Defesa de Dissertação de Mestrado de Mariana Botelho Pereira, em 26/09/2024, 14h, por videoconferência
Link para defesa: https://meet.google.com/cyx-ceow-txo
Balancing Fun and Challenge: Evaluating Machine Learning Approaches to Dynamic Difficulty Adjustment in a Custom Dungeon Crawler
Resumo:
O desenvolvimento de jogos tradicionais geralmente depende de configurações de dificuldade estáticas, que podem não envolver os jogadores de forma eficaz. Os sistemas de Ajuste Dinâmico de Dificuldade (DDA) oferecem uma solução adaptando o jogo em tempo real com base no desempenho individual do jogador. Esta dissertação avalia dois sistemas DDA usando dois métodos diferentes de aprendizado de máquina: um Multilayer Perceptron (MLP) e um método de conjunto XGBoost. O objetivo é avaliar se há uma diferença significativa na diversão do jogador e no engajamento geral entre eles. Para testar isso, um jogo personalizado de dungeon crawler chamado Untitled Dungeon Game foi desenvolvido e hospedado online. O jogo coletou dados de jogabilidade, como o número de salas exploradas e inimigos enfrentados, e enviou esses dados para um sistema DDA para avaliar e retornar um novo ID de dificuldade para o próximo nível. Feedback subjetivo também foi coletado dos jogadores usando uma pesquisa, onde os jogadores relataram se divertir em geral mas alguns relataram que mudanças eram necessárias. Os resultados indicam que ambos os algoritmos forneceram experiências agradáveis. Ainda assim, com diferenças notáveis, o modelo XGBoost mostrou ajustes de dificuldade mais consistentes, enquanto o modelo MLP exibiu mudanças mais frequentes e erráticas. Apesar dos níveis semelhantes de satisfação do jogador, o algoritmo XGBoost demonstrou estabilidade superior e tempos de treinamento mais rápidos. Esta dissertação destaca o potencial dos sistemas DDA para aprimorar a experiência do jogador ao adaptar a dificuldade do jogo às habilidades individuais.
Abstract:
Traditional game development often relies on static difficulty settings, which can fail to engage players effectively. \acrfull{DDA} systems offer a solution by adapting gameplay in real-time based on individual player performance. This dissertation evaluates two DDA systems using two different \acrfull{ML} methods: a \acrfull{MLP} and an \acrfull{XGB} ensemble method. The objective is to assess whether there’s a significant difference in player enjoyment and overall engagement between them. To test this, a custom dungeon crawler game named Untitled Dungeon Game was developed and hosted online. The game collected gameplay data, such as the number of rooms explored and enemies fought against, and sent that data to a DDA system to evaluate and return a new difficulty ID for the next level. Subjective feedback was also collected from the players using a survey, where players reported having fun overall but some reported that changes were needed. The results indicate that both algorithms provided enjoyable experiences. Still, with notable differences, the XGBoost model showed more consistent difficulty adjustments, while the MLP model exhibited more frequent and erratic changes. Despite similar player satisfaction levels, the XGBoost algorithm demonstrated superior stability and faster training times. This dissertation highlights the potential for DDA systems to enhance player experience by tailoring game difficulty to individual skills.
Banca examinadora:
Prof. Troy Costa Kohwalter, UFF – Presidente
Profa. Flavia Cristina Bernardini, UFF
Prof. Jose Ricardo da Silva Junior, IFRJ