|
|
|
|
|
|
 |
غزل خیرالدین |
 |
|
| | تاریخ ارسال: 1404/4/30 | |
|
دانشجو غزل خیرالدین دانشجوی کارشناسی ارشد مورخ : ۱۴۰۴/۰۴/۳۱ ساعت ۱۶-۱۸ از پروژه کارشناسی ارشد خود دفاع خواهند نمود.
|
ارائه دهنده:
غزل خیرالدین
چکیده:
در طراحی بازی‌های دیجیتال، ایجاد تعادل بین چالش و مهارت بازیکن یکی از عوامل کلیدی در افزایش جذابیت و درگیری ذهنی بازیکنان است. روش‌های سنتی تنظیم دشواری اغلب ثابت یا به‌صورت دستی تنظیم می‌شوند که این امر می‌تواند باعث کاهش تعامل بازیکنان، افزایش نرخ ترک بازی و کاهش میزان یادگیری شناختی شود. در این پژوهش، یک سیستم تنظیم دشواری پویا مبتنی بر یادگیری انتقالی و شبکه‌های حافظه‌ی کوتاه‌مدت و بلندمدت ارائه شده است که توانایی شخصی‌سازی تجربه‌ی بازی را بر اساس عملکرد و سبک بازی بازیکن دارد. در این پژوهش، داده‌های مربوط به عملکرد بازیکن از بازی PinGun جمع‌آوری شد که شامل اطلاعاتی مانند تعداد شلیک‌ها در هر موج، نوع رویداد و زمان اتفاق افتادن هر رویداد است. سیستم پیشنهادی از یک مدل مبتنی بر حافطه‌ی کوتاه‌مدت بلند مدت استفاده می‌کند که ابتدا با داده‌های بازیکنان آموزش دیده و الگوهای عملکرد و رفتار آن‌ها را در طول زمان یاد می‌گیرد. پس از آموزش اولیه، یک رویکرد یادگیری انتقالی به‌کار گرفته می‌شود تا مدل از داده‌های از پیش‌آموخته‌شده استفاده کرده و خود را متناسب با بازیکنان جدید تنظیم کند. این روش امکان تنظیم پویا و شخصی‌سازی سطح دشواری را فراهم می‌کند. برای ارزیابی روش، آزمایشی بر روی ?? بازیکن با سطوح مهارتی مختلف انجام شد که هر بازیکن قبل و بعد از اعمال سیستم تنظیم دشواری پویا بازی را تجربه کرد. بازیکنان تازه‌کار پس از اعمال این سیستم، دقت شلیک خود را ?? درصد افزایش دادند، درحالی‌که زمان واکنش آن‌ها به تهدیدات ?? درصد کاهش یافت. علاوه بر این، نرخ تکمیل مراحل آن‌ها ?? درصد بهبود پیدا کرد که نشان‌دهنده‌ی افزایش توانایی آن‌ها در مدیریت چالش‌های بازی است. بازیکنان با مهارت متوسط نیز توانستند نرخ تغییر وظایف خود را ?? درصد بهبود دهند و نرخ موفقیتشان در امواج دشوار بازی ?? درصد افزایش یافت. این نشان می‌دهد که سیستم پیشنهادی به آن‌ها کمک کرده است تا بهتر با چالش‌های متغیر بازی سازگار شوند. اگرچه بهبود در سرعت واکنش این بازیکنان تنها ? درصد بود، اما درگیری ذهنی آن‌ها با بازی باقی ماند. به‌طور کلی، نتایج این پژوهش نشان داد که تنظیم دشواری پویا نه‌تنها تجربه‌ی بازی را بهبود بخشیده، بلکه باعث تقویت توانایی‌های شناختی بازیکنان نیز شده است. پیشنهاد می‌شود که در پژوهش‌های آتی، این روش در سبک‌های مختلف بازی آزمایش شده و همچنین داده‌های فیزیولوژیکی مانند ضربان قلب و سطح استرس بازیکنان برای بهینه‌سازی بیشتر سیستم مورد بررسی قرار گیرد.
Abstract
.In digital game design, balancing challenge and player skill is a key factor in enhancing engagement, cognitive involvement, and overall player satisfaction. Traditional difficulty adjustment methods are often static or manually set, which can lead to reduced player retention, increased frustration, and diminished cognitive learning outcomes. Static difficulty settings fail to accommodate the diverse skill levels of players, making the experience either too difficult for some or too easy for others, ultimately decreasing motivation and engagement. To address this challenge, this research proposes a dynamic difficulty adjustment system based on transfer learning and long short-term memory networks, designed to personalize the gaming experience by adapting difficulty levels dynamically based on player performance
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
