چکیده
شخصی سازی یک روند رو به رشد در پژوهش بازی وار سازی است، و چند تن از محققین پیشنهاد دادند که سیستم های بازی نمایی شده باید مشخصههای شخصی را در نظر بگیرند. به هر حال، ایجاد طراحیهای بازی انگاری شده خوب یک تلاش فشرده است چرا که این موارد و سیستمهای طراحی شده در تعامل با هر کاربر تنها به بار کاری اضافه می کنند. ما انتخاب محتوای شخصی سازی مبتنی بر الگوریتم یادگیری ماشین را برای بررسی بخشی از این مشکل پیشنهاد دادیم و یک فرآیند را برای ایجاد طراحیهای شخصی ارائه دادیم که خودکار سازی بخشی از اجرا را اجازه می دهد. فرآیند بر اساس چارچوب Deterding’s 2015 برای طراحیهای بازی نمایی شده، از دیدگاه اتمی مهارتهای ذاتی، با مراحل اضافی برای انتخاب استراتژی شخصی سازی و ایجاد الگوریتم است. سپس فرآیند را با اجرای بازی نمایی شخصی شده برای یک محیط یادگیری همکاری پشتیبانی شده تشریح می شود، ما از نوع کاربر گیمیفیکیشن برای شخصی سازی و اکتشافاتی برای طراحی موثر گیمیفیکیشن برای طراحی کلی استفاده می کند. نتایج فرآیند طراحی استفاده شده یک مجموعه قواعد اگاه از زمینه، گیمیفیکیشن شخصی سازی شده برای محیطهای همکاری است. در آخر، ما متدی را برای تفسیر مجموعه قواعد گیمیفیکیشن برای الگوریتم دسته بندی قابل خواندن توسط ماشین با استفاده از القاکننده قانون CN2 ارائه می دهیم.
مقدمه
گیمیفیکیشن استفاده از عناصر شبیه به بازی برای محیطهای غیربازی است [13]. ادبیات موضوعی اخیر پتانسیل گیمفیکیشن را در آموزش ارزیابی کرده اند دریافته اند که چند مفاهیم مثبت، مانند افزایش تعامل و انگیزه [14, 46, 53] همراه با را به پیامدهای منفی، مانند رقابت غیرتولیدی یا اشباع پاداش که به انگیزه زدایی منجر می شود وجود دارد [16, 18]. نویسندههای متفاوت به تفاوتهای مفهومی و شخصی برای توضیح این نتایج ترکیبی اشاره میکنند و برای در نظر گرفتن این ویژگیها خواستار پژوهش بر ویژگیها شدند [3, 40, 59]. چندین محقق پیشنهاد دادند که سیستمهای بازی انکاری شده باید برای کاربران متفاوت سیستم طراحی شوند تا پتانسیل کامل سیستمهای بازی انگاری شده را تحقق بخشند [11, 22, 45, 48, 61].
برخی از پژوهشها در سیستمهای بازی انگاری شده تطبیقی اجرا شده اند [5]. به هر حال، ما بر تفاوت بین گیمیفیکیشن تطبیقی تاکید می کنیم، که سیستم بازی انگاری شده به شرایط متفاوت، و گیمیفیکیشن شخصی واکنش نشان می دهد، که سیستمی است که قادر به پاسخ دادن ساختار یافته تری به شرایط و مشخصههای کاربران است. پژوهش کمی بر سیستمهای گیمیفیکیشن شخصی سازی شده [6]، و چند مطالعه بر طراحی این سیستمها [4, 49] وجود دارد. یک مسئله اصلی در گیمیفیکیشن شخصی سازی شده این است که اگر یک فرد انتخاب کند که کدام استراتژی شخصی سازی شده برای کدام کاربر انتخاب شود، بسیار زمان بر است، و نیازمند نظارت ثابت است، و بسیار هزینه بر است. هر استرتژی شخصی سازی شده جدید ضرورتا باعث طراحی گیمیفیکیشن با کار فشرده و اجرای کار برای تکثیر است.
پژوهش های مرتبط به گیمفیکیشن
در این بخش، ما ادبیات موضوعی مربوط به گیمفیکیشن، اینکه چگونه گیفیمیشن از قبل در آموزش استفاده می-شود، و اصول نظری کار ما مبنای آن است، بررسیهای انجام می دهیم.
گیمفیکیشن در آموزش
اثرات مثبت گوناگون سیستمهای آموزشی بازی نمایی شده در طول سالها کشف شده است. برطبق ادبیات موضوعی فعلی بر گیمفیکیشن، گیمیفکیشن موثر در مورد استفاده از عناصر بازی برای پرورش سه نیاز ذاتی کاربر در راستای انگیزش درونی است [53]. این اصول در اصل با یک سری از مطالعات [53] از نظریه خود تعیین Deci and Ryan پذیرفته شده است [10]. این اصول به شرح زیر هستند [10]:
• وابستگی: جهان نیازمند تعامل و ارتباط با دیگران است.
• صلاحیت: جهان نیازمند این است که موثر باشد و مشکل را در یک محیط مشخص مدیریت کند.
• خودمختاری: جهان نیازمند این است که زندگی خود را کنترل کند.
استفاده از متد پژوهش علوم طراحی برای ایجاد یک فرآیند طراحی
در این بخش، ما تشریح کردیم که چگونه از اصول علوم طراحی برای ایجاد دانش طراحی جدید در گیمفیکیشن شخصی سازی شده استفاده کنیم. آنچه که در پژوهش علوم طراحی از پژوهش مثبت متفاوت است، این است که نتیجه پژوهش بر علوم طراحی یک دانش توصیفی است [20]. پژوهش بر علوم طراحی اغلب با یک فرصت مهم آغاز می شود، و مسائل یا دیدگاهها را برای دامنه کاربردی به چالش می کشد [20, 26]. در طول فرآیند پژوهشی DSR هر دو آرتیفکت تولید می شوند که در یک مسئله در دامنه کاربردی، و دانش توصیفی بر اینکه چگونه چیزها تغییر می کند را بررسی می کند [20]. علاوه بر این اکتشافات، مانند سیستمهای نرم افزاری، فرآیندهای پژوهش علوم طراحی می تواند سطح بالاتری از آرتیفکت مانند متدهای طراحی، اصول طراحی یا نظریههای طراحی را ایجاد کنند.
یک فرآیند طراحی برای گیمفیکیشن شخصی سازی شده مبتنی بر الگوریتم
تلاشهایی در پژوهش و اجرای گیمفیکیشن شخصی وجود دارد، اما تاکنون فرایندی برای اجرای ان بدون دستکاریهای گسترده صورت نگرفته است. در ان بخش، یک فرآیند طراحی برای گیمفیکیشن شخصی شده مبتنی بر الگوریتم ارائه می دهیم که بر اساس چارچوب Deterding [12] برای ایجاد طراحیهای بازی گونه است. سهم جدید ما در این بخش تشریح می کند که چگونه هردو استراتژی شخصی سازی و یک فرآیند ایجاد الگوریتم می تواند برای استدالال فرآیند طراحی موجود، با الگوریتمهایی که خودکار سازی انتخاب استراتژیها و وظایف شخصی سازی را اجازه می دهند، استفاده شود. در غیر این صورت فرآیند از اصول و مراحل طراحی ارائه شده توسط Deterding استفاده می کند. ما از کار Monterrat و همکاران [42, 44]، و Tondello و همکاران [39, 57, 58] استنتاج کردیم که از انواع بازیکن از پیش تعریف شده و یک مدل تطبیق بازیکن برای بهبود تطبیق عناصر بازی با ترجیح کاربر استفاده شده است.
مرحله 1: تعریف استراتژی گیمفیکیشن. اولین مرحله زمانی است که تعریف استراتژی گیمفیکیشن کلی آغاز می شود. هدف پشت این تغییر مطلوب در رفتار چیست؟ چه اتفاقی رخ میدهد و چه نیازی به تغییر هست؟ چگونه این تغییر اندازه گرفته میشود؟ علاوه بر این، دیگر پیش نیازهای سیستم نرم افزاری و محدودیتها نیاز است که در نظر گرفته شود، مانند منابع، دامنه و دیگر پیش نیازهای تکنولوژیکال
تشریح فرآیند طراحی در یک زمینه یادگیری همکارانه حمایت شده توسط کامپیوتر
در این بخش، فرآیند طراحی ارائه شده در بخش قبل را با استفاده از آن برای طراحی یک رویکرد گیمیفیکیشن شخصی سازی شده برای یک محیط یادگیری همکاری پشتیبانی شده توسط کامپیوتر، تشریح می کنیم. برای خلاصه سازی، یادگیری همکاری یک متد یادگیری است که در ان دانشجویان یک تقارن عمل، دانش و وضعیت دارند، و یک تقسیم کار سطح پایین دارند. یادگیری همکاری پشتیبانی شده توسط کامپیوتر با تعامل با ابزارهای نرم افزاری را سهولت می بخشد و پتانسیلهای فعالیتهای خلاقانه و تعامل اجتماعی را افزایش می دهد [55]. این به عنوان دامنه کاربردی انتخاب شده است چرا که شواهد قبلی وجود دارد که می تواند از گیمفیکیشن بهره مند شود، و برخی از مطالعات افزایش در همکاری دانشجویان و انگیزش در محیط آموزشی را نشان می دهند. به خصوص، سیستم بازی سازی یک محیط یادگیری همکاری پشتیبانی شده توسط کامپیوتر که توسط دانشجویان مهندسی نرم افزاری استفاده میشود که کار تیمی را انتخاب کرده اند، هدف قرار می دهد.
انتخاب استراتژی شخصی سازی گیمفیکیشن
ما نوع کاربر گیمفیکیشن هگزاد [39, 58] را به عنوان مدلی برای طراحی شخصی سازی در زمان ایجاد رویکردهای گیمفیکیشن انتخاب کردیم. آنها از یک بررسی بر 133 شرکت کننده و متدهای کمی برای توسعه و سپس اعتبارسنجی یک مقیاس پاسخ برای ارزیابی اولویتهای کاربر استفاده می کنیم. این مدل کار در طول گزینه ها استفاده شده است چرا که خاص گیمفیکیشن و خاص شواهد است.
الگوریتم برای گیمفیکیشن شخصی شده برای یک سیستم یادگیری همکاری حمایت شده توسط کامپیوتر
الگوریتم بر اساس مجموعه قواعد و فرآیند طراحی ارائه شده در بخشهای قبلی است. الگوریتم برای انتخاب وظایف وابسته به زمینه، گیمفیکیشن شخصی برای هر نوع کاربر سیستم یادگیری همکاری حمایت شده توسط کامپیوتر طراحی شده است. الگوریتم بر اساس دسته بندی کننده ایجاد شده با الگوریتم القای قاعده CN2 است، که مجموعه ای از قوانین را به شرایط if-else – نگاشت می کند. زمانی که فعال شود، از متغیرهای محیطی برای تصمیم گیری بر اینکه کدام وظیفه باید به کاربر ارائه شود استفاده می کند.
بحث و نتیجه گیری
هدف پژوهش این مطالعه کشف این است که چگونه به صورت سیستماتیکی سیستمهای گیمفیکیشن شخصی سازی شده مبتنی بر الگوریتم ایجاد شده است که می تواند طراح سیستم یا اپراتورها را از کارهای شخصی تکراری نجات دهد، و به پایگاه استراتژیهای شخصی سازی شده در اصول طراحی ایجاد شده کمک کند. به منظور تحقق این هدف، ما از متد پژوهش علوم طراحی برای ایجاد یک فرایند طراحی گیمفیکیشن شخصی سازی شده بر اساس کار Deterding’s با مراحل اضافی برای استراتژی شخصی سازی و ایجاد الگوریتم استفاده کردیم. همچنین فرآیند را با استفاده از آن برای محیط یادگیری همکارانه حمایت شده توسط کامپیوتر تشریح کردیم، که در کشف یک الگوریتم گیمفیکیشن شخصی سازی شده خاص و یک اعتبارسنجی اولیه و مصنوعی از متدها بر طبق اصول علوم طراحی نتیجه میدهد [24, 51, 62].
یک پژوهش اولیه در گیمفیکیشن تطبیقی [5, 42] و پژوهشی در مورد ایجاد طراحیهای گیمفیکیشن شخصی سازی شده [4, 49] وجود دارد. در مقایسه با پژوهش اولیه، سهم جدید ما ارائه و تشریح یک فرآیند طراحی است که از یادگیری ماشین و اتوماسیون مبتنی بر الگوریتم برای اجرای شخصی سازی استفاده می کند. فرآیند ارائه شده یک پاسخ ممکن برای اتخاذ پویا مشخصات در زمان طراحی اجرای سیستمهای بازی نمایه شده، بدون کار اضافی درگیر در شخصی سازی اپراتورهای سیستمهای بازی انگار شده است.
محدودیت اصلی برای رویکرد ارائه شده این است که نیاز به یک کارشناس یادگیری ماشین را برای طراحی گیمفیکیشن القا شده است. محدودیت دوم به پژوهش مربوط است که ما ارزیابی مصنوعی فرآیند را اجرا کردیم، و سیستم باید به صورت تجربی اعتبارسنجی شود. کار آینده شامل تست در یک شرایط و بازخورد متنوع از تیمهای طراحی است که مزایای استفاده از فرآیند را در شرایط طراحی گوناگون و پایداری استفاده از الگوریتهای مبتنی بر یادگیری ماشین در سیستمهای گیمفیکیشن ایجاد می کند.
این مقاله ISI در سال 2018 در نشریه اسپرینگر و در مجله ابزارها و برنامه های چند رسانه ای، توسط گروه دانشگاه علوم کاربردی جنوب شرقی فنلاند منتشر شده و در سایت ای ترجمه جهت دانلود ارائه شده است. در صورت نیاز به دانلود رایگان اصل مقاله انگلیسی و ترجمه آن می توانید به پست دانلود ترجمه مقاله طراحی گیمیفیکیشن شخصی مبتنی بر الگوریتم در سایت ای ترجمه مراجعه نمایید.