en English is Íslenska

Thesis (Master's)

Reykjavík University > Tæknisvið / School of Technology > MSc Tölvunarfræðideild / Department of Computer Science >

Please use this identifier to cite or link to this item: https://hdl.handle.net/1946/29741

Title: 
  • Title is in Icelandic Spáð fyrir um tilfinningar spilara út frá hegðun þeirra í tölvuleik
  • Predicting Players' Emotions from Game Telemetry
Degree: 
  • Master's
Abstract: 
  • Abstract is in Icelandic

    Gagnvirk sögukerfi í tölvuleikjum notast oft við líkan af spilurum til þess að aðlaga söguþráðinn að áhugasviði þeirra, persónuleika eða færni. Hegðun spilara í tölvuleik er oft notuð sem vísir í gerð spilaralíkansins en tilfinningar þeirra geta einnig veitt gagnlegar upplýsingar. Fólki finnst of erfitt að lýsa tilfinningum sínum og þess vegna stefnum við að því að mæla þær með lífeðlisfræðilegri svörun spilaranna. Þar sem spilarar eru yfirleitt ekki búnir slíkum tækjum í sínu náttúrulega leikjaumhverfi miðum við að því að gera þau óþörf með því að þróa aðferð sem spáir fyrir um tilfinningar spilara út frá hegðun þeirra í tölvuleik. Aðferðin felur í sér notendarannsókn þar sem við rekjum aðgerðir spilaranna og mælum lífeðlisfræðilega svörun þeirra við spilun tölvuleiks. Við reiknum síðan gildi þriggja tilfinningalegra eiginleika (örvun, löð og styrkleika) og þjálfum nokkur vélnámsreiknirit til þess að spá fyrir um gildin út frá hegðun spilaranna. Niðurstöður okkar sýna að aðferðin okkar getur spáð fyrir um tilfinningalegra eiginleika spilara út frá hegðun þeirra í tölvuleik með meiri nákvæmni heldur en niðurstöður samræmdrar handahópsspár.

  • In video games, interactive storytelling systems often use a player model to tailor the storyline to a player’s preferences, personality, or skills. The player’s in-game actions are often used as an input for the model, but their emotions can also offer useful knowledge. People often find it hard to describe their emotions and therefore, we aim to measure them through their physiological response. Since players are usually not equipped with such devices in their natural gaming environment, we seek to render the devices unnecessary by developing a method to predict a player’s emotions from their in-game actions. Our method involves a user study where the player’s actions are tracked and their physiological response is recorded. We then compute three emotion features (arousal, valence, and dominance) and train several machine learning algorithms to predict those features from the player’s in-game actions. Our results show that our method can predict a player’s emotion features from their in-game actions more accurately than the results of a uniform random predictor.

Accepted: 
  • Mar 12, 2018
URI: 
  • http://hdl.handle.net/1946/29741


Files in This Item:
Filename Size VisibilityDescriptionFormat 
MSc-IngibjorgJonsdottir-2017.pdf11.31 MBOpenComplete TextPDFView/Open