[論文レビュー] Empathetic AI for Empowering Resilience in Games

Reza Habibi, Johannes Pfau+2 more|arXiv (Cornell University)|Feb 16, 2023

Resilience and Mental HealthPsychology被引用数 3

ひとこと要約

本論文は、協働型の事実上のゲーム（LUX）のチームプレイチャットログから感情調節戦略を検出・モデル化するデータ駆動型6段階フレームワークを提案する。これにより、プレイヤーのレジリエンスを支援する共感的AI（EAI）アシスタントの開発が可能になる。LUXの匿名化されたチャットデータを分析することで、感情状態、その系列、調節パターンを同定し、真剣なゲームや競技的ゲームにおける感情的対処法とチームレジリエンスの向上を支援するAI干渉の基盤を築く。

ABSTRACT

Failure and resilience are important aspects of gameplay. This is especially important for serious and competitive games, where players need to adapt and cope with failure frequently. In such situations, emotion regulation -- the active process of modulating ones' emotions to cope and adapt to challenging situations -- becomes essential. It is one of the prominent aspects of human intelligence and promotes mental health and well-being. While there has been work on developing artificial emotional regulation assistants to help users cope with emotion regulation in the field of Intelligent Tutoring systems, little is done to incorporate such systems or ideas into (serious) video games. In this paper, we introduce a data-driven 6-phase approach to establish empathetic artificial intelligence (EAI), which operates on raw chat log data to detect key affective states, identify common sequences and emotion regulation strategies and generalizes these to make them applicable for intervention systems.

研究の動機と目的

• チームベースのゲームにおける感情調節を支援するAIシステムの不足に応えること、特に真剣なゲームや競技的ゲームの文脈において。
• 失敗やストレスの状況におけるプレイヤーの生のチャットデータから、集団的な感情調節戦略を同定・モデル化すること。
• マルチプレイヤーのゲームインタラクションにおける感情状態と調節行動を検出するスケーラブルでデータ駆動型のフレームワークを構築すること。
• 将来的な共感的AIアシスタントがリアルタイムで干渉し、メンタルウェルネスとレジリエンスを支援する基盤を築くこと。
• 1つのゲーム（LUX）から得られた知見を、eスポーツ、教育的ゲーム、共同作業環境などに一般化すること。

提案手法

• ストレスと失敗を誘発するように設計されたチームベースのアンビエントリアリティゲーム（LUX）のプレイヤーから匿名化されたチャットログを収集する。
• 人間によるラベル付けを適用し、関連する感情状態（例：いらだち、励まし）と文脈に特化した出来事（イベント）を同定する。
• ラベル付け済みの系列から依存関係グラフを構築し、感情状態と調節行動の間の時間的関係をモデル化する。
• プロセスマイニングとファジィ論理技術を用いて、小規模なラベル付きデータからパターンを一般化し、抽象化された調節系列を生成する。
• 将来的には、大規模データからの戦略検出を自動化するために、ATTBLSTMや半教師あり学習（例：GAM）などの機械学習モデルを活用する。
• 知見を統合し、動的難易度調整やAIチャットボットを含む干渉システムへの導入を想定したパイプラインを構築する。

Figure 1: Six-Phase model of extracting and utilizing factors and strategies of emotion regulation

実験結果

リサーチクエスチョン

• RQ1 マルチプレイヤーゲームの生のチームチャットログからどのように感情調節戦略を同定できるか？
• RQ2 ゲームの失敗やストレス要因の状況で、感情状態と調節行動の繰り返しパターンは何か？
• RQ3 検出されたこれらのパターンを、AI干渉に一般化可能なモデルへと抽象化するにはどうすればよいか？
• RQ4 チームのチャレンジ中に、社会的・集団的な感情調節はチームレジリエンスにどのような役割を果たすか？
• RQ5 このようなシステムは、真剣なゲームや競技的ゲームにおける長期的なメンタルウェルネスとパフォーマンス向上を支援するために、どのように拡張可能か？

主な発見

• 本研究では、チームチャットログに繰り返し現れる感情調節パターンを同定した。具体的には、支援的なメッセージ、失敗の再解釈、リセット後の励ましの行動が含まれる。
• 人間によるラベル付けにより、プレイヤーが仲間の感情を調節するために、能動的聴取、承認、建設的フィードバックといった言語的戦略を頻繁に使用していることが明らかになった。
• 感情的系列の依存関係グラフ化により、否定的状態から肯定的状態への移行が可視化され、効果的な調節が行われていることが示された。
• 本フレームワークは、シンボリックなルールベースのシステムに依存せず、実際のプレイヤー相互作用からのデータ駆動型パターン抽出によって、感情調節の検出が可能であることを示した。
• 予備的な結果から、大規模なチャットデータ上で一般化可能なモデル（例：ATTBLSTM、GAM）をトレーニングし、感情調節の検出を自動化する可能性が示された。
• 本アプローチは、テキストベースのコミュニケーションがチームダイナミクスの中心を占める他のチームベースのゲームやプラットフォームへも一般化可能である。

Figure 2: Dependency graph of Team 1 on Puzzle 2 constructed during Phase 3. During Phase 4, emotion regulation events are detected (and highlighted in different colors here).