[论文解读] The Gamification Design Problem

Michael Meder, Brijnesh J. Jain|arXiv (Cornell University)|Jul 3, 2014

Educational Games and Gamification参考文献 21被引用 3

一句话总结

本文将游戏化设计问题形式化为一个统计学习任务：通过为用户分配游戏化设计元素，以最大化其对既定目标的预期贡献。该研究提出对用户交互数据进行矩阵分解，以学习用户的潜在偏好与设计元素的偏好，从而实现无需依赖预定义用户类型或问卷调查的个性化游戏化设计。

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.

研究动机与目标

• 为解决游戏化系统设计中的挑战，即考虑用户对游戏化设计元素反应的个体差异。
• 超越依赖问卷调查的传统用户细分与玩家类型划分方法，这些方法可能存在偏见且耗时。
• 将游戏化设计问题建模为以最大化用户对预设目标贡献为目标的优化问题。
• 开发一种基于数据的统计方法，根据观察到的交互模式，为个体用户推荐定制化的游戏化设计元素。
• 探索使用矩阵分解作为可扩展、有理论依据的方法，实现个性化游戏化设计的可行性。

提出的方法

• 使用效用分矩阵 S 将游戏化设计问题形式化为矩阵补全任务，其中条目 s_ug 表示用户 u 对游戏化设计元素 g 的感知价值。
• 应用矩阵分解，将稀疏的用户-设计矩阵 S 分解为低秩的潜在因子矩阵：用户向量 x_u ∈ ℝ^k 和游戏化设计元素向量 y_g ∈ ℝ^k。
• 通过内积预测缺失的效用分：ŝ_ug = x_u^T y_g，从而为每个用户推荐最优的设计元素。
• 求解优化问题 min_{x_*, y_*} Σ_{(u,g)∈P} (s_ug - x_u^T y_g)^2，针对已知的用户-设计对集合 P。
• 将学习到的潜在因子解释为用户偏好的隐式表示和设计元素的特征，提供一种基于数据的替代方案，以替代人工定义的玩家类型。
• 将潜在空间 ℝ^k 视为连续嵌入空间，用户与设计元素之间的相似性反映了其预期参与度。

实验结果

研究问题

• RQ1 如何系统性地设计游戏化方案，以在考虑用户对游戏化设计元素反应差异的前提下，最大化其贡献？
• RQ2 是否可以利用用户交互数据自动推断个性化游戏化设计元素推荐，而无需依赖问卷调查或预定义的玩家类型？
• RQ3 在游戏化背景下，矩阵分解在多大程度上能够建模用户的潜在偏好和游戏化设计元素的特征？
• RQ4 将潜在因子模型作为传统客户细分或玩家类型划分的替代方案，在游戏化设计中具有何种影响？
• RQ5 如何将游戏化设计过程形式化为一个基于用户行为数据的统计学习问题？

主要发现

• 游戏化设计问题可借助用户交互数据重新表述为矩阵补全任务，从而实现基于数据的个性化设计。
• 矩阵分解能有效从稀疏效用分矩阵中学习潜在的用户与设计元素因子，从而预测用户对未见设计元素的偏好。
• 通过矩阵分解发现的潜在因子可被解释为用户偏好和设计元素特征的隐式表示，作为人工定义玩家类型的计算替代方案。
• 该方法通过直接从观察到的用户行为中学习，避免了问卷调查和问卷调查带来的偏见与高成本。
• 该方法支持为用户个性化分配游戏化设计元素，以最大化其对目标的预期贡献，而无需显式用户分类。
• 该框架具有可扩展性，未来可结合时间动态或基于行为的分类器进行增强，但由于数据限制，这些方向留待未来研究。