-
Apresentação
Apresentação
O sucesso de um jogo depende muitas vezes do equilíbrio de uma série de variáveis que podem ter uma implicação directa no comportamento mecânico desse mesmo jogo. Por exemplo, os jogos competitivos dependem de um ecossistema equilibrado numa grande variedade de mecânicas, que se não forem controladas, podem resultar em comportamentos abusivos por parte de alguns jogadores, arruinando a experiência para os restantes. Esta disciplina cobre tópicos clássicos e considera novas soluções que vão surgindo e que incluem, mas não se limitam a, inferências bayesianas aplicadas à concepção de jogos, experiência e modelação de comportamentos para classificação de jogadores, modelos de previsão de jogadores, e análise fisiológica aplicada à compreensão da emoção e experiência do jogador durante o jogo.
-
Disciplina do curso
Disciplina do curso
-
Grau | Semestres | ECTS
Grau | Semestres | ECTS
Mestre | Semestral | 10
-
Ano | Natureza | Lingua
Ano | Natureza | Lingua
1 | Obrigatório | Português
-
Código
Código
ULHT6838-25526
-
Pré-requisitos e co-requisitos
Pré-requisitos e co-requisitos
Não aplicável
-
Estágio Profissional
Estágio Profissional
Não
-
Conteúdos Programáticos
Conteúdos Programáticos
CP1. As relações entre jogador e jogo no processo psicofisiológico 1.1. A utilização de videojogos nos campos científicos: Neurociência, Psicologia, Medicina e Reabilitação CP2. Análise fisiológica: 2.1. Electrocardiograma: Aplicação, Sinal e Processamento 2.2. Atividade Electrodermal: Aplicação, Sinal, e Processamento 2.3. Eletromiografia: Aplicação, Sinal e Processamento 2.4. Aparelhos: Plux, Biopac, e outros. 2.5. Sincronização entre aparelhos e jogo CP3. Recolha de dados 3.1. Design do protocolo científico 3.2. Definição dos grupos de estudo 3.3. O bias e os cuidados a ter com participantes 3.4. Declarações de consentimento e privacidade dos Dados. 3.5. O Estudo Piloto CP4. Modelação Aplicada 4.1. Revisão de Algoritmos: Inferência Bayesiana, Regressão Linear, SVM e Redes Neuronais 4.2. Algoritmos não supervisionados: K-Mean e EM 4.3. Lidar com dados temporais: extração de características 4.4. Optimizar Hiperparâmetros
-
Objetivos
Objetivos
Os objectivos de aprendizagem (OA) desta UC são: OA1. Compreender a relação entre a experiência do jogador e jogo, e teoria interação pessoa-máquina OA2. Compreender o conceito de dados psicofisiológicos e estímulo sensorial humano OA3. Aprender a utilizar sensores fisiológicos como: Electrocardiograma, Atividade Electrodermal e Eletromiografia. OA4. Compreender a relação entre estímulo e resposta fisiológica e como localizá-lo nos dados. OA5. Aprender a processar dados fisiológicos através de sistemas informatizados (e.g. Python). OA6.Optimizar o processo de recolha de dados para a resolução de problemas na área de videojogos. OA7. Compreender que tipo de modelos se podem criar e que tipo de algoritmos se podem aplicar a diferentes tipos de dados recolhidos. OA8. Criar modelos para classificar jogadores consoante a sua habilidade, emoções sentidas e arquétipos. OA9. Aplicar fundamentos importantes de aprendizagem maquina e perceber as suas vantagens e desvantagens.
-
Metodologias de ensino
Metodologias de ensino
As aulas inserem-se num âmbito teórico e prático e irão consistir em aulas de natureza expositiva (ME1), atividades práticas em aula (ME2), atividades práticas projeto (ME3) e sessões de retorno de informação por parte do docente (ME4). A componente de avaliação exigirá desenvolver vários modelos de aprendizagem máquina considerando vários problemas comuns na indústria, onde este é finalizado com um relatório a descrever a metodologia. A avaliação é realizada da seguinte forma: Serão propostos vários pequenos trabalhos e exercícios teóricos ao longo das aulas para avaliar os conteúdos semanais, bem como 1 projeto prático (dividido em duas fases) que exige que os estudantes desenvolvam, recolham e analisem os seus próprios projetos experimentais em jogos. Classificação final = 90% projeto + 10% avaliação em aula
-
Bibliografia principal
Bibliografia principal
Togelius, J. (2019). Playing smart: On games, intelligence, and artificial intelligence. MIT Press. Yannakakis, G. N., & Togelius, J. (2018). Artificial intelligence and games. Springer. Karpouzis, K., & Yannakakis, G. N. (2016). Emotion in Games. Cham: Springer. Fenner, M. (2019). Machine Learning with Python for Everyone. Pearson Education. James, G., Witten, D., Hastie, T. and Tibshirani, R. (2021). An Introduction to Statistical Learning. Springer.
-
Avaliação
Avaliação
The evaluation of this curricular unit is divided into small weekly assessment exercises and one large data collection project, divided in two different phases as detailed below.
Description
Ponderação
Weekly Assessment Exercises 10% Project 1: Scientific Methodology & Protocol Design
Design a scientific methodology and protocol to model one player-related variable for playtesting (e.g., stress, engagement, frustration, arousal).30%
Project 2: Experiment, Data Collection and Reporting
Run the experiment designed in Project 1, collect data, model the chosen variable, and report results.60%
-
Mobilidade
Mobilidade
Não
