TAG
#player-modeling
0 レビュー · 11 エッセイ
関連エッセイ
Guo ら: 人は10試合ほどで「目先の得」から離れたが、自己進化するAIは離れられなかった — Fukai が読む
Yingying Guo ら5名による preprint(arXiv:2608.07490、査読前)。同じゲームを繰り返し遊んだとき、人とAIの「手の選び方」がどう変わるかを測る枠組みを提案した。学生32人に3種類の対戦ゲームを計709試合遊ばせ、同じ物差しで自己進化型のAIエージェント4種類も走らせている。人は目先の得が最大の手から先を見た手へとおおむね移り、ゲームごとの行動指標では12人中11人・11人中10人・9人中8人が改善した。一方AIの改善は短く途切れがちだった。著者らは「中心的な限界は振り返りが無いことではなく、振り返りを再利用できる行動の変化に変換できないことだ」と書いている。
Melo Legarda ら: 心拍で難易度を変える前に、「変えない仕組み」を作った — Fukai が読む
コロンビア・カウカ大学ほかの4人による査読済み論文(Applied Sciences 16(17):8511、2026年8月27日公開)。胸ベルト型の心拍センサーの値でゲームの難しさを自動調整する仕組みを作り、8回・のべ6時間48分の動作記録を取った。反応の遅れは平均2.06秒。注目すべきは、状態を実際に切り替えた191回に対し、切り替えを見送った回数が83回あること。切り替えの判断の三割近くが「変えない」側に倒れている。ただし遊んだ人の主観は一度も集めておらず、著者自身「面白くなった」とは主張していない。
Tudor ら: 開けば見える勝敗表を、AI は負ける直前まで開かなかった — Fukai が読む
オックスフォード大学ほかの7人による arXiv preprint(2026年9月2日投稿)。『Sid Meier's Civilization VI』に76個の道具窓口を付け、AI に300ターン以上の1戦をまるごと遊ばせた。AI は勝敗の進み具合を30〜75ターンに一度しか照会せず(手引きの推奨は20ターンごと)、敗北が事前に見えていた20戦のうち7戦で最後の20ターンに一度も確認しなかった。自分で書いた計画が10ターン以内に実行された割合は 48.2%〜65.8% にとどまる。
Elshamy ら: プレイヤーの腕前を見て、面そのものを描き換える — Fukai が読む
エジプト日本科学技術大学(E-JUST)の Elshamy らによる、プレイヤーの腕前を推定して面の地形そのものを書き換える仕組みの論文。敵の体力やアイテムの出方を触る従来の動的難易度調整に対し、床・すき間・敵の配置をその場で組み替える。腕前判定の正解率は 97.82%、書き換え後に最後まで通れた面は 74.1% だった。
Collins ら: 人は初見のゲームを「1手先・6回」だけ想像して判断する — Fukai が読む
Katherine M. Collins ら(MIT ほか)による Nature 掲載の査読済み論文。三目並べの親戚にあたる新作ゲーム121種類を1,000人以上に見せ、遊ぶ前の「公平そうか」「面白そうか」の判断を測った。1手先だけ読む手選びを6回の模擬プレイに使う Intuitive Gamer モデルが、公平さの判断を R2=0.81(人のデータの上限は0.82)で説明し、深く読む Expert Gamer(0.65)や MCTS(0.60)を上回った。
Tarun Kumar S: 人間の指し手を当てる AI に「直前の20手」と「残り時間」を教えたら — Fukai が読む
Peargent Labs の Tarun Kumar S による、人間の指し手を予測するチェス AI「Otter」の論文。従来のモデルが各局面を独立に扱っていたのに対し、直前20手の履歴と持ち時間の残り具合を条件に加え、1530万パラメータで top-1 55.23% を達成。Maia 2 を 1.98 ポイント上回った。盤面のみのベースラインからの改善 +7.62 ポイントのうち、履歴が +5.24、時計が +2.38。arXiv preprint(2026年8月5日投稿、査読前)。
Gould & Ward et al.: パズルの難易度を「人間の所要時間」で測る — Fukai が読む
Gould と Ward らによる AI 評価の論文。43 ベンチマーク・3万問超に「人間の所要時間」を付け、思考を書き出さないモデルが 50% 成功する課題の時間を測ったところ、6年で約373日ごとに倍増し GPT-5.5 で約3分に達した。数独やクロスワードを含む難易度計量の作法が、パズル設計にそのまま使える。
Wang et al.: 視線から「頭の忙しさ」を読む LLM エージェント — Fukai が読む
Meta Reality Labs らによる、視線データから認知負荷(頭の忙しさ)を推定する論文。従来手法の低い汎化性と解釈しにくさを、視線を構造化して LLM に文脈・個人差・お手本つきで推論させる枠組み GazeMind で扱い、3段階分類で 62.73% の精度(既存手法比 +20 ポイント超)を報告した。
Özkan: レベルを生成する AI と攻略する AI を一緒に育てる — Fukai が読む
Miraç Buğra Özkan による、強化学習でレベル生成と攻略を同時に学ばせる論文。Unity 上でハチドリ(攻略役)と浮遊島(生成役)の2体を互いの成績を見ながら学習させ、未知レイアウト100種で約90.2%の攻略成功率に到達した。
Feng et al.: LLM エージェントは交易ゲームで賢く駆け引きできるか — Fukai が読む
清華大学チームによる、LLM エージェントを協力かつ競争する交易ゲームで評価するベンチマーク SidConArena の論文。ボードゲーム Sidereal Confluence を題材に、交渉・生産・封印入札の三フェーズで評価し、フロンティアモデルは強いが、資源の価値の取り違え・受け身な交渉・長期投資計画の弱さが残ると報告する。
McConnell & Zhao: 遺伝的アルゴリズムで「ちょうどいい難しさ」のパズルをリアルタイム生成する — Fukai が読む
McConnell と Zhao による、遺伝的アルゴリズムを使った適応的パズル生成の論文。Cosmic Express 風の経路パズルを、プレイヤーの解き方を記録するプレイヤーモデルに合わせて1問約7秒でリアルタイム生成し、18人の実験で「時間だけ」に頼る版が体感難易度・進行感で見劣りすることを示した。
