉石传说中,纸牌是随机抽取的(输入随机性),并且在播放时具有随机效果(输出随机性)。虽然这个话题可能已经被游戏设计者普遍讨论,并出现在许多游戏中,但很少有实证研究来评估这些不同类型的随机性对玩家满意度的影响。本研究探讨了在四种输入输出随机性条件下,输入输出随机性对可收集纸牌游戏的影响。我们已经开发了自己的收集卡游戏,并尝试了不同种类的随机性与游戏。我们的研究结果表明,输入的随机性可以显着影响游戏满意度的负面影响。总的来说,我们的研究结果提出了有益的考虑如何以及何时在游戏设计中应用随机性时,以玩家的满意度为目标。
2021-07-18 cs.HC
Art Card Game (ACG): Embedding Illustration in Gameplay to Mitigate Artist Self-Criticism
Stanford University(斯坦福大学)
本文提出了一种在创作流程中减少艺术家自我批评的方法:Art Card Game (ACG),通过将插图任务嵌入到卡牌定制游戏中,使玩家在游戏对抗中展示插图作品,从而提高创作自豪感和游戏乐趣,减少自我批评。
2026-07-28 cs.HC
How player and opponent personalities influence cooperative gameplay
研究表明,数字游戏玩家通常会感到与游戏英雄或角色的参与和融洽,当他们可以通过英雄在游戏世界中的旅程来引导自己的野心和目标时;本质上,当他们使用游戏机制来帮助英雄达到游戏任务的积极结局时,他们会感到成就感和满足感。在合作游戏的情况下,融洽关系还与他们对同伴技能、游戏风格和游戏行为的看法有关。在本文中,我们描述了一个实验,以确定是否匹配的球员与不同的个性,其特点是海洋或大5人格模型,可以影响他们的玩家体验与定制的,合作的游戏。
2021-11-11 cs.HC cs.MM
Cube2Pipes : Investigating Hybrid Gameplay Using AR and a Tangible 3D Puzzle
本研究通过Cube2Pipes游戏,将2×2魔方作为实体界面结合桌面AR,探索混合游戏玩法是否比纯虚拟游戏更吸引用户,并评估其对理解魔方空间移动的帮助。
2024-06-15 cs.GR cs.HC
Psychophysiological Correlations with Gameplay Experience Dimensions
在本文中,我们报告了一个案例研究,使用两个易于部署的心理生理措施-皮肤电活动(EDA)和心率(HR)-并将它们与游戏体验问卷(GEQ)相关联,试图建立这种混合方法的方法,在商业游戏开发环境中快速应用。结果表明,心理生理唤醒(HR,EDA)和自我报告的游戏用户体验(GEQ)之间存在统计学显著相关性(p < 0.01),EDA和HR测量之间存在一些差异。结果在三个主要的商业第一人称射击(FPS)游戏中是一致的。
2010-04-01 cs.HC cs.MM
Your Favorite Gameplay Speaks Volumes about You: Predicting User Behavior and Hexad Type
近年来,游戏化研究界广泛且频繁地质疑一刀切的游戏化方案的有效性。因此,个性化似乎是任何成功的游戏化设计的重要组成部分。个性化可以通过了解用户行为和Hexad播放器/用户类型来改进。本文提出了一个原创的研究思路:它调查了用户的游戏相关数据(通过各种游戏原型调查收集)是否可以用来预测他们在非游戏(但游戏化)环境中的行为特征和Hexad用户类型。游戏化和游戏概念之间的密切关系为我们进行这项探索性研究提供了动力。我们对67名Stack Exchange用户进行了初步调查研究(作为案例研究)。我们发现,用户的游戏信息可以在非游戏(但游戏化)环境中揭示有关其行为特征和Hexad用户类型的有价值和有用的信息。测试三个玩家原型的结果(即,Bartle,Big Five和BrainHex)表明,它们都可以帮助预测用户最主要的Stack Exchange行为特征和Hexad用户类型,而不是随机标记器的基线。也就是说,在本文分析的所有玩家原型中,BrainHex表现最好。最后,我们介绍了未来工作的研究议程。
2023-02-11 cs.HC
Exploring Gameplay With AI Agents
New York University(纽约大学);Game Innovation Lab(游戏创新实验室);Electronic Arts(美国艺电公司)
测试游戏的过程是主观的,昂贵的和不完整的。在本文中,我们提出了一种游戏测试的方法,探索游戏空间与自动代理和收集数据来回答设计师提出的问题。这种方法不是让代理与实际的游戏客户端交互,而是将游戏的基本机制重新创建为一个单独的系统。我们的代理能够在几分钟内玩什么将采取测试人员天的有机游戏。对数千个游戏模拟的分析揭示了游戏行为的不平衡,确定了无关紧要的奖励,并评估了可选战略选择的有效性。我们的测试案例游戏《模拟人生移动版》最近发布,这里显示的研究结果影响了设计更改,从而改善了玩家体验。
2018-11-16 cs.AI cs.HC
"And then they died": Using Action Sequences for Data Driven,Context Aware Gameplay Analysis
许多成功的游戏在很大程度上依赖于数据分析来了解玩家并为设计提供信息。流行的方法集中在机器学习和聚合数据的统计分析。虽然在提取关于玩家动作的信息方面是有效的,但关于这些动作何时以及如何发生的大部分上下文都丢失了。定性方法允许研究人员检查上下文,并获得有关玩家行为背后的目标和动机的有意义的解释,但很难衡量。在本文中,我们建立在以前的工作相结合的两个现有的方法:交互式行为分析(IBA)和序列分析(SA),以创建一个新的,混合的方法,人在环数据分析方法,使用行为标签和可视化,让分析师检查球员的行为的方式,是上下文敏感的,可扩展的,可推广的。我们提出的方法,以及一个案例研究,展示了它如何可以用来分析流行的多人游戏防御的古人2(DotA 2)的团队合作的行为模式。
2020-06-18 cs.HC
The Emotional Impact of Game Duration: A Framework for Understanding Player Emotions in Extended Gameplay Sessions
IIT Roorkee(印度理工学院鲁尔基分校);Eudoxia Research center(尤多西亚研究中心);BITS Pilani WILP(比尔拉技术与科学学院皮拉尼分校工作整合学习项目);Tubi TV
本研究构建情绪检测框架,探究游戏时长对玩家情绪的影响,发现长时间游戏会显著影响情绪,并建议开发者制作更短且有趣的游戏以减轻潜在情绪影响。
2024-03-31 cs.AI cs.HC
Your Gameplay Says It All: Modelling Motivation in Tom Clancy's The Division
University of Malta(马耳他大学);Massive Entertainment a Ubisoft Studio(Massive娱乐(育碧工作室))
仅仅通过观察玩家的游戏数据就能预测他们的动机吗?即使是这样,我们首先应该如何衡量动机?为了解决上述问题,一方面,我们从流行游戏Tom Clancy's The Division的玩家那里收集了大量的游戏数据。另一方面,我们要求他们使用育碧感知体验问卷报告他们的能力,自主性,相关性和存在水平。在有序的方式处理的调查结果后,我们采用基于支持向量机的偏好学习方法来推断游戏性和报告的四个动机因素之间的映射。我们的主要研究结果表明,游戏特性是玩家动机的强有力预测因素,因为获得的最佳模型达到了近乎确定的准确性,从92%到94%不等。
2019-05-22 cs.AI cs.HC cs.LG
Moment-to-moment Engagement Prediction through the Eyes of the Observer: PUBG Streaming on Twitch
是否有可能仅仅基于游戏遥测来预测每时每刻的游戏参与度?我们能否通过观察游戏观众的行为方式来揭示游戏中引人入胜的时刻?为了在本文中解决这些问题,我们重新定义了游戏参与的定义方式,并通过游戏现场观众的眼睛来看待它。我们根据从Twitch流媒体服务获得的流行战斗royale游戏PlayerUnknown's Battlegrounds收集的数据构建观众参与度的预测模型。特别是,我们收集了观众的聊天记录和游戏中的遥测数据,这些数据来自五个流行流媒体的数百场比赛(包含超过100,000个游戏事件),并使用小型神经网络架构,在游戏过程中机器学习游戏玩法和观众聊天频率之间的映射。我们的主要研究结果表明,仅在40个游戏功能上训练的参与模型平均可以达到80%的准确率,最高可以达到84%。我们的模型是可扩展和可推广的,因为它们在流媒体内和跨流媒体播放风格以及跨流媒体播放风格中表现同样出色。
2020-08-17 cs.HC cs.LG
BRIDGE: Borderless Reconfiguration for Inclusive and Diverse Gameplay Experience via Embodiment Transformation
University of Tsukuba(筑波大学);Harvard University(哈佛大学);Dolby Laboratories(杜比实验室);Mejiro University(明城大学);Ibaraki Prefectural University of Health Sciences(茨城县立保健科学大学)
BRIDGE通过具身转换技术提升残疾人体育的包容性和多样性,增强姿态自然性和战术意图理解,促进公平的战术资源获取。
2026-02-26 cs.HC
Snake Story: Exploring Game Mechanics for Mixed-Initiative Co-creative Storytelling Games
本文提出 Snake Story,一款融合人机共创叙事的经典 Snake 变体游戏,通过 11 人定性试玩测试分析了玩家对工具与游戏双重认知的影响,为混合主动共创游戏设计提供指导。
2024-04-11 cs.HC
Oops, Not Now: PEARL, a RAG-Based Support Agent for Gameplay and What Players Want from AI Help
University of California Santa Cruz(加州大学圣克鲁兹分校);University of Central Florida(中佛罗里达大学);IT University of Copenhagen(哥本哈根信息技术大学)
针对游戏学习中的AI支持,提出双组件RAG系统PEARL,结合语义检索与结构匹配提供情境化帮助,但评估显示玩家偏好可视化系统,并总结出七个开放设计问题。
2026-09-15 cs.AI cs.HC
DL-DDA -- Deep Learning based Dynamic Difficulty Adjustment with UX and Gameplay constraints
Playtika Research(Playtika研究院)
动态难度调整($DDA$)是为了优化用户体验而自动改变游戏难度的过程。这是几乎所有现代游戏的重要组成部分。大多数现有的DDA方法集中在一个玩家的经验,而不看其他玩家。我们提出了一种方法,自动优化用户体验,同时考虑到其他玩家和宏观约束的游戏。该方法基于深度神经网络架构,该架构涉及在其大部分支持中具有零梯度的计数损失约束。我们提出了一种优化该损失函数的方法,并对其性能进行了理论分析。最后,我们提供了一个内部实验的实证结果,该实验是在$200,000$玩家身上进行的,并发现其表现优于游戏设计专家制作的相应的手动算法。
2021-06-06 cs.HC cs.LG
The Garden of Forking Paths: Threading Narrative Archetype as a Semantic Signal Through Gameplay Planning
New York University(纽约大学)
本文提出Forking Garden框架,通过用户提供的故事情节生成分支游戏,采用弧引导约束算法构建 dungeon 图,实现游戏元素的多模态对齐。
2026-09-15 cs.AI cs.HC
"It depends on where AI is used": Players' attitude patterns and evaluative logics toward different AI applications in digital games
Communication University of China(中国传媒大学);Lanzhou City University(兰州城市学院)
本研究通过问卷分析玩家对八种AI应用场景的态度,发现玩家在AI增强沉浸感、个性化等时接受,威胁创造力、情感真实性等时拒绝,并识别出六种评价逻辑。
2026-06-16 cs.HC
Exploring Personality-Driven Personalization in XAI: Enhancing User Trust in Gameplay
Georgia Institute of Technology(佐治亚理工学院)
该研究利用 Big Five 人格测试训练机器学习模型,预测用户对决策树、文本和因子图等 XAI 解释方式的偏好,并通过导航游戏验证个性化推荐可提升用户接受度与系统信任。
2024-08-08 cs.HC cs.RO
Influence of Gameplay Duration, Hand Tracking, and Controller Based Control Methods on UX in VR
通过20人实验室研究,比较VR中手部追踪与控制器在不同游戏时长下对用户体验的影响,发现控制器总体更优、长会话提升临场感,且VR经验丰富者更愿推荐手部追踪。
2024-04-04 cs.HC
Emotion Dynamics in Social Deception Games: Analysis of Professional and Nonprofessional Players through Electrodermal Activity in Werewolf Games
Kyoto University(京都大学);Kyoto Sangyo University(京都产业大学)
该研究以狼人杀游戏为载体,通过皮肤电活动对比职业与非职业玩家的情绪动力学,发现二者高情绪唤醒阶段的沟通策略存在显著差异,为情感智能AI系统设计提供支撑。
2026-08-06 cs.HC
Advancing Mixed Reality Game Development: An Evaluation of a Visual Game Analytics Tool in Action-Adventure and FPS Genres
本文提出专为MR游戏设计的可视化分析工具GAMR,并通过动作冒险与FPS两类学生实验验证其能显著帮助开发者定位和解决玩法问题。
2024-08-02 cs.HC
SuSketch: Surrogate Models of Gameplay as a Design Assistant
Institute of Digital Games, University of Malta(马耳他大学数字游戏研究所)
本文介绍了SuSketch,一个第一人称射击游戏关卡的设计工具。SuSketch为设计师提供了两个特定角色类的竞争玩家的游戏预测。该界面允许设计者与人工智能创建者并肩工作,并接收各种类型的反馈,例如路径信息,完整播放中玩家之间的预测平衡,或玩家死亡位置的预测热图。系统还主动设计等级和职业配对的替代方案,并将其作为改善游戏预测平衡的建议呈现给设计师。SuSketch提供了一种将机器学习集成到混合主动共同创造工具中的新方法,作为在大型人工游戏轨迹语料库上训练的人类游戏的替代品。一项针对16名游戏开发者的用户研究表明,该工具易于使用,但也强调了使SuSketch更易于访问和更易于解释的必要性。
2021-03-22 cs.AI cs.HC cs.LG
Towards General Models of Player Experience: A Study Within Genres
抽象的游戏性指标能在多大程度上以一种通用的方式捕捉到玩家在游戏类型中的体验?在这项全面的研究中,我们在三种不同的视频游戏类型中解决了这个问题:赛车,射击和平台游戏。使用高级游戏功能来喂养偏好学习模型,我们能够在超过1,000个唤醒注释的游戏会话的大规模数据集中准确预测同一类型的不同游戏的唤醒。我们的类型模型预测唤醒的变化,在所有类型中平均准确率高达74%,最好的情况下为86%。我们还研究了在建模过程中的功能的重要性,并发现与时间相关的功能在很大程度上有助于游戏和流派模型的性能。这些与游戏无关的特征的突出显示了游戏体验的时间动态在建模中的重要性,但也突出了游戏及其他领域中一般影响建模未来面临的一些挑战。
2021-10-03 cs.HC
Cheap and Easy Open-Ended Text Input for Interactive Emergent Narrative
本文提出PWIM技术,通过轻量级本地句子嵌入模型将玩家非结构化文本意图转化为具体游戏动作,支持交互式涌现叙事游戏的开放式输入并减轻玩家面对庞大动作空间的认知负担。
2024-06-03 cs.HC
Emoception: Selective Affective Layer Fine-Tuning of Video Vision Transformers for Player Arousal Change Recognition From Gameplay Footage
Ritsumeikan University(立命馆大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出SALFT,一种基于层参数L2范数变化选择情感层微调视频视觉Transformer的方法,用于从游戏画面识别玩家唤醒度变化,仅更新约8%参数即达到与全量微调相当的性能,并引入注意力追踪可解释性方法。
2026-10-07 cs.AI cs.CV cs.HC
VRCockpit: Mitigating Simulator Sickness in VR Games Using Multiple Egocentric 2D View Frames
虚拟现实盔装显示器(VR HMD)已经成为流行的游戏平台。然而,模拟器疾病(SS)仍然是VR更广泛采用的障碍,特别是在游戏中。它会引起强烈的不适感,损害玩家的沉浸感、表现力和乐趣。研究人员已经探索了减轻SS的技术。虽然这些技术已被证明有助于减少SS,但它们可能不适用于游戏,因为它们无法轻松集成到各种类型的游戏中,而不会影响游戏性,沉浸感和性能。在这项研究中,我们介绍了一种新的SS缓解技术,VRCockpit。VRCockpit是一种视觉技术,它围绕着玩家四个2D视图,每个视图对应一个主要方向,显示玩家周围3D环境区域的2D副本。为了研究它的有效性,我们进行了两个不同的实验,一个是赛车游戏,另一个是第一人称射击游戏。我们的研究结果表明,VRCockpit有可能减轻SS,并仍然允许玩家具有相同的沉浸感和游戏性能。
2022-08-24 cs.HC
MentalGame: Predicting Personality-Job Fitness for Software Developers Using Multi-Genre Games and Machine Learning Approaches
Department of Computer Engineering, University of Tehran(塔里哈大学计算机工程系)
MentalGame通过多类型游戏和机器学习方法预测软件开发人员的性格-职业适配度,实现高精度的适配性预测。
2026-01-03 cs.AI cs.HC cs.LG
pixelLOG: Logging of Online Gameplay for Cognitive Research
Washington University in St. Louis(华盛顿大学圣路易斯分校)
pixelLOG是一种用于认知研究的高性能数据收集框架,通过混合方法跟踪多人游戏中的行为,实现高分辨率分析。
2026-02-09 cs.AI cs.HC
Lottery and Sprint Arcade: Enabling Player-Driven Game Editing with Generative AI
Graduate School of Comprehensive Human Sciences, University of Tsukuba(筑波大学综合人类科学研究院);R & D Centre for Digital Nature, University of Tsukuba(筑波大学数字自然研发中心)
研究通过语音驱动编辑系统让玩家修改复古太空侵略者风格游戏,结合用户研究探讨玩家体验及编辑模式与体验变化的关系,发现语音驱动编辑可支持人机共创,玩家体验积极,编辑有多种策略。
2026-07-14 cs.HC
Using the gameplay and user data to predict and identify causes of cybersickness manifestation in virtual reality games
Universidade Federal Fluminense(弗鲁米嫩塞联邦大学);Instituto Federal do Triangulo Mineiro(米纳斯吉拉斯三角联邦学院);Firjan - ISI(Firjan-ISI)
本研究提出基于随机森林分类器的新方法,结合自研CS概况问卷构建的数据集,预测VR用户的晕动症症状并识别相关影响属性,验证采用16种机器学习技术取得最佳结果。
2026-08-11 cs.GR cs.HC
Eyes on the Game: Deciphering Implicit Human Signals to Infer Human Proficiency, Trust, and Intent
本文提出结合眼动数据与游戏行为数据的新方法,在Overcooked环境中推断人类熟练度、信任度与意图,并证明融合模型优于单一数据及既有聚合方法。
2024-07-03 cs.HC
A Pilot Study on Teacher-Facing Real-Time Classroom Game Dashboards
University of Wisconsin - Madison(威斯康星大学麦迪逊分校)
教育游戏是现代课堂中越来越受欢迎的教学工具。然而,教师促进课堂游戏的辅助工具的开发是缺乏的。我们提出了一个面向教师的,实时的【形】游戏数据仪表板的参与式设计过程的结果。这两个阶段的过程包括一个研讨会,以了解教师对这种工具的要求,并对我们的仪表板原型进行试点研究。我们分析了游戏后的调查和访谈数据,以了解教师的经验与工具的证据,共同设计,可行性和有效性。我们的研究结果表明,参与式设计产生了一个工具,既有用的和可用的教师在一个真正的类游戏会话的背景下。我们提倡继续开发数据驱动的教师工具,以提高课堂上部署的游戏的有效性。
2022-10-17 cs.CY cs.HC cs.LG
Trickery: Exploring a Serious Game Approach to Raise Awareness of Deceptive Patterns
本文提出叙事严肃游戏 Trickery,通过融入七种游戏化欺骗性模式,结合游戏研究与在线调查,评估其提升用户识别和抵御欺骗性界面设计的效果。
2024-10-24 cs.HC
Experience-Sensitive Game Learning: A Behavioral Study of Humans and Language Agents
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Georgetown University(乔治城大学);INSAIT, Sofia University “St. Kliment Ohridski”(索菲亚大学“圣·克利门特·奥赫里德斯基”分校INSAIT)
该研究构建经验敏感型游戏学习框架,通过交互式游戏及相关指标分析人类与自进化语言智能体的游戏决策行为,发现人类会稳定转向全局策略,而自进化智能体的行为转变仍有局限。
2026-08-11 cs.AI cs.HC
Sensory Modality Mapping for Game Adaptation and Design
在本文中,我们研究的方法,以游戏相关的信息提供了一种感官形式,并将其转换为另一种传感器形式,以更有效地适应感官受限的球员。然后,我们考虑的适应和设计的游戏的方法,游戏交互被约束到一个子集的感官形式的方式,保持一个共同的水平的新奇的经验,为不同的感官能力的球员。人们希望,经过改进的共享经验能够促进更广泛的参与者之间的互动。
2021-06-17 cs.HC
Unlocking Open-Player-Modeling-enhanced Game-Based Learning: The Open Player Socially Analytical Intelligence Architecture
University of California, Santa Cruz(加州大学圣克鲁兹分校);Microsoft Research(微软研究院);Boston College(波士顿学院);University of Central Florida(中佛罗里达大学);ITU Copenhagen(哥本哈根工业大学)
本文提出OPSAI架构,通过分离游戏数据与引擎,实现透明的玩家建模,并提供可操作的教育洞察,展示了在游戏式学习中的应用与反馈闭环。
2026-03-27 cs.HC
Demonstrating the Feasibility of Automatic Game Balancing
游戏平衡是(电脑)游戏设计过程中的一个重要部分,在这个过程中,设计师会调整游戏原型,使最终的游戏尽可能具有娱乐性。在工业界,对游戏的评估通常是基于对人类玩家进行的昂贵的游戏测试。它建议自己使用代理模型来自动化这个过程,以预测游戏和结果。在本文中,自动平衡使用模拟和甲板为基础的目标的可行性进行了研究,为纸牌游戏顶王牌。此外,一个多目标的方法的必要性断言的比较与唯一已知的(单目标)的方法。我们应用多目标进化算法来获得优化目标的甲板,例如,赢率和平均技巧数,以表达公平和顶级王牌游戏的兴奋。结果进行了比较,从甲板上公布的顶王牌甲板使用基于模拟的目标。证明了在这些目标方面产生更好或至少与已发布的顶王牌甲板一样好的甲板的可能性。我们的研究结果表明,自动平衡与所提出的方法是可行的,即使是更复杂的游戏,如实时战略游戏。
2016-03-11 cs.AI cs.HC cs.NE
"Pharos Night: Crown Pursuit": An AI-Native Deck-Building and Tactical Arena Game Design Based on Multi-Agent Systems
Communication University of China(中国传媒大学)
该研究设计了基于多智能体系统的原生AI卡组构建与战术竞技场游戏《Pharos Night:皇冠追逐》,利用大语言模型实现核心功能,小规模试玩显示其能提供有策略性的游戏体验,也暴露出相关挑战,展现了多智能体生成式AI在游戏设计中的潜力。
2026-08-13 cs.HC
Affective Ludology, Flow and Immersion in a First- Person Shooter: Measurement of Player Experience
关于体验现象的游戏研究是一项具有挑战性的工作,因为游戏玩家在游戏中遇到的体验多种多样,目前还没有正式的分类,例如流,沉浸,无聊和乐趣。这些非正式的术语需要科学的解释。Ludologists也承认需要通过建立严格的方法论,从心理学的角度来理解球员的认知,情感和目标导向行为。本文建立在并扩展了以前的工作在一个领域,我们想硬币的术语“情感ludology。“该领域关注的是玩家游戏互动的情感测量。这里报告的实验研究使用主观(即,问卷)和目标(即,心理生理学)措施。参与者玩了三个半条命2游戏级别的设计修改,同时采取了肌电图(EMG),皮肤电活动(EDA)等措施,并收集了问卷调查。一个水平的战斗导向流的经验表现出显着的高唤醒积极影响的情绪。该方法示出了情绪模式从不同的级别设计中出现,其具有提供游戏玩法的实时情绪简档的巨大潜力,所述游戏玩法的实时情绪简档可以与自我报告的主观玩家体验描述一起生成。
2010-04-01 cs.HC cs.MM
I Feel I Feel You: A Theory of Mind Experiment in Games
University of Malta(马耳他大学);Institute of Digital Games, University of Malta(马耳他大学数字游戏研究所)
在这项研究中,玩家的情绪理论的心理游戏代理,我们调查如何代理的行为和玩家自己的表现和情绪形状的识别一个沮丧的行为。挫折感是人机交互中普遍存在的一种情感体验,本文重点研究挫折感。为此,我们提出了一个测试平台的游戏量身定制,在其中一个球员对代理的理论基础上的挫折模型的竞争。我们收集游戏数据,一个注释的地面真理的球员的评价代理的挫折,并应用人脸识别来估计球员的情绪状态。我们通过相关性分析和预测机器学习模型来检查收集的数据,发现玩家的可观察情绪与代理的感知挫折并不高度相关。这表明我们的主体的心理理论是一个基于游戏情境的认知过程。我们的预测模型-使用排名支持向量机-证实了这些结果,产生了球员心理理论的适度准确预测。
2020-01-23 cs.AI cs.HC cs.LG
Robo-Saber: Generating and Simulating Virtual Reality Players
Aalto University(阿alto大学);University of California, Berkeley(加州大学伯克利分校);NVIDIA;Simon Fraser University(西蒙弗雷泽大学)
Robo-Saber通过生成和模拟虚拟现实玩家行为,为VR游戏测试提供了一种基于风格范例和数据集训练的运动生成系统。
2026-09-30 cs.AI cs.GR cs.HC
Facial Emotion Recognition in VR Games
Ontario Tech University(安大略理工大学)
针对VR游戏中HMD遮挡眉眼导致面部情绪识别困难的问题,本研究用修改后的FER2013数据集训练CNN模型识别七种情绪,经两款VR游戏测试验证,该方法可助力开发者打造更具沉浸感的游戏体验。
2023-12-12 cs.CV cs.HC cs.LG
Bridging Pedagogy and Play: Introducing a Language Mapping Interface for Human-AI Co-Creation in Educational Game Design
Northeastern University(东北大学)
本文提出一种基于语言映射的接口,通过人机协同设计教育游戏,以明确教学意图并降低非专业设计师的设计门槛。
2026-03-04 cs.AI cs.HC
From Pixels to Affect: A Study on Games and Player Experience
Institute of Digital Games(数字游戏研究所);University of Malta(马耳他大学)
通过视频观察用户的行为交互,是否有可能预测用户的影响?例如,我们怎么能仅仅通过在游戏过程中看屏幕来预测用户在游戏中的唤醒呢?在本文中,我们通过采用三种不同的深度卷积神经网络架构来解决这些问题,试图学习游戏视频流与玩家唤醒之间的潜在映射。我们在生存射击游戏的50个游戏视频的注释数据集中测试了这些算法,并评估了深度学习模型对高唤醒水平和低唤醒水平进行分类的能力。我们的主要研究结果与要求苛刻的留一视频验证方法显示,平均准确率超过78%,最高可达98%。虽然这项研究的重点是游戏和玩家体验作为一个测试域,研究结果和方法是直接相关的任何情感计算领域,介绍了一个通用的和用户不可知的方法建模的影响。
2019-10-15 cs.HC cs.LG
Taking the Scenic Route: Automatic Exploration for Videogames
Design Reasoning Lab(设计推理实验室);University of California, Santa Cruz(加利福尼亚大学圣克鲁兹分校)
机器游戏测试工具和游戏时刻搜索引擎如果要报告或索引可能的游戏中最有趣的时刻,就需要接触游戏状态空间的多样性。与此同时,移动应用程序分发服务希望快速确定新上传的游戏是否适合发布。访问游戏中可达状态的语义映射将使这些应用程序能够进行有效的推理。然而,人类游戏数据相对于其提供的游戏的覆盖范围而言是昂贵的。我们表明,现成的自动探索策略可以探索与人类的游戏在同一时间尺度上的有效性。我们贡献的通用方法量化探索质量作为时间的函数,并展示了我们的度量的几个基本技术和人类玩家的商业游戏的集合从多个游戏平台(从雅达利2600到任天堂64)。强调的多样性达到的状态和提取的语义图,这项工作的重点是找到一个行为政策或优化游戏得分在大多数自动玩游戏的研究,使生产力的对比。
2018-12-07 cs.AI cs.HC
Toward Human-AI Alignment in Large-Scale Multi-Player Games
Microsoft Research(微软研究院);Massachusetts Institute of Technology(麻省理工学院);New York University(纽约大学);Mila, University of Montreal(蒙特利尔大学Mila研究所)
本研究针对复杂多人游戏中的人-AI对齐问题,提出基于可解释任务集框架的评估方法,通过分析超10万场Bleeding Edge人类对局数据构建行为流形,对比生成式预训练因果Transformer训练的AI与人类的行为差异,为多人游戏的人-AI对齐提供可量化的可解释评估框架。
2024-06-18 cs.AI cs.HC
Using Machine Learning to Predict Game Outcomes Based on Player-Champion Experience in League of Legends
University of Central Florida(中佛罗里达大学);University of Texas at Dallas(德克萨斯大学达拉斯分校)
英雄联盟(LoL)是世界上最广泛玩的多人在线战斗竞技场(MOBA)游戏。LoL的一个重要方面是竞争性排名游戏,它利用基于技能的匹配系统来组建公平的团队。然而,玩家的技能水平差异很大,这取决于他们选择扮演的英雄或英雄。在本文中,我们提出了一种方法来预测排名LoL游戏中的游戏结果的基础上,玩家的经验与他们选择的冠军。使用深度神经网络,我们发现在所有玩家都选择了冠军之后,游戏结果可以以75.1%的准确率预测,这发生在游戏开始之前。我们的研究结果对玩LoL和匹配有重要意义。首先,个人冠军的技术在比赛的结果中起着重要的作用,无论球队的组成。其次,即使在基于技能的匹配之后,在游戏开始之前,团队技能仍然存在很大差异。最后,玩家应该只玩他们已经掌握的冠军,如果他们想赢得比赛。
2021-08-05 cs.HC cs.LG
Colwell's Castle Defence: A Custom Game Using Dynamic Difficulty Adjustment to Increase Player Enjoyment
College of Engineering and Informatics, National University of Ireland, Galway(爱尔兰国立高威大学工程与信息学院)
动态难度调整(英语:Dynamic Difficulty Adjustment,简称DDA)是一种在电子游戏中使用的机制,可以自动调整个人游戏体验,以匹配适当的难度设置。这通常是通过删除预定义的难度等级,如容易,中等和困难,而是集中在平衡游戏,以匹配挑战个人的能力。本文介绍的工作探讨了DDA的自定义生存游戏开发的作者,即科尔韦尔的城堡防御的实施。这个街机风格的游戏的前提是保卫一个城堡从成群的迎面而来的敌人。我们开发的AI系统会根据玩家当前的表现调整敌人的产卵率。具体来说,我们在每个关卡结束时读取玩家生命值“与”门生命值,然后为玩家分配相应的难度等级。我们测试了我们的技术对30名人类玩家的影响,并根据问卷反馈得出结论,启用该技术可以带来更愉快的游戏体验。
2018-06-12 cs.AI cs.HC