Utilising Visual Features as Indicators of Players Engagement - Data Mining Documentation

Implemented and Designed By

Mohammad Shaker & Ola Al-Nameh

In Supervision of

Eng. Ammar Al-Nahhas

AI Department – 2013

Information Technology Engineering of Damascus, Syria

Fusing Visual and Behavioral Cues for

Modeling User Experience in Games

Fusing Visual and Behavioral Cues for Modeling User Experience in Games

1

انفيشط

Abstract .................................................................... 6 ذطؿو .1.1

11 ................................................................................. مىس .1.1

11 ...................................................................... فطحق١س وحش .1.1

14 ......................................................................... حذس وجحش .2

14 ..................................................................... حذس وجحش .1.1

Galactic Arms Race (GAR)............. 14 جؿز جطف رحق ؼرس .1.1

constraint-based جكط ط١ى م١ىز ئؾجت١س ٠٠ك ػ فحء ف١س ئحء ض١ .. .2.3

procedural content generation (PCG) ....................................................... 17

Procedural Content Generation ئؾجت ذى جكط ض١ى .1

(PCG) 12

12 ................................................................................. مىس .1.1

13 ...................................................... جطمحت جكط ض١ى ألح .1.1

13 .............................................. جطط٠ أغحء جرحء جرح جرحء .1.1

13 .................................... جإلنط١ح جكط ج جكط .1.2

14 ............................................................................ جؼحالش .1.3

14 ................................................. جكىو جط١ى جؼجت جط١ى .1.4

14 .................................. جرحءز جهج١حش جنطر-جذ نج١س .1.5

15 ....................................... جركػ١س جطق ذحطهىج جى جكط .1.6

15 ........................ ذكػ١س نج١حش ذاطهىج جى جكط ػ أػس .1.7

Pac-Man ................................ 15 ذـ ر١س ألؼحخ لجػى ؿػس .1.11

16 ................................................. جقس ألؼحخ لجػى ؿػس .1.11

16 .......................................................... جرحق ألؼحخ حجش .1.11

17 ....................................................... فحء ؼرس أكس ضط٠ .1.11

Super Mario Bros .............................. 17 ؼرس ججق ض١ .1.12

11 ..................................................... جىجس ف جىس جؼرس .3.15

12 ......................................... جالػد جطؾؼس جحػ وجس .2

Fun ........................................................................ 12 جؼد طؼس .4.1

Challenge .................................................................. 12 جطكى .4.2

Frustration ................................................................ 12 جإلقرح٠ .4.3


2

Predictability ..................................................... 13 جطه١ لحذ١س .4.4

Boredom ...................................................... 13 ج جؿ .2.3

ع .4.6 Anxiety....................................................................... 13 جؿ

21 .............................................. وح ذى جركػ١س جىجس هط١ .3

21 ................................................................ جركػ١س جىجس هط١ .5.1

23 ................................... جكط ض١ى أؾ جالػد نرز ؾس .6

Neuro-evolutionary جطط٠س جؼر١س ٠٠ك ػ جطف١ ضؼ .6.6

Preference Learning through Player Modeling ..................................... 23

ؼحوز جالػد نرز .6.2 Reported player’s experience of جؼرس ؼد ذؼى ج

playing the game ..................................................................................... 24

ؼحوز جالػد نرز .6.6 Reported player جطؿ٠ر جرضوي ج

experience and experimental protocol ................................................. 24

Game Pair ......................................................... 25 ؼد ؼ .6.6

31 ............................................... جؼد حش ذح جطكى جحش .7

31 ....................................................................... جحش أجع .7.6

Controllable features of the جؼرس ف ذح جطكى ٠ى جط جحش .7.6.6

game 31

Gameplay characteristics ... 31 جؼرس جؼد نحت .7.6.2

SHORE ....................................... 36 جطؼحذ١ ػ جطؼف ذؿ١س .6

36 ..................................................................................... مىس .8.1

SHORE ......................................................... 36 ػ جطؿحخ .6.1

Data Collection .................................................. 44 جر١ححش ؾغ .9

44 ................................................................................. مىس .7.1

Features Extraction ............................... 46 جحش جطهجؼ ػ١س .9.2

47 .................... جحس جألقىجظ جحش جطهجؼ – جأل جقس .7.1

51 ................................. جظح٠س جحش جطهجؼ – جػح١س جقس .7.2

54 ............................................................ جؼط١حش لحػىز ض١ .11

54 ..................................................................................... مىس .10.1

61 ................................................ (Data models) جر١ححش حيؼ .11

61 ............................................................................... مىس .11.1

Frame Only Model ..................................................... 61 يؼ .11.2


3

All Frames Model ...................................................... 65 يؼ .11.3

Frame over Event Model ........................................... 67 يؼ .11.4

Surrounding Frames over Event Model .................... 71 يؼ .11.5

76 ............................................................. (Clustering) جؼمىز .11

76 ............................................................................... مىس .11.1

Frame Only Model ............................................... 76 يؼ .11.1

All Frames Model .............................................. 111 يؼ .11.1

Frame over Event Model ................................... 111 يؼ .11.2

Surrounding Frames over Event Model .................. 113 يؼ .12.5

111 ..................................................................... جيؼ جنط١ح .11

111 .................................................... جمجػى جيؼ قد محس .13.1

Microsoft هج١س جطلغ ك١حش جيؼ قد محس .11.1

Decision Tree 111

Microsoftهج١س جطلغ ك١حش جيؼ قد محس .11.1

Clustering 111

111 .....................................................................جحت جططر١ك .1

115 ................................................................... جطمر١س ج٢فحق .12

Adaptive Game Model ........................... 115 جطى١ف جؼرس يؼ .14.1

Adaptive content generation ..... 115 جق جطى١ف جط١ى جق .14.2

111 ............................................................................ ججؾغ .13


4


5


6

انفصم األل يمذيح انششع


7


8

Abstractترجشد .1.1

ف ئ٠ؿحو س ج ذ١ ضؼحذ١ جالػد جىجس ضركع

قوحش أ جغ١ ػى٠س ذ١ جكط جى ؼرس ذغ١س

ى الػد ئ ذحء يؼ كط ضى١ف ضرؼح جي ف جح٠س

١ححش طك١ ض جطهىج نج١حش جطم١د ف جرػ قىج.

ذحىح لرح ض ذحؤح ؼط١حش لحػىز جر١ححش جؾوز

جػطحوج ػ ؼط١حش الػر١ لى نحج ضؿذس جؼد ذطؿ١

حش ف١ى٠ ؾ أغحء جؼد ذحإلحفس طؿ١ ؾ١غ جؼط١

جحس ف١ح ٠ه ٠٠مس ؼر غ ذحء جحيؼ محطح

ي ئ يؼ ٠طؼف ػ أف١س جقس جحق١س

جؼ٠س.


9


10

ذيحيم .1.1

Adaptiveجطى١ف ض١ى كط جألؼحخ ذى جحػ ف جو جالطح جألوحو٠

Gaming نالي ججش جم١س جح١س ق١ع أغرطص جؼى٠ى جركظ جىجحش ذى ور١

[. مى ف 1أ ئوجؼ جطى١ف ف و٠ح١ى١حش جؼرس ٠ى أ ٠ؼ ضؿذس جالػد ]

جركػ١س يؾح ٠ى ضف١الش جالػد أغحء جؼد ضرؼح كط ؼ١ نحت جىجس

ى ذى جتى ػ وجطح جحذمس ألؼحخ جح٠س جؼد جط لح ذح جالػد أغحء ؼر

يه ذىجس ضأغ١ ضؼحذ١ جؾس ف قحس First Person Shooter Gamesظ جالػد

.Marioجه جؼ٠س جؼرس يه ؼرس

ذىأش ذؼ جألؼحخ جطؿح٠س ضط ذؼ رحوب جكط جطى١ف، ػ ٠٠ك ضى١١ف ذؼ

( جط ٠ط difficulty نحت جؼرس جػطحوج ػ أوجء جالػد. ػال ؼذس جؼرس )

، Max Payneح طمى٠ حز جالػد يه ػ ٠٠ك ضؼى٠ ػىو جألػىجء ف ؼرس ض١ح ضرؼ

أ Mario Kart( ف ؼرس power upsأ ضؼى٠ جقطح١س جكي ػ جفؼحش جطحلس )

.Left 4 Dead [1]( ف ؼرس spawn pointsأحو جطى )

الػد ٠ى ف ضطر١ك ج١٢حش جفطحـ ف ض١ جألؼحخ جط ض فح ذكد ضؿذس ج

جطى١ف١س جط ضم ئيج، و١ف، و مىج ٠ؿد أ ٠ط ضغ١١ كط جؼرس )١جش ؼ١س لحذس

حس ضطك قي ضؿذس طكى ف جؼرس فح(. جهطز جأل ك ض١ ؼرس ضى١ف١س فؼ

و١ جؼف الػد ضط٠ ( جط emotional stateجالػد ضم١١ جكحس جؼ٠س )

أؾ ج جغ ٠طك أ ٠ط ضؿ١غ ػىو ( طؿذس جالػد.predictorsطرثحش )

ىنالش جالػد )قوحش جؼد ػال ( الطمحق إجش رؼ ؾجد ضؿذس جؼد أ جالػد

(. وه satisfaction( ط ج )frustrationػ حز جالػد، ط جالقرح٠ )

( ضك ػ أثس يجش ٠ر١ؼس ٠surveyى الػر١ ئنرح ضؿذط ػ ٠٠ك ئقحت١س )

(.preference( أ ضف١١س )scalingضكؿ١١س )

-neuroضؼ ضلغ ضؿذس جالػد ػ ٠٠ك ضؼ جطف١ جؼر جطط )

evolutionary preference learning ؾس جكحذ١س طؿذس جالػد ( أػط طحتؽ ول١مس

يؼ جالػد ٠ى أ ٠ف جطفحػ ذ١ جالػد جؼرس ئ ػىو أح٠ و١حش [.1]

ػد ض ض١ى ذجطس جطظ١ [ ضمي أ ض١ يؼ ال 1جالػد جهطفس. جظ٠س ف ]

( طؼ جطف١ جؼر جطط ٠ى أ ضإو ئ self-organizationججض )


11

ضمى٠جش أوػ ولس طف١الش جالػد. طؿذس جظ٠س ض ؾغ ذ١ححش ؼد ضف١الش

ه 111( pairwise emotional preferencesؼ٠س ضؼطى ػ جؾ١س )

ح .غالغ١س جألذؼحو ف وجط ٠FPSؼر ؼرس جه جألي

كهاخ يفرادح .1.1

، ضف١الش Player Modeling، ؾس جالػد NeuroEvolutionجطط جؼر

Preferences جطى١ف ،Adaptive ض١ى جكط ذى ئؾجت ،PCG ١جش ،Features ،

، Gameplay features، ١جش ؼد جالػد ١Controllable featuresجش لحذس طؼى٠

.Clusters، جؼحل١ى Decision Treesج أؿح جم


12


13


14

انفصم انصان

دساعاخ يشاتيح


15


16

دساعاخ يشاتيح .1

دساعاخ يشاتيح .1.1

)جحيؼ content[ فا ف ؼظ أؼحخ جف١ى٠ جكى٠ػس فا جكط 1وح و ف ]

Models ػ ر١ جػحي، ججق، جألكس، غ١ح( ٠ط كح غ جؼرس ذى غحذص

رمح ذى غحذص ال ضطغ١، أ ف أق جألقجي ٠ؾى ػجت١س Randomizing ػ

٠طغ١ ٠طؿىو ذى content ى، ف قحي وح كط جؼرس ؿػس ١مس جؼحالش.

غ جؼرس ذى أف ىز أ٠ي. ٠get engagedى أ ٠ىؿ وجت، فا جالػر١

[ ٠ؾى نج١حش ئحء جكط ػ ٠٠ك 1طكم١ك ضه١ ج جطـ، فا قد ]

content-generating NeuroEvolution ofجطط جؼر طرؾ١ح ججوز

Augmenting Topologies (cgNEAT) algorithm .

ػ كط جؼرس جػطحوج ػ evolvingضطكمك جهج١س ذأح ضم ذحطؼى٠ جطط٠

cgNEATػ ىج ؼد جؼرس. ضؼطر نج١س player preferencesضف١الش جالػد

(.Stanley and Miikkulainen 2002جأل١س ) NEATضط٠ج هج١س

Galactic Arms Race (GAR)نؼثح عثاق انرغهخ انجشج .1.1

. cgNEAT[ فا جؼرس ضطهى نج١س 1 جؼرس قد جىجس جمىس ف ]

جف جفحت١س ١محضج ١٠حجش جألػىجء كي ػ أكس ؾى٠ىز ٠GARطهى جالػر ف

جوطحف GAR جط ضطش جؼرس، نالي جؼرس. ضف جألىحي أوح و١ف ٠ى الػر١

ؿػس جؼس جألكس جط ١ص ؾوز ف جؼرس ذى أح، ى أ٠ح ػ

ف جح. extendingأح ضى٠ى كط ؾى٠ى كط حذك ف

أ جى ج٢ ئحء أؼحخ ضى جكط cgNEATج٢غح جطضرس ػ نج١س

٠ىز ذه جهح ذح ذفح ، هفس ذه ئ قى ور١ ضىفس ئحء جكط ذى غحذص،

ل١س جؼرس ذكى يجضح.

ضر١ جألىحي جطح١س ذؼ جفح١ غ ـ و ح.


17

، فا جؾف أ ٠ؼػ GAR. وح ضطط أكس ف أيصهح ذطس انغالح ضر١ جألىحي

حش حغس طه جط لحج ذطف١ح ف جح.جالػر ػ أكس يجش ف

ف ج جػحي جؼد جفؼ، فا جالػد وػ١ج ح أ٠ك الـ جطحSpread

weapon ( وح ف جىa.)

ف لص القك جؼرس، قىظ ضط ؾى٠ى ف الـ جالطح أقىغص ػ١ ضؼى٠الش

variations (b، c.)ضغ١١جش

آن أكس جالطح ػ١ز الطح )عd ( ضم ذا٠الق ل٠فط١ )ئ٠الق لجتف

جهحؾ( ل٠فس ٠ؼس وجن١س.

( ف لص القك ج جالـe، f ٠ى ط ذى رحغ ف، ق١ع أ فق )

جػس ذ١ ػ جمجتف جىجن جهحؾ ذى ور١، ذى طؼىو ١ ج

ضؼى٠ ػ جالطح. جألػس ط١ف و١ف١س ضط٠ م٠فس ججقىز وح ض

كط ذحء جقس جطح١س ذحء ػ ضف١الش جالػد ف cgNEATنج١س

ججق جح١س.


18

جؼى٠ى GAR. ٠ىطف الػرج gameplayذطس األعهذح خالل نؼة انالػة ٠ر١ جى

س و٠ح١ى١ح أغحء جؼد، يه لر جؼرس فح. ٠ظ جى ذؿحد و جألكس ج

:ز ػىو أؾ١حي جالطحل جط جضهش طط٠ و الـ. ػال

( ف الشكلa، b ) تنبعث من السالح عدة انماط من جسمات الن تكون فعالة لمحاربة

العدد من األعداء ف آن واحد.

( بن الشكلc نمط سالح بعث نمط محدد والذي هو واسع ف البداة، من أجل صد )

أسلحة األعداء، ولكن تقاطع ف وقت الحق لركز الضرر على جسم واحد بعد مسافة

نة.بن الشكل ) ( خلق جدار دفاع من الجسمات أمام الالعب.dمع

( الشكلeطلق نمط على شكل موجة والت مكنها الدوران على ) عقبات ضخمة مثل

النازك.

( الشكلf بن إنشاء خط دفاع من الجزئات ف كال الجانبن من العب، مما أسفر )

لالعب. عن خط دفاع

ػ ض١ى ؿػس جألكس ذى ضىط١ى cgNEAT جطحتؽ ضػرص لىز نج١س

ؾح ذى طع ف١ى ذى قم١م أ١!


19

-constraintنح فضاء ػن طشك إجشائح يمذج نرنذ انذر ذصى إنشاء عف .1.1

based procedural content generation (PCG)

constraint-based proceduralئؾجت١س م١ىز ط١ى جكط [2ضؼ جىجس ف ]

content generation (PCG)

إلحء ض١ ف١س فحء )ى ؾ جف١س

جفحء ػ جألكس أجع جىجفغ حش ف١س

٠رؾ١ح( ذغ جظ ػ جف٠١حء جطجض١ؿ١حش

٠هطح جم١حوز. فمح إل٠ح جؼ جمطـ، فا ج

ؿػس جططرحش ف١س جفحء جط ٠كحي

ضكم١مح constraint optimizerك جم١و

ئحء جم١و.

جكي ػ١ح ف ػىو جالنطرحجش جطحتؽ جط ض

ذحطهىج ؿػس جم١و جألىجف ضر١ أ ف١س

جفحء ىش أوجء ؾ١ىج ف جكوس جمطحي جرمحء

visuallyػ ل١ى جك١حز، وح أح مرس ذ٠ح

appealing.

ف جى ػ ج١ح ض١ف ض١ى ف١س فحء. و

و وح جألق ٠ػ القح ٠ػ ١ كى

ج جألق ٠ػ وجفغ ف١س جفحء.

٠ر١ جى جطح مطس كحوحز، ضظ و جىحش.

ضظ ف١ح ف١س جفحء جؼىس ػ ٠٠ك جإلؾجت١س

PCG ،ذح جألف، ف١س جؼى ذح جألق

)ح obstaclesوور١ ٠ػال ػج

ضح( جىف جػ ذح جألذ١ ج ضطؿ جىجت

ك ف١س جفحء.


20


21


22

انفصم انصانس

ذنذ انذر تشكم إجشائ

Procedural Content Generation (PCG)


23


24

Procedural Content Generation (PCG)ذنذ انذر تشكم إجشائ .1

يمذيح .1.1

. جمو ذحكط ح ؾ١غ أؾجء جؼرس سذى ضمحت ذطق ئؾجت١ ذحء كط جؼرس

جط ضإغ ػ ضؿذس جالػد ػ جطح٠، جهجت١، ججق ، جم، جكحجش،

جألىجف ججؾد ضكم١مح ، لجػى جؼرس، ظ جى١ج، جألكس جطحقس.

PCG8 ذـ٠ؾى ػىز أرحخ ضؿؼ جألؼحخ ٠ط

إعريالن انزاكشج .1

ف١ى غ١ كط جألؼحخ جط ضؼطى

ػ ٠٠ك ؾؼ ج جكط PCGػ جـ

غ١ ؼ، ال ٠ط ض١ى ئال ػى جكحؾس،

Eliteػحي ػ يه ؼرس جفحء

(Acornsoft 1984) جط جطح٠ؼص ئوجز

ثحش ؿػحش جؿ ذاطالن يجوز ال

جش جى١ذح٠طحش ػ ٠٠ك ضػ١ ٠طؼى ػ

و ؿ ج وود ذؿػس ألح.

ذفش انركانف انانح إلنشاء انذر تشكم ذ .1

إلحء SpeedTree[5]جؼى٠ى جألؼحخ جؼحز ضم ذاطهىج ضطر١محش ػ

ح٠ك هس ٠طط١غ جالػد جطؿي ف١ح ػ ٠٠ك ضغ١١ ؿػس ؼحالش.

تناء أناط جذذج ين األنؼاب .1

ؼ ئ وح ذاىحح ذحء أؼحخ ضغ١ كطجح ذى ور١ كظ ذاوجء ؾ١ى لص

ألى ذحء أؼحخ ال ٠ؾى ح٠س ح. ئ أى ذحء ػ ج ج١ (Real timeجطف١)

( أ قط ٠حوز جألؼحخ ضؼى٠ جكط جحضؽ ١الت يق الػد ؼ١ )أ ١ ؼر

ضؿذس جالػد )جطكى، جالىحؾ١س( طى جط١ؿس أؼحخ ٠ى ئػحوز ؼرح ذى

الحت مىضح ػ جطى١١ف ضغ١١ جكط ذى وجت.


25

ذجاص يخهح انصن .4

كط جألؼحخ ١ ه١س ج١، ى ذط١ى جكط ذى نج

ؽ فاح لى ك ػ ػجت )ال ٠ى جػطرح ػجت ذحؼ جكف(

كط ى طلؼ.

ألغاو ذنذ انذر انرهمائ .1.1

ذأىح جهطفس ١ز أططحػص جؼى٠ى جألؼحخ ضكم١مح ىز، PCGذحغ أ جـ

. ى ج ججلغ ذىء ذحطغ١١ ئال ج ال٠ؾى ؿطغ أوحو٠ طه ركع ف ج جؿحي

، س mailing List[6] ،IEEE CIS Task Force [7]فإنج ق١ع ض ئ٠ؿحو جؼى٠ى

[ ه ج جع، ى ال٠ؾى وطد طهس ضحل ج 7[، ٠ى ]6ػ ]

جؿحي.

.PCGجم جطح ١٠ جء ػ جؼى٠ى جفح١ جألح١س ف

انثناء انثاشش انثناء أشناء انرطش .1.1

٠ؿد ضكى٠ى ف١ح ئيج وح ٠ى ض١ى جكط ذى رح ف أغحء جؼد، أ أغحء قس

ضط٠ جؼرس. فػحي ػ جط١ى جرح ػىح ٠ىن الػد ئ ذحء، ضم جؼرس ذى رح

ؾوز لر. ذ١ح مى ذحط١ى أغحء ضط٠ جؼرس ذاحء جر١س جىجن١س رحء جط ضى

أ نج١س جط١ى ضمطـ ػ ج ذ١س ؼ١س كط ٠م ذحطؼى٠ ػ١ أغحء

قس ضط٠ جؼرس. ٠ؾى ق ١ ذ١ جألذ١. ف جى أ ٠م هى ذألطجـ نجت١

ء ػ ؼحش ض ؾؼح رمح ػ ١ ؼر.ؾى٠ىز الػد أ ؿػس الػر١ ذح

انذر انضشس انذر اإلخراس .1.4

٠ى ض١ف جكط جى ف١ح ئيج وح ٠ح أ ئنط١ح٠ح . جكط ج

جطخ ضجؾى ١طى جالػر ئضح جؼرس جح ججؾد ضكم١مح ػ جؼح ججؾد

جق ججؾد لطح، أ جمجػى جط ال ذى أ ضطجؾى. ف١ح جكط جإلنط١ح ٠حضح أ

ج ٠طط١غ جالػد أ ٠رطؼى ػ ال ٠طفحػ ؼ. ػ جألكس ج جحي أ جؼح جط ٠ؼى

جتح . ونح ئنط١ح٠ح . جفحق ح ذ١ جكط١٠ أ جكط ج ٠ؿد أ ٠ى ك١كح و

أ غ١ جمري أ ٠ط ض١ى ؼ ٠ؿد ٠حض ططكم١ك ىف ؼ١ ى رد ح ال ٠طط١غ


26

جالػد ون. ذ١ح ٠ى أ ف هج١س أ ضم ذط١ى أكس غ١ لحذس الطهىج أ

ؾحرح ئنط١ح ض١ غ١ طم ر ئيج وح ذاططحػس جالػد ذرح٠س أ ٠م ذامحء جالـ

غ١ أ جهؼ جر جغ٠د ٠حز غ١.

انؼايالخ .1.3

٠ى جط١١ ذ١ نج١١ط ض١ى كط ػ ٠٠ك جألن ذؼ١ جإلػطرح ئ أ قى ٠ى

جطالػد ذؼحالش و نج١س. ؾ١غ نج١حش ض١ى جكط ضم ذط١ى كط غ

هج١س ض١ى (seed)غ١ غ٠. ف١ى هج١س أ ضأن ذزئطاللح كط

جأللح جؼجت١س جط ضطهىح، ف١ح ٠ى هج١س أن أ ضمر ؼحع طؼىو جألذؼحو

و١١ ٠ف جكط ججؾد ذحؤ.

انرنذ انؼشائ انرنذ انذذد .1.3

أن ػجت١س جكط ذؼ١ جألػطرح. جمو طط١غ أ ف نج١حش ذحء جكط ذ

ح أ ذط٠ ف جؼحالش ف جهج١حش ضف١ح جوػ ز ف جكط جحضؽ

١ى ططحذك أ هطف. فا وحص جهج١س كىوز فرط٠ ف جؼحالش جطؼمس

ػ ػىو جش جطف١ ػ ػى ذط١ جهج١س ك ػ ف جحضؽ ذغ جظ

جكحي ف١ح ئيج وحص جهج١س ػجت١س )ػ جهج١حش جؿ١١س(.

اخرثش انخاسصياخ انثناءج-خاسصيح اتن .1.3

جؼ١ح جألن١ ج ٠ى جطهىج ط١ ذ١ نج١ط١ جهج١س جرحءز،

جنطر.-جهج١س جط ضؼطى رىأ جذ

ؼطر ذأ نج١س ح ذحءز ئيج وحص ضم ذط١ى جكط ضط ػى يه. ى ػ١ح جطكمك

ئنطر ضم ذرحء -ف١ح ئيج وح جكط ك١كح أ مرال أغحء ػ١س جرحء. نج١س جذ

ح ئيج وح كط ؼ١، غ ضم ذحطكمك ف١ح ئيج وح ٠جفك ؿػس ٠ فػال ضطكمك ف١

جط٠ك ذ١ ؼ ح جىن جهؼ ذطي ؼ١، أ ف١ح ئيج وحص جألؿح ضكمك فحش

ؿحي ؼط. ف قحي جف فاح ضم ذاػحوز ض١ى ؾ١غ أ ؾء جكط جكح

ضى جؼ١س قط ك ػ كط مري.


27

انذر اننذ تاعرخذاو انطشق انثذصح .1.3

جنطر ٠كمك ج٠ جطح١س8- قحس نحس ٠٠مس جذ

٠ؾى ضحذغ ئنطرح ٠م ذطكى٠ى ؾوز كط ؼط. يه ػ ٠٠ك ل١س ق١ىز أ

Fitness)ؼحع جم١ جكم١م١س. ػ ج جطحذغ ٠ىػ ذحؼحوز ذـ ضحذغ جىفحءز

Function) .جل ج ٠ك ك ؼط ج ذحىفحءز

ذحء كط ؾى٠ى ٠ؼطى ذى أح ػ جىفحءز جؼطحز ك حذك. جط٠مس

ضىف ئ ئحء جكط ي وفحءز جؼح١س.

( Evolutionary Algorithmؾ١غ جألػس جط وح القمح ضطهى نج١حش ضط٠٠س )

ػس جكي جكطس وأوجز ركع ػ جكط. ضؼطى جهج١حش جطط٠٠س ػ ؿ

هس ف ججوز. ف و ؾ١ ٠ط ضم١١ جكي ذحطهىج ضحذغ جىفحءز ٠ط ض٠ط١رح فمح

ىفحءضح. أء جكي ٠ط قفح جؿػس جطرىجح ذم جكي جؿ١ىز، ذحطػحء ضه

ؿح غ قي جن. ١ جط ض ضؼى٠ح ذى ػجت )ضؼص طفجش( ج ض و

جز أ ٠ط جطهىج نج١حش ضط٠٠س ذى ق. ف جى ئطهىج

نج١حش ذكع جن. جؿى٠ يو ج ٠٠مس ضػ١ جكي فح غحرح ذغ

جظ ػ نج١س جركع جطهىس.

أيصهح ػن انذر اننذ تإعرخذاو خاسياخ تذصح .1.3

طؼ ف ج جم ئ ؿػس جألػس جىز ذاطهىج نج١حش ذكػ١س كحي

ئمح٠ ح ضكىغح ػ حذمح ػ١ح.

Pac-Manيجػح لاػذ ألنؼاب شثيح تـ .1.13

ذرحء ضؿذس. ض ذحء (Togelius and Schmidhbuer)[. لح 7قد جىجس جمىس ف ]

ؼرس رىس. ق١ع ٠م جالػد ذطك٠ه ػ١ Offlineؿػس لجػى )كط ( ذى

. جرىس ضكط ػ ؿػس ؾىج أغج أج هطفس Pac-Manذط٠مس ضر ؼرس

جػى ٠ى فح ػ أح لطغ ٠ؿد جطمح٠ح، أ ه١حش ى٠مس أ ؼحو٠س ػ قد جم

ضػ١ ؿػس جمجػى ػ ى ؼحع ؼحالش ي قؿ غحذص ٠ػ ضأغ١ جطز. ض

ف وح. ٠ى ضػ١ ؿػس جألغج ػىح ضطحو غ ذؼح أ غ جؼ١ وح أ ٠


28

ؾ١ىز جألؼحخ ذػ ج جط٠مس. جؿ١ضح٠د وح جع جكىو ذحطػحء جطؼحش

جت١س. ضحذغ جطم١١ وح جع جكحو ج.جإلذطى

يجػح لاػذ ألنؼاب انهدح .1.11

لح ذرحء ظح طط٠ جمجػى ج٠س ذى Browne [ فمى لح 11قد جىجس ]

Offline ألؼحخ جق١س ذحطهىج جرؿس جؿ١١س. ض ضػ١ لجػى جألؼحخ ذى رح

( ذحطهىج غس ف١س. جغس جف١س ضف ذطػ١ Expression Treesوأؿح ضؼر١جش )

جمجػى ؼىو جألؼحخ جق١س ذح ف١ح أؼحخ ١ز. جهج١س جط جطهىح وحص ؼىس،

فحألذحء ي جىفحءز جهفس ٠ط جطه ذى وح ئح قحفع ػ١ ك أ٠س

ه أؾ جكفحظ ػ ضع ؿػس جكي. ضحذغ جطم١١ وح ن١١ ضحذغ ضم١١ هفس ي

رح ضحذغ ضم١١ كحو غحذص.

يغاساخ ألنؼاب انغثاق .1.11

٠م ذط١ى online/offlineذرحء ظح Togelius et al[، فمى لح11قد جىجس ]

ض١ جؼرس( أؾ أؼحخ حجش )لى ٠ى كط أ غ١ قد

جرحق. ض ضػ١ جحجش ذى رح ذاطهىج ؼحع ؼحالش ي ٠ي غحذص. غ ٠ط

ف ح Bezier)ؿػس ك١حش b- splinesضؾس ج جؼحع ذاطهىج ( جط ضؼ

الش جالػد إلحء كط جكرس. ضحذغ جطم١١ جطهى جع جكحو جؿحى ٠جػ ضف١

٠طح غ يل. و كط ط كط ض ضم١١ ذحطهىج ػ١ ػ ى ١حز ٠ط جطكى

ف١ح ذحطهىج رىس ػر١س ض ضى٠رح رمح طكحو ن ل١حوز جإلح ١حز. وفحءز جح

ؼظ جغ، مىج جطمى ضؼطى ػ أوجء ج١حز ػ جح8 جفق ذ١ جػس ج

جك ػ جح.


29

ذطش أعهذح نهؼثح فضاء .1.11

ذرحء ؼرس طؼىوز جالػر١ ذحطهىج نج١س ذحء كط ذكػ١س. Hastings et al [3] لح

ف جؼرس جطز ػ جالػر١ ل١حوز ورس فحء ن ؿػس ججؾحش غ أػىجء

الـ كط ئنط١ح ى ق١حز ؿػس ؾ١ىز جألكس أ ؾغ أكس )ج

(. جألكس وحص ػس ذاطهىج ضػ١ غ١ رح أؾ ضكم١ك جطمى ف جؼرس

وؿػس أؼس طغ١ز جأل٠جي، ٠ط ضف١ جألؼس ػ أح أج ذ١س رىس ػر١س

. (Particle Engine)جط ذىح ضطكى ذـكن جؿت١حش جهح ذحالـ

ضؼطى ػ ػىو ججش جط لح ضحذغ جىفحءز جطهى جع جطفحػ. وفحءز و الـ

جطهى ذحؼ ئ جهى جهح ذحؼرس جنط١ح ج جالـ، ئ جفطز جط ذم ف١ح

ج جالـ ضحس جالػد و ئطهىج.

Super Mario Brosذصى انشادم نهؼثح .1.14

ذطؼى٠ ػ جؼرس فطقس جى ح٠ ١ؿؼح ضغ١ ف وجط Pedersen et al [12]لح

ػ ى very indirectlyكطجح ططح غ غرحش جالػد. ض ضػ١ ججق ذى

ف ػىو جكف ضؼح ف جقس. ضم جهج١س ؼحع ؼحالش ل١ ٠

.ذحطهىج جؼحش رحء قس وحس ذى ػجت

. جطهى رىحش ػر١س ضم ذاطهىج data-drivenضحذغ جطم١١ رح ه

فس ألخ جالػد طرإ ذحػ جالػد )جطؼس، فس ؼرس ؼحالش جؼحالش ج

جطكى، جإلقرح٠، جطؼد، ج( ٠ط ئطهىج نؼ جرىحش جؼر١حش وأقى جؼح١٠

حءز. ض ضى٠د جرىحش جؼر١س ذحطكىج ػ١حش ض ضؿ١ؼح ؿػس الػر١.ضحذغ جىف


30

ف ىزه انذساعح انهؼثح انذسعح .1.13

Super Mario Brosوح ضىح حذمح فا جؼرس جىس ف جىجس ؼرس ح٠

ف وػ١ جىجحش . ٠ط جنط١ح ؼرس حPedersen [12]٠ لر Javaجطز ذهس

جركػ١س ح ح نحت ضؿؼح طحز وؼرس وال١ى١س ٠ى جطهجؼ ػ ٠٠مح جؼى٠ى

جىجحش جؼحش جإلقحت١س.


31


32

انفصم انشاتغ

انشاػش انغرشجؼح ين انالػة


33


34

دساعح انشاػش انغرشجؼح ين انالػة .4

Funيرؼح انهؼة .4.4

٠statistically significant correlationsط جكي ػ جطجذ١ جإلقحت جكظ

%( نالي ػىز ١جش. 1)ج ٠هطف وجس ئ أن غحرح ح ٠ى ف قىو جـ

fastؾو ػ ج جطجذ١ ٠ ز ػ ى جططحع جالػد ؼرس ٠ؼس جضد

paced game ضط غحرح ضفحػ ضمى جطprogress ط الػد، جىػ١

جو، ػىو جألػىجء ج٠ ٠ط لط جمحء ػ١.

أ ف طؼس جؼد ٠ى أ [1] جى أ ٠مي جرؼ قد جمحس ججوز ف

أغحء جؼد progress، ج ٠مي ذأ جالػد ٠م ذطمى ٠flowغ ف جال١حخ

ى ف جال١حخ ٠ط رس ؼ١س ١ثح جطكى unhinderedغ١ طج

Challenge ج ١ط ق القمح ( ذحطح ال ٠ؾى أ ١ز(feature لى ض١ جطكى ف

ل ػال ػىح جطكط أ ٠ططغ جالػر ذحؼرس ػىح ضى س، ػ جأل جكحس.

فا غحرح ح ٠ى ؼ١ح طؼس [1]٠ؼر قس جقىز جؼرس. قد جىجس جمىس ف

complex chains of eventsطأغ ذؼج وػ١ز ٠ى ذط ؼمى ألقىجظ funجؼد

جالططحع ٠gameplay featuresط ذظ٠س ضىػ ؾو جؼاللس ذ١ ١جش جؼد

enjoyment.

Challengeانرذذ .4.4

ضضر١ ذى غ١ك ور١ غ جطكى. وؾى ػىو ور١ جألػىجء، featuresحن ػىز ١جش

لز إالء جألػىجء، وح ٠إغ ػىو وحتحش ٠حوز جطحلس أ جىع ف جقس ججقىز ػ

ط جطكى ف١ح.

Frustrationاإلدثاط .4.4

ذى أ جالػد ٠مف ذى طى أغحء [1]رح ف جألؼحخ ذى ػح جػطحوج ػ ضى غح

جؼد يه ػىح ٠فى ف و١ف١س ضؿح ػمرس ح ف ٠٠م، أ ف قحس ػى جف ذحقس

جهحز ف١ح ؾجء ػال جش ػىو ور١ ججش ػى لط أ جألػىجء ػ ىج ؼرس

وحس.


35

Predictabilityلاتهح انرخن .4.4

جالػد قس ح ذؿحـ، يه ٠ىي ػ ؾو رس [1]ضؾى جحػ قد ػىح ٠ط

ؾ١ىز جهرز ى٠، ف لح ذحف ذحقس جػطحوج ػ نرض جط لح ذؿؼح نالي

طكم١ك جف.ؼفط قس غحرح ذط٠مس جؼد جحرس ح

Boredomانضجش انهم .4.4

٠ى جؿ ف ١ثس ؾو ح س ؾىج أق١حح الػد وطد جمف جج ػ قف ذؼ

ػال أ حن ن نط Marioف ؼرس ح٠ أ [1]غ١ ؾىج . ذ١ص جىجس ف

يؼ ٠ذ١ ذ١ ج ١ز جقىز ضطكى ف١.

Anxietyانجضع .4.4

جحشفا ؾ١غ [1]قد ع ضى غحرح طجذطس غ لحذ١س جط ضى طجذطس غ جؿ

، ى غحرح ل١ جؼاللحش ضى ؼىس، جط ضؼ ذأ جالػد Predictabilityجطه١

غحرح ٠ى أوػ ؾػح وح وحص جقس أل لحذ١س طه١.


36


37


38

انخايظانفصم

يخطظ انذساعح انثذصح تشكم كايم


39


40

يخطظ انذساعح انثذصح تشكم كايم .4

يخطظ انذساعح انثذصح .4.4٠طأف جظح جهططحش جألذؼس جطح١س، ٠ح ف جىجس فم١ أي قط١. ١ط ـ

و قس ذحطف١ القمح .

ط

Controllableجطكىس جحشضطأف جقس جأل ض١ى ججق ذحالػطحو ػ

features ضى جقس جطح١س قس ؾغ جؼط١حش ق١ع ضمى ؼرطح الػد ٠طد .

Phase-3: Preference Modelling

Phase-4: Adaptive Modeler

Controllable

features

Gameplay

features

Prediction

of

player’s

emotion

Enforced

Controllable

features

Gameplay

features

Exhaus

tive

Prediction

of

player’s

emotion

Phase-1: Levels Generation

Level

Generator

Phase-2: Data Collection

Levels

A

B

Gameplay

Features

Visual

BehaviourIn-game

Events

Questionnaire

4-AFS

Level

Rating

Controllable

Features


41

و قس ػ قىج. جقس جػحػس ذ١ح أ٠ح أف ججـ جؼ٠س جػالظ ذ١ح أ٠ ف

ججذؼس رحء يؼ ٠طرأ ذحجـ جؼ٠س جطؾؼس جالػد جػطحوج ػ نج

. ٠ى لجءز ج٠ى ػ ٠ جيؾ١ ف وجس ذكػ١س Gameplay featuresجؼد

أن ح.


42


43


44

انغادطانفصم

أجم ذنذ انذر نزجح خثشج انالػة ين


45

نزجح خثشج انالػة ين أجم ذنذ انذر .4

Neuro-evolutionaryذؼهى انرفضم ػن طشك انؼصثنح انرطسح .4.4

Preference Learning through Player Modeling

لتعلم التفضل من الالعب. [1]وضح الشكل السابق المكونات الرئسة للطرقة المقترحة ف

القسم األعلى من الشكل وضح زادة نمذجة الالعب، بنما عملة تعلم التفضل تظهر ف القسم

( من مجموعة من features) السماتاألسفل. ف هذه المقاربة، تم استخراج مجموعة من

( وتم معالجة gameplay featuresبانات اللعبة المسجلة لالعبن والت ه مزات اللعب )

( الختار feature selection algorithmعن طرق خوارزمة اختار مزات ) السماتهذه

األكثر مالئمة الت تعط أعلى أداء عند تطبق النموذج التفضل السماتمجموعة

(preference model حث أن النموذج التفضل تعلم أن قابل بن هذه المجموعة من ،)

وبانات التفضل الت تم اإلخبار عنها من العب اللعبة. لسماتا

تم اختار مجموعة أخرى من مزات اللعب إلنشاء نموذج [1]ف النموذج الموسع المقترح ف

لالعب والذي غذي النموذج التفضل بتصنفات الالعب، ؤمن إنشاء هذه التوسعة متنبئ

مع مؤشر صرح عن سلوك الالعب أو اسلوبه.( preference predictorللتفضل )

Emergent self-organizingتم استخدام خرائط التنظم الذات المنبثقة ) [1]ف هذه الدراسة

maps أو )ESOM كاختصار لنمذجة الالعبن والت لن نستخدمها هنا وسنضعها كدراسة


46

ذج التفضل النهائ ف الدراسة نمو مستقبلة، و العصبونة التطورة لتعلم تفضالت الالعب.

Non-linearالسابقة بعد انتهاء المقاربة ثنائة الطور هو طبقة برسبترون واحدة غر خطة )

SLP تتوقع تفضالت تدربت علها من مجموعة مزات لعاب مختارة ونمط الالعب المعطى )

تم اختار العبن.الت تستخدم مجموعة أخرى من مزات اللعب لتصنف ال ESOMبواسطة

( SFSعن طرق االختار التسلسل األمام ) ESOMو SLPمزات إحصائة مناسبة من أجل

ختلف النموذج السابق عن درستنا، وسنذكر النموذج المأخوذ .السماتكطرقة الختار

بالتفصل فما ل.

ؼادج تؼذ نؼة انهؼثح .4.4 Reported player’sخثشج انالػة ان

experience of playing the game

جش يجش ن١حش كىوز رمح )ل٠س( ضأي ن١ح 2إف نالي جطر١حضمح

( )هطفط١ ذح١جش جط ٠ى Game Pairجؼرس ) ؼد جغ١ أجؼ أذؼى الػد

ذؼ جؼد ج لح ذؼر ( يه إلػطحء أ٠ Controllable featuresجطكى ذح ف جؼرس

جػطحوج ػ جحػ جط لى آضط ػىح ؼد جؼرس. ١ط ـ جرضىوي جم١.

ؼادج انثشذكل انرجشث .4.4 Reported playerخثشج انالػة ان

experience and experimental protocol

ط ضم ػ أ ٠ؼد جالػد ؾ١ ج [1]قد [17]لح ذأن ف جطؿ٠ر١س جمطقس ف

ذؼىح ٠م جالػد ذحإلؾحذس ػ أذغ أثس يجش ن١حجش كىوز يه ضرؼح أجؼ جؼرس

أستغ ذثادم يذذدج ( ج ذرضوي Emotional Preferenceحػ جط نحح )

ضى ن١حجض ػ جى8( ج alternative forced choice (4-AFS)-4)انخاساخ

اللعبةA[B] كانت أكثرE من اللعبةB[A] تبدلن لخارن محددن -. )أو بالعكس

حصرا(

كلتا اللعبتن كانتاE.

كلتا اللعبتن كانتا غرE.

جطىجنكط ػ ضأن ل١ح ض ضكص جطكم١ك (Emotion) قحس ؾىج١س E ق١ع

( ف وجطح Frustrationئقرح٠ )، (Challenge) ٠ح ، ضكى (Engagement"جالىحؾ١س" )


47

٠طؼك ؼرس ؼر١طح ػىحجالػد ذقي ى س ؼد جػالظي ج٠طى جنط١ح جى .

.[11]ضه جألؼحخ وح ض ئؾجؤ ف ىجحش ذجأل

Game Pairصض نؼة .4.4

غ ٠م ذاػطحء ٠A،Bطأف ١ ػ١س جؼد جط لح ذح ذأ ٠ؼد جالػد ؼر١ط١

reporting .حػ جط نحح أغحء ؼر ؼرس

م ذط١ى قط١، و قس وح أ٠ح ف ض١ى ججق جػطحوج ػ ؼحع ١جش

feature vector ججفمس ذىجن. جحشج ئ ل١ ج ٠م ذرحء قس جطحو


48


49


50

انفصم انغاتغ

انغاخ انرذكى تيا عاخ انهؼة

Controllable and Gameplay Features


51


52

انغاخ انرذكى تيا عاخ انهؼة .7

انغاخأناع .7.4

على المراد إنشائه نموذج تدرب على البانات حدث نحن بحاجة لجمعتمكن أن نمذجة قبل أي

ثالثة أنواع من البانات سنذكرها فما ل.

Controllable features of ف انهؼثحتيا كن انرذكى انر انغاخ .7.4.4

the game

، (Levelمن اللعبة ) تستخدم ف تولد مستوى( الت Parametersوالت تعن المعامالت )

المستوى. وقد تم إجاد ومقارنة جمع التبادل الممكنة ضمن والت تؤثر على نوع وصعوبة

.وتولد المراحل على هذا األساس وشرحت سابقا عند تولد المراحل لعبةال

كما سنرى الحقا هو عبارة عن إجرائة تعمل من األسفل إلى SFSاالختار التسلسل األمام

الحالة. السماتف كل مرة إلى مجموعة ( حث تم إضافة مزة واحدة buttom-upاألعلى )

المتبقة الت السماتالمجموعة الجزئة من المزة الت تضاف إلى المجموعة تم اختارها من

السماتأعلى تابع أداء من بن جمع السماتلم تم اختارها بحث تولد المجموعة الجددة من

تفاوت من أجل اآللتن اللتن تم اختبارهما. SFSالمرشحة لإلضافة. تابع األداء ف

لتحدد مدى جودة مجموعة ESOM[ استخدام األخطاء التكممة والطبوغرافة ف 1تم ف ]

( من أجل cross validationالمقترحة، بنما تم أخذ متوسط أداء التأكد التصالب ) السمات

ف دراستنا. SLPالطات غر المرئة من البانات كأداة لقاس أداء

السماته مرحلة جوهرة إلجاد العدد األقل )األكثر مالئمة( من السماتمرحلة اختار

والت تعط أعلى توقع لنموذج التفضل حث نرد أن نبق على حجم النموذج صغر كفاة

نرد أن نبق على النموذج حوي على أقل (.real timeلكون فعال ف الزمن الحقق )

مزات قدر اإلمكان لك كون أسهل للتحلل ولكون مفدا ف الخوض بتحققات مستقبلة

آللات زمن حقق تكفة تصمم اللعبة عن طرق تجربة العب الت تحتاج إلى الالعب.

حسن من جودة التعلم ف العصبونة أضا وجد دالئل على أن استبعاد الدخل الغر ضروري

الجزئة الت تعط السماتإلجاد مجموعة السماتلذلك تم استخدام اختار [ 1التطورة ]

السماتالنموذج األعلى دقة وتحفظ من الجهد الحساب والبحث المضن على جمع تراكب

الممكنة.


53

بالتفصل حث تم مثال استخدام Marioللعبة السماتبالبحث ف اختارات [11]قامت الدراسة

القابلة السماتلطبولوجا المرحلة ضمن Patternخوارزمات لدراسة تكرار صغة معنة

للتحكم ومعرفة مدى اربتاطها بالمشاعر الت شعر بها الشخص أثناء لعبه. تنجح هذه

. 2Dنائة البعد وكانت ث Marioالخوارزمة ف الدراسة المذكورة ألن اللعبة المدروسة كانت

فدراسة تكرار صغة معنة لطبولوجا مرحلة ما لن كون 3Dأما ف الفضاء الثالث البعد

بذات فائدة لدخول عوامل أخرى كثرة ضمن البئة ثالثة البعد.

جحشذرحء ججق. ق١ع ضم -ػ ٠٠مح- جط طكى ذح، م جحش

٠ؼد وج ور١ج ف جحشئ جنط١ح ذط١ف جقس ض١ جقس ػ جألن.

جق القمس ضطؼك ذرحء جق التس الػد، ج ٠ؿد ؼفس ح ٠ؿؼ قس ح هطفس ػ

أن ف ىج ع جألؼحخ. م١ح ذىج ع جه١حجش ٠ؿد جطحز ػىو جالػر١

جكطف١ )ي جهرز( ف ىج ع جألؼحخ.

طكى ذح ححش٠ ذ PCGجىن )جؼحالش( ج ضطمر نج١س جـ جطكىس أ ج

(Controllable Features.ف جؼحالش ى جكط جحضؽ نط١ح ح لى ض ج ( ض

جؿىي جطح8جؼحالش ذى ى ؾىج كح ف

انششح انرذكى تيا انصفح

1 Gaps count )ػىو جفجغحش )جط ٠ؿد جمف طؿحح

1 Gap width )ػ جفجغحش )جط ٠ؿد جمف طؿحح

1 Enemies count ػىو جألػىجء

4 Enemies placement (gaps،

boxes، random)

ضغ جألػىجء )قي جفجغحش، قي

جحو٠ك، ػجت١ح (

3 Powerups count ػىو حو٠ك جطىر١ ح٠

3 Boxes count ػىو جحو٠ك

Gameplay characteristics ضن انهؼثح خصائص انهؼة .7.4.4

وما ه لعبةال لعب لالعب أنتم ف دراسة سابقة لمارو دراسة وشرح كفة مكن

الخصائص ال مكن التحكم هذهاألكثر أهمة ف وضع نموذج لدراسة سلوك الالعب. السمات

تعتمد فقط على بها، وذلك ألنها تختلف تبعا لالعب عدا أنها تنتج من طرقة لعبه بحد ذاته و

ا أو بشكل مباشر، وأسلوب تهمهار تحكم فها نهائ لعبه، ولكن ذلك ال عن أنه ال مكن أن


54

معن من اللعبة ف مستوى كن التحكم بها بشكل غر مباشر عن طرق تغر مالمح وإنما م

ف دراسات سابقة. همنا هنا وضع صفات جددة لم تم السماتة. مكن الرجوع لتلك لعبال

أخذها بعن االعتبار ف أي دراسة سابقة من قبل وه دراسة التعابر الظاهرة وسلوك

نذكرها فما ل: للعبة.الشخص الحرك عند لعبه ا

انششح انصفح

1. Face x position AVG ػ ك جـ ط١ لغ جؾx

2. Face y position AVG ػ ك جـ ط١ لغ جؾy

3. Left eye closed % AVG جرس جث٠س ىؾس فطف جؼ١ ط١

ج١

4. Right eye closed % AVG جث٠س ىؾس فطف جؼ١ جرس ط١

ج١

5. Mouth open % AVG جرس جث٠س ىؾس فطف جفط١

6. Happy % AVG مىج ؼحوز جهط١

7. Sad% AVG مىج ق جهط١

8. Angry% AVG مىج غد جهط١

9. Surprised% AVG مىج ضفحؾإ جهط١

10. Face x position STD ػ ك لغ جؾجالكجف جؼ١ح

xجـ

11. Face y position STD ػ لغ جؾجالكجف جؼ١ح

yك جـ

12. Left eye closed % STD رس جث٠س ىؾس جالكجف جؼ١ح

فطف جؼ١ ج١

13. Right eye closed % STD ىؾس رس جث٠س جالكجف جؼ١ح

فطف جؼ١ ج١

14. Mouth open % STD رس جث٠س ىؾس جالكجف جؼ١ح

فطف جف

15. Happy% STD مىج ؼحوز جه جالكجف جؼ١ح

16. Sad% STD مىج ق جه جالكجف جؼ١ح

17. Angry% STD مىج غد جه جالكجف جؼ١ح

18. Surprised% STD مىج ضفحؾإ جه جالكجف جؼ١ح


55

ػح١س frameئ٠ح ز 3لى ض ؾؼح ػ وح جؼرس ى ػ ط جحش

ف جالػطرح فم١ ػى قىش أقىجظ جحشججقىز. ف ذؼى ل١ يؼ آن ٠أن

وأ ٠ش ح٠ أ ٠حخ لر جألػىجء ق١ع ٠ى Special Eventsنحس ػى جؼد

٠ؾى أ٠ح يؼ آن جطؼف ػ ؾ جالػد جطأغ١جش ػ قحط جكو١س جؾ١س.

٠م ػ ضم١ جقس ئ جف ٠ط وجس جكحالش جؼ٠س ػ١ح و ػ قىج كي

ػ يؼ ضلغ أف.


56

انصاينانفصم

SHOREتشيجح انرؼشف ػه انرؼاتش

Sophisticated High-speed Object Recognition Engine


57


58

SHOREانرؼشف ػه انرؼاتش تشيجح .3

يمذيح .3.1

جط جنطح ـ "كن جطؼف ػ جألغج ذى ول١ك ٠غ" SHOREضؼى ىطرس

Sophisticated High-speed Object Recognition Engine أف جىحضد

جؾوز قح١ح ف جؼح طؼف ػ جألىحي جطؼحذ١ ػىز فحش آن. ضط١ جىطرس

ذمىضح ػ جطؼف ؼحؿس ى أ ػىز أىحي ف لص جقى ذؼىز أذؼحو هطف

٠ى ؼفس ج٠ى ػ .Runtimeظف جإلحءز ذى ٠غ ؾىج لص جطف١

جىطرس نالي ججذ8١

http://www.iis.fraunhofer.de/en/bf/bsy/produkte/shore.html

SHOREانرجاسب ػه .3.1

.SHOREؼ ف١ح ٠ ذؼ ج جكس ىطرس

o انرؼشف ػه انجو


59

o انرؼشف ػه انجو يالدمرو

ضطط١غ ضكى٠ى جؾس القمط ف لص جطف١. )محس غ SHOREالقع أ ىطرس

جز جح١س.(

o ذذذذ أياكن انؼنن األنف انشأط


60

o ذذذذ انذانح انشؼسح نشخص أ أكصش ف لد انرنمز

القع أ جىطرس ضطط١غ القمس أوػ ه ئػطحء جكحس جؼ٠س أ٠ح ف لص

فج .جطف١

o ذذذذ انذاالخ انشؼسح

،Angry، Happyكحالش جؼ٠س ) ٠Featureى ىطرس ضكى٠ى أوػ فس جس

Sad، Surprised)


61

o ذذذذ دسجح فرخ انؼن انفى

٠ى ىطرس ضكى٠ى وؾس فطف جؼ١١ و ػ قىج أ٠ح وؾس فطف جف.

o نهجه )انصغشج جذا أضا(يؼانجح أتؼاد يخرهفح


62


63


64

انراعغانفصم

Data Collectionجغ انثاناخ


65


66

Data Collectionجغ انثاناخ .3

يمذيح .3.1

ه 16ض ضؿ١ؼح ذجطس ضؿحخ ضص ػ ؿػس جر١ححش جطهىس ف جىجس

.٠Marioؼر ؼرس

ػ ؼرط جفس يه ذػالظ ج٠ط إجي جالػر١ ١ؼرذؼى و جوطحي ؼ جألؼحخ

جالىحؾ١س frustrationجإلقرح٠ challengeقحالش ؼ٠س هطفس جطكى

engagement ذأذغ ن١حجش ق١ع ٠كىو جالػد ئح جؼرس جأل أ ئؾرح جنط١ح ػ ٠٠ك

أ ػى ضف١ أل ح أؾ و قحس جػح١س جفس، أ ٠ؼر ػ ضف١ ؼرط١

ؼ٠س.

و ؼرس ٠ؼر ؼ ؼد الػرح 16ح حذمح ؾغ ؼط١حش ف وجطح ض وح يو

ج جؼ ضطغق ول١مطح، ٠ط ذؼى ؼد جؼ إجي جالػد ػ جحػ جطف١الش جط

engagementجالىحؾ١س challengeطكى جنطحح جكحالش جؼ٠س جط ج

ػ ٠٠ك وح ضىح ػ ٠٠ك جنط١ح ئؾرح ذأذغ ن١حجش frustrationجإلقرح٠

ج ضىح ػ حذمح . AFS-4ذضوي


67

انذالنح انمح

0 A > B ذحرس كحس حػE

1 B < A ذحرس كحس حػE

Eوطح جؼرط١ وحطح 2

Eوطح جؼرط١ وحطح غ١ 3

E أ٠ح ف قحي أح طحذمس كحس ؼ٠س ذكى يجضح ض إجي جالػر١ أ٠ح ػ جؼرس ججقىز

قد جؿىي جطح. أ ال

انذالنح انمح

0 Extremely

1 Fairly

2 Moderately

3 Slightly

4 Not at all


68

Features Extractionانغاخ ػهح اعرخشاض .3.1

٠ر١ جى جطح جىن جهؼ ؼ١س جطهجؼ جؼط١حش. ٠ػ جىن ف جألقىجظ

جهحس جؼرس ١٠ جف١ى٠ الػد أغحء ؼر ؼرس.

٠ر١ جى جطح ذى أف ذحطف١ ػ١س جطهجؼ جحش

جحذك ػ١س جطهجؼ جحش جط ضم ػ قط١ ٠ط وؽ حضؿح ف١ح ذؼى.٠ر١ جى


69

اعرخشاض انغاخ ين األدذاز انيايح – انشدهح األن .3.1

videoم ف جقس ذحنط١ح ٠٠مط١ ٠إغج ف١ح ذؼى ػ ٠٠مس جنط١ح جأل٠

framesس جه ججقى. جػح١س ضم ػ . جأل ضم ػ جطهجؼ جأل٠ ؾ١ؼح ؼر

أ٠ 1أ٠ ألح 1جطهجؼ جأل٠ جط ح س ذحألقىجظ جهحس فم١ ق١ع ٠ط أن

هف يه وأ٠ ك١طس ذحإل٠ح ج لغ ػى جكىظ جح.

ذحى جطحcsv 8.ض قفع و نج جؼد جهحس ذحالػد ف

جمحذ ف جؼو جػح. و eventي ػ ج ج قىظ ف جكىظ ق١ع ٠ؼر جؼو جأل

ل١س ف جؼو جػح ضىحفة قىظ ح جؼرس. وحؿىي جطح8


70

اعرخشاض انغاخ انظاىشح –انشدهح انصانح .3.4

ؾ١غ جطؿ١الش ػ ض ؼحؿس . SHOREح ٠ط جطهجؼ جحش ذحالػطحو ػ ذؿ١س

جط ٠ؼحؿح كن pgm.٠٠ك ضك٠ح ئ أال غ ضك٠ ؾ١غ ج القمس

SHORE ئ٠حجش ػح١س ججقىز(. 3ز ؼحؿس ) 48،000. طؽ ػ جؼ١س

٠ر١ جؿىي جطح جألس جأنيز ؼحؿس ج.

Process Id Process Description Time taken

1 Conversion to .pgm 6 hours

2 Visual behavior extraction by SHORE 14 hours

20 hours


71

٠ر١ جى جطح ئ٠ح٠ الػرس جؼرس جنطالف جطؼحذ١ جؾ١س ػى قىظ أقىجظ

events .نحس


72


73


74

انؼاششانفصم

ذصى لاػذج انؼطاخ

Database Design


75


76

ذصى لاػذج انؼطاخ .13

يمذيح .13.1

ه ٠ؼر ؼرس 111ذ١ححش ؼد ضف١الش ؼ٠س ض ذحء لحػىز ؼط١حش

(Super Mario) ض٠ ف١ى٠ ى الػد ؾغ جر١ححش ج ضكىغح ػ حذمح ػ ٠٠ك

طهال حػ ذحػح١س ال frames أ٠حجش 3 جلططحع غ ٠ط A Bق١ع ٠ؼد جالػد ؼرط١

ف حض١ جؼرط١ ػ ٠٠ك جطهىج كن جطؼف ضؼحذ١ غ ؾ جالػد

(SHORE).

٠ر١ جهط١ جطح جطجذ١ ذ١ ؾىجي لحػىز جؼط١حش ف م ف١ح ٠ ذـ جكمي ذى

ؾىي8

انذمل اعى انجذل

Player ػ جال جؼ ؾ ٠ك ج جؿىي جؼحش جهحس ذى الػد

جالػد ذؼ جؼحش جالن ػ8

1- Played Mario 8 قم ذ١ح ٠ىي ػ ح جيج وح جؼد لى ؼد

ؼرس ح٠ لر أ ال.

1- Play Video Game 8 قم ذ١ح ٠ىي ػ ح جيج وح جؼد لى

ؼد ذأؼحخ جفى٠ لر أ ال.

1- Time Video Gaming 8 طكي ٠ىي ػ ػىو جحػحش جط

٠ؼرح جالػد ذحألرع ق١ع ٠أنى غالظ ل١ 8

حػحش ذحألرع 2-0ئيج ؼد جالػد 0 : .1



حػحش أ أوػ ذحألرع 10 ئيج ؼد جالػد 3 : .2

Session ٠ك ج جؿىي ػ جؼحش جهحس قط١ جط١ ؼرح و الػد

ػ 8

1- GameAChall، GameBChall 8 ح جكم١ ج٠ ٠ىال ػ

.A Bمىج جطكى ج ؾى جالػد ذحؼرط١

1- GameAEng، GameBEng 8 ح جكم١ ج٠ ٠ىال ػ مىج

.A Bؾى جالػد ذحؼرط١ جالىحؼ ج

1- GameAFrust، GameBFrust 8 ح جكم١ ج٠ ٠ىال ػ

.A Bمىج جالقرح٠ ج ؾى جؼد ذحؼرط١

Game Frame ٠ك ج جؿىي ػ جؼحش جهحس ذىframe ض أن جيvideos

وح ض جـ رمح. Shore جؼحش جطهس جىطرس


77

Game ؾىي ٠ك ؾ١غ ججق جط ض ؼرح غ جكم Type ٠ىي ػ

ع جقس جأل أ جػح١س.

GameVI ؾىي ٠ك ؾ١غ جألؼحخ غ جكم Id ج ٠ل جك١جش جط جقطحؾح

جالػد ذى ؼرس.

GameLevelVI ػ و ق١حز ف جقس جؼذس ػ8 ؾىي ٠ك ؼحش

1- Event Type ع جكىظ ج ض ف١ جحء جك١حز

1- Event Time Stamp لص قىظ جيevent

1- Id closest Game Frame ل ألخFrame جف١ى٠ ج

جكىظ


78

Game

Id

Type

GameFrameIdFrame

IdGame

FaceRegLeft

FaceRegTop

FaceRegRight

FaceRegBottom

EyeLeftX

EyeLeftY

EyeRightX

EyeRightY

MouthLeftX

MouthLeftY

MouthRightX

MouthRightY

Gender

Angry

Happy

Sad

Surprised

EyeLeftClosed

EyeRightClosed

MouthOpen

GameLevelVIId

IdGameVI

EventTimeStamp

EventType

IdClosestGameFrame

GameVIId

IdGame

PlayerId

Name

PlayedMario

TimeVideoGaming

PlayVideoGame

Age

Sex

SessionIdSession

IdPlayer

GameAId

GameBId

PairId

GameAEng

GameAFrust

GameAChall

GameBEng

GameBFrust

GameBChall

EngPref

FrustPref

ChallPref


79


80

انذاد ػششانفصم

تاعرخذاو أشجاس انمشاس نارض انرنمة ػه انؼطاخ


81


82

(Data modelsنارض انثاناخ ) .11

يمذيح .11.1

و حيؼ ؼط١حش طلغ 3 رحء Analysis services Mining Modelsمى ض جطهىج

حيؼ محطح ى 2. ض أ٠ح ؼحؿس جالىحؾ١سجكحالش ؼ٠س هطفس جطكى جإلقرح٠

أف.قحس ؼ٠س ذ١ح أ٠ح

Frame Only Modelنرض .11.1

،Player، Session، Gameوؽ جؿىجي جطح١س 8 يؼ حضؽ ػ

GameFrame. نج١ط ض جطهىجMicrosoft Decision Tree

Microsoft Naive Byes طلغ جطحتؽ.

8وح ٠ Microsoft Decision Treeجطحتؽ هج١س ظش


83

timeجي Game B Challenge ageضإغ ف جي جطالقع أ أل جؼاللحش

video gaming ذ١ح جؼاللحش جإغز ذحيGame A Challenge face reg

left جيage.

جحضؿس ػ ضطر١ك جهج١س8 جطلغ جى جطح ٠ر١ ؾء جؿز


84

أؾ قحس جالىحؾ١س 0ذج جى قد ػىو جالػر١ ج٠ أػط جطم١١ ض ضى٠ؽ جألج

(Game eng=0.)

وح Microsoft Naive Byes 8٠ظش جطحتؽ هج١س


85

Game Bخ Game A Challengeالقع ح أح أل جؼاللحش جإغز خ

Challenge جي time video gaming جي face reg bottom ج هطف

جهج١س جحذمس ه ح ك جطلغ ىطح جهج١ط١ محس ذ١ح ػ

وح ف جى جطح8


86

جك جألق ك جطلغ ،جك ج جك جػح طلغ

Microsoft Decisionجك جألن ك جطلغ هج١س ،جؼجت

Tree، جك جرفؿ ك جطلغ هج١سMicrosoft Naive Byes .

)جألن( Microsoft Decision Treeالقع لخ ى ك نج١س

جك جػح ذحطح جهج١س جألف ج جيؼ.


87

All Frames Modelنرض .11.1

،Player، Session، Gameوؽ جؿىجي جطح١س 8 ػ يؼ حضؽ

GameFrame. غ جحفسAvg STD ىfeature أ٠ح ض ججس جطفلس ذ١

GameA Game B. 8لى ض جكي ػ جطحتؽ جطح١س

Game Engagement Face botton avgالقع أح أل جؼاللحش جإغز خ

جى جطح ٠ر١ ؾء جؿز جطلغ جحضؿس ػ ضطر١ك .Mouth open avgجي

جهج١س8


88

أؾ قحس 0ض ضى٠ؽ جألج ذج جى قد ػىو جالػر١ ج٠ أػط جطم١١

:٠ظ جى جطح ك جطلغ هج١س (.Game eng=0جالىحؾ١س )


Microsoft Decisionجك جألن ك جطلغ هج١س ،جؼجت

Tree القع لخ ى ك نج١س .Microsoft Decision Tree )جألن(

ؼ ػ جطلغ جك١ف. جك جؼجت ج ٠ؼ ػى لىز جي


89

Frame over Event Modelنرض .11.4

،Player، Session، Game يؼ حضؽ ػ وؽ جؿىجي جطح١س 8

GameFrame، Game، GameVI، GameFrameVI. غ جألن ذؼ١ جالػطرح

غ جحفس جمحذس ألقىجظ جط ض جك١جش ذى قس game framesفم١ جي

Avg STD ىfeature أ٠ح ض ججس جطفلس ذ١GameA Game B لى .

ض جكي ػ جطحتؽ جطح١س8

Mouthجي Game Engagement Angry STDالقع أح أل جؼاللحش جإغز خ

open STD.


90

جى جطح ٠ر١ ؾء جؿز جطلغ جحضؿس ػ ضطر١ك جهج١س8

أؾ قحس جالىحؾ١س 0ض ضى٠ؽ جألج ذج جى قد ػىو جالػر١ ج٠ أػط جطم١١

(Game eng=0.)


91

٠ظ جى جطح ك جطلغ هج١س

،جك جألق ك جطلغ جؼجت،جك ج جك جػح طلغ

. القع لخ Microsoft Decision Treeك جطلغ هج١س جك جألن

)جألن( جك جؼجت ى Microsoft Decision Treeى ك نج١س

ألخ ك جػح جيؼ جحذك.


92

Surrounding Frames over Event Modelنرض .11.3

،Player، Session، Game يؼ حضؽ ػ وؽ جؿىجي جطح١س 8

GameFrame، Game، GameVI، GameFrameVI غ جألن ذؼ١ جالػطرح .

جمحذس ألقىجظ جط ض جك١جش غ جألقىجظ جطس game framesفم١ جي

ض ججس أ٠ح featureى Avg STDجك١طس ذح ذى قس غ جحفس

. لى ض جكي ػ جطحتؽ جطح١سGameA Game B8جطفلس ذ١

face topجي Game Engagement Ageالقع أح أل جؼاللحش جإغز خ

avg.

جى جطح ٠ر١ ؾء جؿز جطلغ جحضؿس ػ ضطر١ك جهج١س8


93

أؾ قحس 0ض ضى٠ؽ جألج ذج جى قد ػىو جالػر١ ج٠ أػط جطم١١

(.Game eng=0جالىحؾ١س )

٠ظ جى جطح ك جطلغ هج١س


94


Microsoft Decisionطلغ هج١س جك جألن ك ج ،جؼجت

Tree .


95


96

انصان ػششنفصم ج

نارض انرنمة ػه انؼطاخ تاعرخذاو انؼنمذج


97


98

(Clusteringانؼنمذج ) .11

يمذيح .11.1

ض ضطر١ك ػمىز جر١ححش ػ جحيؼ جألذؼس جحذك يوح ف ٠ط ـ و يؼ ػ

قىج8

Frame Only Modelنرض .11.1

( ض جكي Microsoft Clusteringؼمىز جر١ححش فك نج١س )ج جيؼ ض ضطر١ك

ػ جطحتؽ جطح١س8

أؾ قحس 0قد ػىو جالػر١ ج٠ أػط جطم١١ Clustersجى جطح ٠ػ ضع جي

Game A( Game eng=0جالىحؾ١س )


Game B( Game eng=0جالىحؾ١س )


99

( قد قحس جالىحؾ١سHistogram( )Clustersجى جطح ٠ظ )

0 جطم١١ جألوػ جقطجتح ق١ع ػىو جالػر١ ج٠ أػط Cluster 7القع أ جي

جألوػ جقطجتح ق١ع ػىو Cluster 6أ جي Game A أؾ أؾ قحس جالىحؾ١س

.Game B أؾ قحس جالىحؾ١س أؾ 0جالػر١ ج٠ أػط جطم١١

Cluster 78جى جطح ٠ظ جمجػى جط ضكمك جي


100

Cluster 6جى جطح ٠ظ جمجػى جط ضكمك جي


101

Clusteringجى جطح ٠ػ ى ك أوجء نج١س جي


. Microsoft Clusteringجك جألن ك جطلغ هج١س

All Frames Modelنرض .11.1

( ض جكي Microsoft Clusteringجيؼ ؼمىز جر١ححش فك نج١س )ض ضطر١ك ج





102

جالىحؾ١س ( قد قحسHistogram( )Clustersجى جطح ٠ظ )

0 جألوػ جقطجتح ق١ع ػىو جالػر١ ج٠ أػط جطم١١ Cluster 9القع أ جي

أؾ قحس جالىحؾ١س.

Cluster9جى جطح ٠ظ جمجػى جط ضكمك جي


103




Frame over Event Modelنرض .11.4

ي ( ض جكMicrosoft Clusteringض ضطر١ك ج جيؼ ؼمىز جر١ححش فك نج١س )





104

( قد قحس جالىحؾ١سHistogram( )Clustersجى جطح ٠ظ )





105


،ك جطلغ جؼجتجك جألق ،جك ج جك جػح طلغ


Surrounding Frames over Event Modelنرض .11.3

( ؼمىز جر١ححش Surrounding Frames over Event Modelض ضطر١ك جيؼ جألن١ )

جطحتؽ جطح١س8( ض جكي ػMicrosoft Clusteringفك نج١س )


(Game eng=0جالىحؾ١س )


106

.( قد قحس جالىحؾ١سClusters ) (Histogramجى جطح ٠ظ )






107

،ك جطلغ جؼجتجك جألق ،جك جألن جك جػح طلغ

. Microsoft Clusteringجك ج ك جطلغ هج١س


108


109


110

انصاند ػششنفصم ج

يماسنح اننارض اجيح اإلظياس


111


112

اخراس اننرض .11

Microsoftف م ذؼ محس ذ١ جحيؼ جحذمس ق١ع طحتؽ نج١س

Decision Tree نج١سMicrosoft Clustering.

يماسنح دغة اننرض انماػذ .11.1

أؾ قحس جالىحؾ١س أور ح٠ى جيج ضكممص ٠0ى ػىو جالػر١ ج٠ أػط جطم١١

.)القظس ض أن أ جمجػى قد طحتؽ ؿز جطلغ ى يؼ( جمجػى جطح١س

Decisionانماػذ اننذج تاعرخذاو اننرض

Tree

Microsoftانماػذ اننذج تاعرخذاو

Clustering

Frame Only

Model FaceRegLeft<=611.7 and

<697.99

Age>=32 and <= 34

playedMario=false

playedVideoGame=false

Face Reg Left <=746.1 and

>=429.7

24 <=Age <=35

Played Mario=True

Play Video Game=True

All Frames

Model

MouthOpenAvg>29،69 0.316<=MouthOpenAvg<=3.3

Frame over

Event Model AngrySTD>35.6

SadSTD>=31.614

AngrySTD>43.27

SadSTD<=12.43 and >=0

Surrounding

Frames over

Event Model

FaceTopAvg >=514.6

HappySTD>=29.409

FaceTopAvg<= 163.57 and

>=143.22

HappySTD>30.2

Microsoft Decisionنخاسصيح يماسنح دغة اننرض ينذناخ انرلغ .11.1

Tree

Microsoftالقع أىحي ك١حش جطلغ حيؼ أ ى ك نج١س

Decision Tree جألن( يؼ(Surrounding Frames over Event

Model جألف ذ١ حذم١ ف جأللخ ك جػح ج ٠ىي ػ لىز

.جيؼ ػ جطلغ جك١ف


113

Microsoftيماسنح دغة اننرض ينذناخ انرلغ نخاسصيح .11.1

Clustering

Microsoftالقع أىحي ك١حش جطلغ حيؼ أ ى ك نج١س

Clustering (ج ) يؼSurrounding Frames over Event Model

جألف ذ١ حذم١ ف جأللخ ك جػح ج ٠ىي ػ لىز جيؼ ػ

Surrounding Framesذحءج ػ يه ف ٠ط جنط١ح يؼ جطلغ جك١ف

over Event Model .ططر١ك جحت

انرطثك اننيائ .1

الؿح جططر١ك جحت ج ٠ط ف١ جونحي ذ١ححش جالػد ججؾس WPFض جطهىج ىطرس

جإلقرح٠ challengeكحالش ؼ٠س جػالظ جطكى ججت١١س أ ضك١ ف طلغ

frustration جالىحؾ١سengagement.

جى جطح ٠ر١ جؾس جططر١ك جحت8


114


115


116

انشاتغ ػششنفصم ج

افاق انغرمثهح


117

افاق انغرمثهح .44

Adaptive Game Modelنرض انهؼثح انركف .44.4

Adaptiveح ى ح رحء جيؼ جػح جيؼ جأل جيؼ جطى١ف

Model جمحذس طكى جحشذالكح ؾ١غ [1]. ح م قد جىجسcontrollable

features جيؼ Preference model طكى ف جمحذس جحش)أ ١ف ؾ١غ

ح، ذؼى ضى٠د جيؼ جكح، م ذؼ١س جطى١ف قحي ػى جنط١حح أال (.

adaptation.

Adaptive content generation يشادم انرنذ انركف نهشادم .44.4

، ضى جهطجش ذأ م ذط١ى ؾ١غ جطرحو٠ جىس ١جش جطى١فذؼى ض١ جيؼ

جمحذس طكى جحشػى ؼفس أػ نؼ ضى جمحذس طؼى٠ ركع ػ أػ نؼ.

جط ٠ؿد ذحء قس ؾى٠ىز الػد جكح ذح. ٠ط ئحء قس ذ١جش جيؼ جحش

ج ٠ط ئح ئ جكن إلحء قس ١feature vectorجش جكحس ػ ٠٠ك ؼحع

ذؼى ؾى٠ىز ذؼحع كىو )ضىح ػ و١ف١س ئحء قس ذؼحع ح حذمح ف فمز ض١ ججق(.

ؼد جالػد جقس جؿى٠ىز، م ذاونحي ؼط١حش ؼر ؾى٠ى ئ جيؼ جطى١ف

رس .ط١ى قس ؾى٠ىز ح

ضى ججق ذحطض١د وح 8٠

الالعب لعب لعبة ابتدائة )أي لعبة، هذه المرحلة فقط ألخذ تصور عن مزات اللعب .1

لدى الالعب(

المرحلة الجددةالت رغب بتولد emotional state حالة مشاعر ختار الالعب .2

على أساسها

المنمذج الخاصة بالالعب إلى gameplay features مزات اللعب تم ارسال .3

.adaptive Modelerالتكف

القابلة للتحكم إلى الشبكة السماتالتكف تم ادخال مزات اللعب و النموذجف .4

مزات القابلة للتحكم بخطوة ثابتة التبدل بن كافة التبادل الممكنة للالعصبونة حث تم

ف المجال المخصص لكل مزة


118

ف الشبكة prediction توقع القابلة للتحكم الت أعطت أفضل السماتتم اختار .5

ضمن النموذج التكف

القابلة للتحكم السماتتم تولد مرحلة على أساس هذه .6

الالعب لعب لعبة تم تصممها بشكل تكف .7

2العودة إلى .8


119

انخايظ ػششنفصم ج

انشاجغ


120

انشاجغ .13

[1] H´ector P. Mart´ınez، Kenneth Hullett، and Georgios N. Yannakakis،

Member، IEEE: "Extending Neuro-evolutionary Preference Learning

through Player Modeling" 2010 IEEE Conference on Computational

Intelligence and Games.

[2] Christopher Pedersen، Julian Togelius Member، IEEE، and Georgios

N. Yannakakis، Member، IEEE: ―Modeling Player Experience for

Content Creation‖.

[3] Erin J. Hastings، Ratan K. Guha، and Kenneth O. Stanley:

Demonstrating Automatic Content Generation in the Galactic Arms Race

Video Game. In Proceedings of the Artificial Intelligence and Interactive

Digital Entertainment Conference Demonstration Program. University of

Central Florida، Orlando، FL 32816، AIIDE 2009.

[4] Antonios Liapis، Georgios N. Yannakakis: Neuroevolutionary

Constrained Optimization for Content Generation.

[5] Webstite، last visit: June، 2012، http://speedtree.com

[6] Stanley، K.O.: Compositional pattern producing networks: A novel

abstraction of development. Genetic Programming and Evolvable

Machines Special Issue on Developmental Systems 8(2)، 2007.

[7] Webstite، last visit: June، 2012، http://game.itu.dk/pcg

[8] Webstite، last visit: June، 2012، http://pcgames.fdg2010.org

[9] Webstite، last visit: June، 2012، http://pcg.wikidot.com

[10] Togelius، J.، Schmidhuber، J.: An Experiment in Automatic Game

Design. In Proceedings of the IEEE Symposium on Computational

Intelligence and Games، Perth، Australia.

http://speedtree.com/

http://game.itu.dk/pcg

http://pcgames.fdg2010.org/

http://pcg.wikidot.com/


121

[11] Browne، C.: Automatic generation and evaluation of recombination

games، PhD thesis، Queensland University of Technology، 2008.

[12] Togelius، J.، De Nardi، R.، Lucas. S.M.: Towards automatic

personalised content creation in racing games. In: Proceedings of the

IEEE Symposium on Computa-tional Intelligence and Games، 2007.

[13] Webstite، last visit: June، 2012، Cube Engine: http://cubeengine.com

[14] Webstite، last visit: June، 2012، OcTree:

http://anteru.net/2008/07/25/242/

[15] Evolving Interesting maps for first person shooter: Luigi

Cardamone، Georgios N.Yannakakis، Julian Togelius، and Pier Luca

Lanzi

[16] Payam Refaeilzadeh، Lei Tang، Haun Liu: Cross-Validation، Arizona

State University.

[17] Petri Lankoski، Staffan Björk: Gameplay Design Patterns for

Believable Non-Player Characters. Media Lab، University of Art and

Design Helsinki.

[18] Noor Shaker، Georgios N. Yannakakis، Member، IEEE، and Julian

Togelius، Member، IEEE: Feature Analysis for Modeling Game Content

Quality، 2010.

[19] ―Entertainment modeling through physiology in physical play،‖

International Journal of Human-Computer Studies، vol. 66، pp. 741–

755، 2008.

[20] Georgios N. Yannakakis: ―Modeling Player Experience in Super

Mario Bros‖ in Proceedings of the IEEE Symposium on Computational

Intelligence and Games. Milan، Italy: IEEE، September 2009.

http://cubeengine.com/

http://anteru.net/2008/07/25/242/


122

[21] Georgios N. Yannakakis، M. Maragoudakis، and J. Hallam:

―Preference Learning for Cognitive Modeling: A Case Study on

Entertainment Preferences،‖ IEEE Systems، Man and Cybernetics; Part

A: Systems and Humans، vol. 39، no. 6، pp. 1165–1175، November 2009.

[22] G. N. Yannakakis and J. Hallam: ―Game and Player Feature

Selection for Entertainment Capture،‖ in Proceedings of the IEEE

Symposium on Computational Intelligence and Games. Hawaii، USA:

IEEE، April 2007، pp. 244–251.

[23] J. Togelius، T. Schaul، J. Schmidhuber and F. Gomez، ―Countering

poisonous inputs with memetic neuroevolution،‖ in Parallel Problem

Solving From Nature 10، 2008.

[24] ——، ―Entertainment modeling through physiology in physical

play،‖ International Journal of Human-Computer Studies، vol. 66،

pp. 741– 755، 2008.

[25] M. Mejia-Lavalle and G. Arroyo-Figueroa، ―Power System Database

Feature Selection Using a Relaxed Perceptron Paradigm،‖ in Proceedings

of 5th Mexican International Conference on Artificial Intelligence،

LNCS. Springer Berlin/Heidelberg، 2006، pp. 522–531.

[26] Kenneth Hullett، Jim Whitehead: Design Patterns in FPS Levels،

University of California، Santa Cruz، 2009.

[27] Noor Shaker، Georgios N. Yannakakis، Member، IEEE، and Julian

Togelius، Member، IEEE. Feature Analysis for Modeling Game Content

Quality، 2010.