کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4942360 1437250 2017 19 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Personalising game difficulty to keep children motivated to play with a social robot: A Bayesian approach
ترجمه فارسی عنوان
شخصی سازی دشواری بازی برای حفظ انگیزه کودکان به بازی با یک روبات اجتماعی: رویکرد بیزی
کلمات کلیدی
روباتیک اجتماعی، مدل سازی کاربر سیستم رتبه بندی، تعامل کودک روبات، انگیزه،
ترجمه چکیده
برای آموزش موثر کودکان، بازی کردن با یک ربات اجتماعی باید برای یک مدت طولانی تر انگیزه بگیرد. یکی از جنبه هایی که می تواند انگیزه یک کودک را تحت تاثیر قرار دهد، مشکل بازی است. بازی باید به عنوان چالش در نظر گرفته شود در حالی که در عین حال، کودک باید برای رسیدن به چالش مطمئن باشد. ما یک ماژول مدل سازی کاربر طراحی کردیم که سختی یک بازی را به سطح مهارت فرزند تطبیق می داد تا کودکان را با چالش بهینه ای عرضه کند. این ماژول یک روش رتبه بندی بیزی است که سطح سخت افزاری بازی و مهارت بازی کودک را برای شخصی سازی پیشرفت بازی برآورد می کند. در یک آزمایش با 22 کودک (بین 10 تا 12 ساله و یک ساله)، ما آزمایش کردیم که آیا شخصی سازی باعث افزایش انگیزه برای بازی با ربات می شود. گرچه سیستم شخصی به طور مطلوب به شرکت کنندگان چالش نکرد، این مطالعه نشان می دهد که سیستم رتبه بندی بیزی در اصل قادر به اندازه گیری مهارت و عملکرد کودکان در بازی با یک ربات می باشد (حتی بدون برآورد دقیق از سختی موارد). ما روش های متعددی را که در آن روش رتبه بندی و ماژول می تواند برای شخصی سازی و افزایش تعامل کودک-روبات، به غیر از سازگاری دشواری بازی ها (مثلا با تطبیق گفتمان و بازخورد)، مورد استفاده قرار گیرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
شخصی سازی دشواری بازی برای حفظ انگیزه کودکان به بازی با یک روبات اجتماعی: رویکرد بیزی
چکیده انگلیسی
For effective child education, playing games with a social robot should be motivating for a longer period of time. One aspect that can affect the motivation of a child is the difficulty of a game. The game should be perceived as challenging, while at the same time, the child should be confident to meet the challenge. We designed a user modelling module that adapts the difficulty of a game to the child's skill level, in order to provide children with the optimal challenge. This module applies a Bayesian rating method that estimates the child's skill and game item's difficulty levels to personalise the game progress. In an experiment with 22 children (aged between 10 and 12 years old), we tested whether the personalisation leads to a higher motivation to play with the robot. Although the personalised system did not challenge the participants optimally, this study shows that the Bayesian rating system is in principle able to measure the skill and performance of children in playing a game with a robot (even without accurate estimates of the difficulty of items). We outline multiple ways in which the rating method and module can be used to further personalise and enhance the child-robot interaction, other than adapting the difficulty of games (e.g. by adapting the dialogue and feedback).
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Cognitive Systems Research - Volume 43, June 2017, Pages 222-231
نویسندگان
, , , ,