Development of Dynamic Difficulty Adaptation Using Hidden Markov Models in Learning Games
Bachelor thesis
Permanent lenke
https://hdl.handle.net/11250/2777979Utgivelsesdato
2021Metadata
Vis full innførselSamlinger
Sammendrag
Et læringsspill er vellykket når spilleren oppnår de medfølgende læringsmålene.Det å lage et læringsspill som er spennende nok til at spilleren fortsetter å spillefram til læringsmålene er oppnådd avhenger av både utfordringene i spillet og in-nholdet av oppgavene. Læringsprosessen blir oppfattet som en spiller som befin-ner seg i den optimale sonen for utvikling og flyt. En strategi for å holde etspill underholdende, men samtidig oppnå fremgang i læring, er å opprettholdeet vanskelighetsnivå som er vanskelig nok, men ikke for vanskelig. Vi eksperi-menterer med Hidden Markov-modeller for å teste ulike måter å implementeredynamisk vanskelighetstilpasning i utviklingen av et læringsspill. Som konsept-bevis legger vi frem en skisse av et rammeverk for å implementere dynamiskvanskelighetstilpasning i læringsspill. An educational game is successful if the player achieves the accompanied learn-ing goals. However, to make an educational game that is exciting enough for theplayer to keep playing until the learning goals are reached depends on both chal-lenges in the gameplay and in the subject matter of the learning tasks. The learn-ing process is perceived as a player being in a proximal zone of developmentand flow. One strategy for keeping a game exiting enough while also getting pro-gress in learning is to keep a load of difficulty that is difficult enough, but not toodifficult. We experiment with Hidden Markov Models to test different ways of im-plementing dynamic difficulty adaptation in the development of a learning game.As a proof-of-concept, we propose an outline of a framework for implementingdynamic difficulty adaptation in learning games.