[논문 리뷰] The Gamification Design Problem

Michael Meder, Brijnesh J. Jain|arXiv (Cornell University)|2014. 07. 03.

Educational Games and Gamification참고 문헌 21인용 수 3

한 줄 요약

이 논문은 게임화 설계 문제를 통계적 학습 과제로 재정의한다: 목표를 달성하기 위해 사용자별 기여도를 극대화할 수 있도록 게임 설계 요소를 할당하는 것. 사용자 상호작용 데이터의 행렬 분해를 통해 잠재적 사용자 및 설계 요소 선호도를 학습함으로써, 사전 정의된 사용자 유형이나 설문 조사에 의존하지 않고도 개인 맞춤형 게임화를 가능하게 한다.

ABSTRACT

Under the assumptions that (i) gamification consists of various types of users that experience game design elements differently; and (ii) gamification is deployed in order to achieve some goal in the broadest sense, we pose the gamification problem as that of assigning each user a game design element that maximizes their expected contribution in order to achieve that goal. We show that this problem reduces to a statistical learning problem and suggest matrix factorization as one solution when user interaction data is given. The hypothesis is that predictive models as intelligent tools for supporting users in decision-making may also have potential to support the design process in gamification.

연구 동기 및 목표

• 게임 설계 요소에 대한 개인의 반응 차이를 고려한 효과적인 게임화 시스템 설계의 과제를 해결하기 위해.
• 설문 조사에 기반한 전통적인 사용자 세분화나 플레이어 유형 기반의 접근 방식을 넘어서기 위해, 이는 편향이 있을 수 있고 시간이 많이 소요될 수 있기 때문이다.
• 목표를 달성하기 위해 사용자의 기여도를 극대화하는 것을 목표로 삼는 목표 지향 최적화 문제로 게임화를 재정의하기 위해.
• 관찰된 상호작용 패tern을 바탕으로 개인별로 맞춤화된 게임 설계 요소를 추천할 수 있는 데이터 기반 통계적 접근법을 개발하기 위해.
• 게임화 설계에 대해 행렬 분해를 사용하는 것이 확장 가능하고 원리적인 방법으로서의 타당성을 탐색하기 위해.

제안 방법

• 사용자 u가 게임 설계 요소 g에 대해 인식하는 가치를 나타내는 유틸리티 점수 행렬 S를 사용하여 게임화 설계 문제를 행렬 완성 과제로 재구성한다. 여기서 s_ug는 사용자 u가 게임 설계 요소 g에 대해 느끼는 가치를 나타낸다.
• 희소한 사용자-설계 행렬 S를 낮은 랭크 잠재 요인 행렬로 분해하기 위해 행렬 분해를 적용한다: 사용자 벡터 x_u ∈ ℝ^k 와 게임 설계 요소 벡터 y_g ∈ ℝ^k.
• 내적을 통해 누락된 유틸리티 점수를 예측한다: ŝ_ug = x_u^T y_g. 이는 각 사용자에게 최적의 설계 요소를 추천할 수 있게 한다.
• 기록된 사용자-설계 쌍 P에 대해 최적화 문제 min_{x_*, y_*} Σ_{(u,g)∈P} (s_ug - x_u^T y_g)^2 를 해결한다.
• 학습된 잠재 요인을 암묵적인 사용자 선호도와 설계 요소 특성으로 해석하며, 인간이 정의한 플레이어 유형에 대한 데이터 기반 대안을 제공한다.
• 유사도가 기대되는 참여도를 반영하는 연속적인 임bedding 공간으로서 ℝ^k의 잠재 공간을 간주한다.

실험 결과

연구 질문

• RQ1 게임 설계 요소에 대한 개인의 반응 차이를 고려하면서도 사용자 기여도를 극대화할 수 있도록 게임화를 체계적으로 설계하는 방법은 무엇인가?
• RQ2 사용자 상호작용 데이터를 활용하여 설문 조사나 사전 정의된 플레이어 유형에 의존하지 않고도 자동으로 개인 맞춤형 게임 설계 요소 추천을 이끌어낼 수 있는가?
• RQ3 행렬 분해가 게임화 맥락에서 사용자 잠재 선호도와 설계 요소의 특성 특징을 어느 정도 정확하게 모델링할 수 있는가?
• RQ4 기존의 고객 세분화나 플레이어 유형 기반 접근 방식을 대체하기 위해 잠재 요인 모델을 사용할 경우 게임화 설계에 어떤 영향을 미칠 수 있는가?
• RQ5 게임화 설계 과정을 사용자 행동 데이터에 기반한 통계적 학습 과제로 어떻게 체계화할 수 있는가?

주요 결과

• 게임화 설계 문제는 사용자 상호작용 데이터를 활용하여 행렬 완성 과제로 재정의할 수 있으며, 이는 데이터 기반 개인 맞춤형 설계를 가능하게 한다.
• 행렬 분해는 희소한 유틸리티 점수 행렬에서 사용자 및 설계 요소의 잠재 요인을 효과적으로 학습하여, 아직 본 적이 없는 설계 요소에 대한 사용자 선호도를 예측할 수 있다.
• 행렬 분해에 의해 발견된 잠재 요인은 사용자 선호도와 설계 요소 특성의 암묵적 표현으로 해석될 수 있으며, 인간이 정의한 플레이어 유형에 대한 계산 기반 대안이 된다.
• 관찰된 사용자 행동에서 직접 학습하기 때문에 설문 조사나 설문지에 기반한 방법에서 발생할 수 있는 편향과 높은 노력에서 벗어나게 된다.
• 명시적인 사용자 분류가 필요 없이도 목표 달성을 위한 기여도를 극대화할 수 있도록 사용자에게 게임 설계 요소를 개인 맞춤형으로 할당할 수 있다.
• 이 프레임워크는 확장 가능하며 향후 연구에서 시간 동적 요소나 행동 기반 분류기로 보완될 수 있지만, 데이터 제약으로 인해 이는 향후 연구에 남겨진다.