[논문 리뷰] Empathetic AI for Empowering Resilience in Games

Reza Habibi, Johannes Pfau외 2명|arXiv (Cornell University)|2023. 02. 16.

Resilience and Mental HealthPsychology인용 수 3

한 줄 요약

이 논문은 협동형 애자일 리얼리티 게임(LUX)의 팀 기반 게임 대화 기록에서 정서 조절 전략을 탐지하고 모델링하기 위한 데이터 기반 6단계 프레임워크를 제안한다. 이를 통해 플레이어의 회복탄력성(레지일리언스)을 지원하는 공감형 AI(Empathetic AI, EAI) 어시스턴트의 개발이 가능해진다. 탈식별화된 대화 데이터를 분석함으로써 영향을 받는 정서 상태, 순서, 조절 패턴을 식별하여, 심각한 게임이나 경쟁 게임 환경에서 정서적 대처 능력과 팀의 회복탄력성을 향상시키는 AI 간섭의 기반을 마련한다.

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.

연구 동기 및 목표

• 팀 기반 게임에서 정서 조절을 지원하는 AI 시스템의 부족을 해결하기 위해, 특히 심각한 게임 및 경쟁 게임 환경에서의 적용을 목적으로 한다.
• 실패 또는 스트레스 상황 동안의 원시 플레이어 대화 데이터에서 집단적 정서 조절 전략을 식별하고 모델링하기 위해.
• 멀티플레이어 게임 상호작용에서 정서 상태와 조절 행동을 탐지하기 위한 확장 가능한 데이터 기반 프레임워크를 개발하기 위해.
• 미래의 실시간 간섭을 통해 정신 건강과 회복탄력성을 지원하는 공감형 AI 어시스턴트의 기초를 마련하기 위해.
• 단일 게임(LUX)에서의 결과를 일반화하여 e스포츠, 교육용 게임, 협업 환경 등 광범위한 분야에 적용 가능하도록 하기 위해.

제안 방법

• 실패와 스트레스를 유도하도록 설계된 팀 기반 애자일 리얼리티 게임(LUX)에서 플레이어의 탈식별화된 대화 기록을 수집한다.
• 핵심 정서 상태(예: 좌절, 격려 등)와 맥락 기반 이벤트를 식별하기 위해 인간이 레이블을 붙인 데이터를 적용한다.
• 레이블이 붙은 순서에서 종속성 그래프를 구성하여 정서 상태와 조절 행동 간의 시간적 관계를 모델링한다.
• 프로세스 마이닝 및 퍼지 논리 기법을 활용하여 소규모 레이블 데이터에서 패턴을 일반화하여 추상화된 조절 순서를 도출한다.
• 향후 단계에서 대규모 데이터에서 전략 탐지를 자동화하기 위해 ATTBLSTM 및 준지도 학습(GAM 등)과 같은 기계 학습 모델을 활용한다.
• 결과를 통합하여 간섭 시스템(예: 동적 난이도 조정 또는 AI 챗봇 포함)에 대한 파ip라인을 구축한다.

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

실험 결과

연구 질문

• RQ1 멀티플레이어 게임의 원시 팀 대화 기록에서 정서 조절 전략을 어떻게 식별할 수 있는가?
• RQ2 실패나 스트레스 요인 발생 시 게임 플레이 중 반복되는 정서 상태와 조절 행동의 패턴은 무엇인가?
• RQ3 이러한 탐지된 패턴을 일반화된 모델로 추상화하여 AI 간섭에 활용할 수 있는가?
• RQ4 사회적이고 집단적인 정서 조절은 게임 과제 중 팀의 회복탄력성에 어떤 역할을 하는가?
• RQ5 이러한 시스템은 장기적인 정신 건강과 성과 향상에 기여하기 위해 어떻게 확장될 수 있는가?

주요 결과

• 연구는 팀 대화 기록에서 반복적인 정서 조절 패턴을 성공적으로 식별하였으며, 이는 지원 메시지 전달, 실패의 재정의, 좌절 후 격려 등이 포함된다.
• 인간 레이블링 분석 결과, 플레이어들은 주로 청취, 정서적 확인, 건설적 피드백 등의 언어적 전략을 사용하여 동료의 정서를 조절하는 것으로 나타났다.
• 정서적 상태의 순서를 기반으로 한 종속성 그래프화는 부정적인 정서 상태에서 긍정적인 상태로의 전환을 가능하게 하여 효과적인 조절을 시각화하였다.
• 이 프레임워크는 기호 기반 규칙 시스템에 의존하지 않고, 실제 플레이어 상호작용에서 데이터 기반 패턴 추출을 통해 정서 조절 탐지를 가능하게 하여 실현 가능성을 입증하였다.
• 초기 결과는 대규모 대화 데이터에서 일반화 가능한 모델(예: ATTBLSTM, GAM)을 훈련시켜 정서 조절 탐지를 자동화할 수 있음을 지지한다.
• 이 접근법은 텍스트 기반 소통가 핵심 요소인 다른 팀 기반 게임 및 플랫폼으로도 일반화 가능하다.

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).