• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • Spelbeteende kan ge en ledtråd om spelarens kön

    Upphovsman:CC0 Public Domain

    Forskare från ITMO University rapporterar att de har förutsagt personlighetsfunktioner som kön med hjälp av data från en onlinespelplattform. Detta är en av de första studierna av maskininlärning som tillämpas på en stor mängd speldata. Metoden kan förbättra personliga spelrekommendationssystem. Det kan också användas för att identifiera spelberoende. Resultaten presenterades vid AAAI -konferensen om artificiell intelligens.

    Videospel är fast etablerade i populärkulturen, och antalet online- och offline -produkter för spelplattformar växer dag för dag. I tur och ordning, användare genererar ökande mängder data som kan användas för att utveckla modeller för spelbeteende eller för att bestämma personliga egenskaper. Detta är användbart, till exempel, för tidig upptäckt av spelberoende, liksom för marknadsföringsforskning inom spelområdet.

    Tills nu, majoriteten av spelforskningen gjordes manuellt på små datamängder. Dock, för att göra statistiskt signifikanta slutsatser, det är nödvändigt att analysera stora datamängder. Forskare från ITMO University och National University of Singapore är nu bland de första som använder maskininlärning för detta. Med hjälp av data som de samlat in om användarnas beteende för Steam -spelplattformen och en specialutvecklad och utbildad modell, forskare lyckades förutsäga spelarens kön genom spelbeteendet.

    Databasen för analys samlades in från tjänsten Player.me , som ger information om Steam och sociala medier. Jämför användarspeldata med sin Twitter, Facebook och Instagram inlägg, forskare upptäckte kopplingar mellan spelbeteende och personliga egenskaper. Som ett resultat, modellen byggdes på sådana funktioner som tid på spelet, prestationer, föredragna spelgenrer, betalningar i spelet, etc.

    "Tanken med min forskning är att använda speldata för att studera mänskligt beteende i verkliga livet. Sociala nätverk verkar vara en bra källa för denna information. Men människor tänker på sitt beteende i sociala nätverk:de väljer vad de ska lägga upp och tar bort sina tankar. På samma gång, medan du spelar spel, vi beter oss som vi skulle i verkligheten utan att tänka så mycket. Och nu, Jag har lyckats bekräfta att speldata är relaterade till människors verkliga egenskaper, "konstaterar Ivan Samborskii, en doktorand vid ITMO University.

    Enligt forskarna, speldataanalysen kan hjälpa till att ta reda på intressen, plats, och demografi av användare, samt att bedöma hur mycket tid en person är villig att lägga på spel. Forskare kommer att arbeta för att förbättra den resulterande modellen, göra förutsägelser om användare mer exakta. Också, de planerar att anta modellen för förutsägelse av spelberoende.

    "På internet, användarens identitet är okänd, och ofta, vi kan bara gissa vem som gömmer sig under avataren för den frätande kommentatorn eller under smeknamnet på klanmedlemmen. Det är endast möjligt att lyfta slöjan genom att analysera indirekta tecken, användarens onlinebeteende. Det är viktigt att avgöra vem som är på andra sidan skärmen, både till jättarna som Google, som får den största vinsten, visar reklam korrekt, och till små webbutiker. En viktig och intressant fråga som uppstår är vilken data som är tillräcklig för detta. I vår tidigare forskning, vi använde texter, bilder, och till och med geolokalisering. Dock, spelarnas beteende beskrivs av ett mycket speciellt språk för timmarna i spel och uppnådda prestationer. "

    "Vår forskning har visat att även denna information är tillräcklig för att förutsäga spelarnas kön. Visst, vi kommer inte att sluta med denna enda funktion, men nu, vi har helt enkelt visat att spelbeteende kan analyseras och bra förutsägbara värden kan erhållas. Förutom den allestädes närvarande reklampersonaliseringen, goda prediktiva modeller kan användas inom tillämpad forskning:sociologisk, psykologisk, sport och medicin, "tillägger Andrey Filchenkov, chef för Machine Learning Group i datortekniklaboratoriet vid ITMO University.


    © Vetenskap https://sv.scienceaq.com