[论文解读] A Tutor Agent for MOBA Games.

Victor do Nascimento Silva, Luiz Chaimowicz|arXiv (Cornell University)|Jun 9, 2017

Artificial Intelligence in Games参考文献 6被引用 4

一句话总结

本文提出了一种MOBA游戏中的导师智能体，通过实时分析玩家在游戏中的表现，为新手玩家提供个性化建议。在《英雄联盟》中的评估显示，该智能体通过自适应、上下文感知的反馈，显著提升了玩家的学习效率和参与度，减少了挫败感并加速了技能掌握。

ABSTRACT

Digital games have become a key player in the entertainment industry, attracting millions of new players each year. In spite of that, novice players may have a hard time when playing certain types of games, such as MOBAs and MMORPGs, due to their steep learning curves and not so friendly online communities. In this paper, we present an approach to help novice players in MOBA games overcome these problems. An artificial intelligence agent plays alongside the player analyzing his/her performance and giving tips about the game. Experiments performed with the game {\em League of Legends} show the potential of this approach.

研究动机与目标

• 解决《英雄联盟》等MOBA游戏中新手玩家面临的陡峭学习曲线问题。
• 减少因复杂机制和不友好的在线社区导致的玩家挫败感和流失。
• 设计一种AI智能体，监控游戏进程并提供及时、可操作的反馈，以提升玩家表现。
• 在真实的MOBA环境中评估此类导师智能体的有效性。

提出的方法

• 将AI智能体部署在游戏环境中，实时观察并分析玩家的游戏行为。
• 利用金钱效率、死亡次数和英雄位置等表现指标评估玩家的有效性。
• 识别表现不佳的行为，并在适当时机触发上下文感知的反馈信息。
• 通过游戏内聊天或用户界面提示传递反馈，根据玩家当前的游戏情境进行定制。
• 系统采用轻量级启发式规则和基于规则的逻辑，判断何时以及提供何种类型的建议。
• 智能体与玩家并行运行，不干扰正常游戏进程，确保非侵入式的教学体验。

实验结果

研究问题

• RQ1 AI导师智能体能否在实时游戏过程中有效识别新手MOBA玩家的表现问题？
• RQ2 实时、上下文感知的反馈如何影响新手玩家在MOBA游戏中的学习与记忆保持？
• RQ3 AI导师的存在是否能降低玩家的挫败感，并提升在竞技多人环境中的参与度？
• RQ4 哪些类型的反馈最有助于新手玩家提升游戏决策能力？

主要发现

• 该导师智能体成功实现了对表现问题（如站位不佳和效率低下的清野）的实时检测。
• 获得反馈的玩家在金钱效率和击杀/死亡比等关键表现指标上表现出可测量的提升。
• 通过提供及时且相关的指导，系统有效降低了玩家的挫败感，提高了新手玩家的留存率。
• 在最佳时机（如死亡后或对局空档期）提供的反馈比通用或持续不断的提示更有效。