1. SFT
  2. Archiwum
  3. Vol. 64
  4. Spersonalizowany algorytm poziomu tru...

Spersonalizowany algorytm poziomu trudności Optimising Level Adaptation (OLA) do symulacji scenariuszy w profesjonalnych symulatorach VR

Robert Marcin Wolański, dr , Karol Jędrasiak, dr

Pobierz artykuł
Open Access
DOI: 10.12845/sft.64.2.2024.4, strony: 56 – 65

Abstrakt

Cel: W niniejszym badaniu przedstawiono algorytm Optimizing Level Adaptation (OLA), który ma na celu ulepszenie symulacji scenariuszy na potrzeby profesjonalnych szkoleń VR poprzez dynamiczne dostosowywanie poziomów trudności do wydajności użytkownika, wspierając w ten sposób spersonalizowane nauczanie i gotowość do radzenia sobie w sytuacjach wysokiego ryzyka, takich jak gaszenie pożarów i reagowanie na sytuacje awaryjne.

Projekt i metody: Algorytm OLA dzieli działania scenariusza na bloki i dostosowuje ich trudność na podstawie wyników użytkownika w porównaniu do grupy referencyjnej agentów kontrolowanych przez AI. Skuteczność algorytmu została przetestowana w trzech zastrzeżonych symulatorach VR obejmujących różne scenariusze zawodowe: wystąpienia publiczne, elektrolizę wodoru i operacje technika mechanicznego. Każdy scenariusz został podzielony na dziesięć bloków o różnym stopniu trudności (łatwy, średni, trudny), dynamicznie dostosowywanych na podstawie wyników użytkownika. Taka struktura umożliwia szybką adaptację, co czyni ją szczególnie korzystną w przypadku szkoleń strażaków i ratowników, gdzie realistyczna, ale skalowalna złożoność scenariusza ma kluczowe znaczenie dla przygotowania się na nieprzewidywalne warunki w terenie.

Wyniki: Testowanie z udziałem 30 uczestników na symulatorze wykazało średni wynik końcowy wynoszący około 75%, co ściśle odpowiada docelowemu wskaźnikowi sukcesu wynoszącemu 70%. Średnia liczba zmian poziomu trudności (od 0,8 do 1,16 w różnych scenariuszach) wykazała skuteczną adaptację algorytmu do wydajności użytkownika. Zdolność algorytmu OLA do dostosowywania poziomu trudności szkolenia w czasie rzeczywistym odzwierciedla jego potencjał do poprawy retencji umiejętności i gotowości w sytuacjach reagowania kryzysowego.

Wnioski: Algorytm wpływa znacząco na zmiany w zakresie spersonalizowanych szkoleń VR, szczególnie w przypadku zastosowania ich w straży pożarnej i ratownictwie, ze względu na optymalne zaangażowanie i dostosowanie poziomów wyzwań. Zdolność adaptacji wykazana w wielu scenariuszach wskazuje na jego wszechstronność i potencjał w przypadku różnorodnych zastosowań szkoleniowych wysokiego ryzyka. Przyszłe badania mogą zwiększyć skuteczność algorytmu OLA poprzez udoskonalenie określania bloków scenariuszy. Przyczyni się to do skrócenia czasu reakcji, podejmowania decyzji i zwiększenia wydajności operacyjnej w służbach ratunkowych.

Słowa kluczowe: szkolenie VR, scenariusz symulacji, optymalizacja poziomu adaptacji (OLA), przygotowanie do sytuacji krytycznych, szkolenie ratowniczo-gaśnicze

Typ artykułu: oryginalny artykuł naukowy

Bibliografia:

  1. Cannon-Bowers J., Burns J., Salas E., Pruitt J., Advanced technology in scenario-based training, in: Making Decisions Under Stress, J. Cannon-Bowers, E. Salas (eds), APA, 1998, 365–374, https://doi.org/10.1037/10278-014.
  2. Van den Bosch K., Riemersma J.B.J., Reflections on scenario-based training in tactical command, in: Scaled worlds: Development, validation, and applications, S. Schiflett (ed.), Ashgate 2004, 1–21.
  3. Oser R.L., Cannon-Bowers J.A., Salas E., Dwyer D.J., Enhancing human performance in technology-rich environments: guidelines for scenario-based training, “Human Technology Interaction in Complex Systems” 1999, 9, 175–202.
  4. Riedl M.O., Young R.M., Narrative planning: Balancing plot and character, “Journal of Artificial Intelligence Research”, 2010, 39, 1, 217–268.
  5. Böckle M., Novak J., Bick M., Towards adaptive gamification: a synthesis of current developments, in: Proceedings of the 25th European Conference on Information Systems (ECIS). Guimarães, Portugal.
  6. Gockley, R., Bruce, A., Forlizzi, J., Michalowski, M., Mundell, A., Rosenthal, S., Designing robots for long-term social interaction, in: IEEE/RSJ international conference on intelligent robots and systems, IROS 2005, 1338–1343.
  7. Kanda T., Hirano T., Eaton D., Ishiguro H., Interactive robots as social partners and peer tutors for children: A field trial, “Human-Computer Interaction” 2004, 19(1), 61–84.
  8. Leite I., Martinho C., Paiva A., Social robots for long-term interaction: A survey, “International Journal of Social Robotics” 2013, 5(2), 291–308, https://doi.org/10.1007/s12369-013-0178-y.
  9. Yee N., Gaming motivations align with personality traits, 2016, https://quanticfoundry.com/2016/01/05/personality-correlates/ [accessed: 04.2020].
  10. Rodrigues L., Brancher J.D., Improving players’ profiles clustering from game data through feature extraction, in: Proc. SBGames Comput. Track, 2018, 177–186.
  11. Orji R., Vassileva J., Mandryk R.L., Modeling the efficacy of persuasive strategies for different gamer types in serious games for health, “User Model. User-Adapted Interact.” 2014, 24, 5, 453–498.
  12. Knutas A., Van Roy R., Hynninen T., Granato M., Kasurinen J., Ikonen J., A process for designing algorithm-based personalized gamification, ”Multimedia Tools Appl.”, 78, 10, 13593––13612, 2019.
  13. Rodrigues L., Toda A., Oliveira W., Palomino P., Isotani S., Just beat it: Exploring the influences of competition and task-related factors in gamified learning environments, in: Proc. Braz. Symp. Comput. Educ., 2020, 461–470.
  14. Csikszentmihalyi M., Flow: The psychology of the optimal experience, Harper Collins Publishers, New York 1990.
  15. Deci E.L., Ryan R.M., Intrinsic motivation and self-determination in human behaviour Plenum, New York 1985.
  16. Vygotsky L.S., Mind in society: The development of higher psychological processes, Harvard University Press, Cambridge 1978, https://doi.org/10.2307/j.ctvjf9vz4.
  17. Janssen J.B., Van der Wal C.C., Neerincx M.A., Looije R., Motivating children to learn arithmetic with an adaptive robot game, in: Proceedings of the third international conference on Social Robotics, 2011, 153–162, https://doi.org/10.1007/978-3-642-25504-5_16.
  18. Leyzberg D., Spaulding S., Scassellati B., Personalizing robot tutors to individuals’ learning differences, in: Proceedings of the 2014 ACM/IEEE international conference on human-robot interaction, 2014, 423–430.
  19. Gordon G., Breazeal C., Bayesian active learning-based robot tutor for children’s word-reading skills, in: Proceedings of the AAAI Conference on Artificial Intelligence, 29(1), https://doi.org/10.1609/aaai.v29i1.9376.
  20. VanLehn K., The relative effectiveness of human tutoring,intelligent tutoring systems, and other tutoring systems, “Educational Psychologist” 2011, 46(4), 197–221, https://doi.org/10.1080/00461520.2011.611369.
  21. Polson M.C., Richardson J.J., Foundations of intelligent tutoring systems, Psychology Press, New York 2013.
  22. Lord F.M., Novick M.R., Birnbaum A., Statistical theories of mental test scores, Addison-Wesley 1968.
  23. Chrysafiadi K., Virvou M., Student modeling approaches: A literature review for the last decade, “Expert Systems with Applications” 2013, 40(11), 4715–4729, https://doi.org/10.1016/j.eswa.2013.02.007.
  24. Desmarais M.C., de Baker R.S., A review of recent advances in learner and skill modeling in intelligent learning environments, “User Modeling and User-Adapted Interaction” 2012, 22(1-2), 9–38, https://doi.org/10.1007/s11257-011-9106-8.
  25. Corbett A.T., Anderson J.R., Knowledge tracing: Modeling the acquisition of procedural knowledge, “User Modeling and User Adapted Interaction” 1994, 4(4), 253–278.
  26. Pelanek R., Applications of the ELO rating system in adaptive educational systems, “Computers & Education” 2016, 98, 169–179, https://doi.org/10.1016/j.compedu.2016.03.017.
  27. Hvattum L.M., Arntzen H., Using ELO ratings for match result prediction in association football, “International Journal of forecasting” 2010, 26(3), 460–470, https://doi.org/10.1016/j.ijforecast.2009.10.002.
  28. Klinkenberg S., Straatemeier M., Van der Maas H.L.J., Computer adaptive practice of maths ability using a new item response model for on the fly ability and difficulty estimation, “Computers & Education” 2011, 57(2), 1813–1824, https://doi.org/10.1016/j.compedu.2011.02.003.
  29. Glickman M.E., Parameter estimation in large dynamic paired comparison experiments. Journal of the Royal Statistical Society, “Series C-Applied Statistics” 1999, 48, 377–394.
  30. Elo A.E., The Rating of Chess Players Past and Present, Arco, New York1978.
  31. Rasch G., Probabilistic models for some intelligence and attainment tests, The Danish Institute of Educational Research, Copenhagen 1960.
  32. Eggen T.J.H.M., Verschoor A.J., Optimal testing with easy or difficult items in computerized adaptive testing, “Applied Psychological Measurement” 2006, 30(5), 379–393, https://doi.org/10.1177/0146621606288890.
  33. Toda A.M., Valle P.H.D., Isotani S., The dark side of gamification: An overview of negative effects of gamification in education, in: Higher Education for All. From Challenges to Novel Technology Enhanced Solutions, A.I. Cristea, I.I. Bittencourt, F. Lima (eds.), Springer, Berlin 2018, 143–156.
  34. Morschheuser B., Hassan L., Werder K., Hamari J., How to design gamification? A method for engineering gamified software, “Inf. Softw. Technol.” 2018, 95, 219–237.
  35. Liu D., Santhanam R., Webster J., Toward meaningful engagement: A framework for design and research of gamified information systems, “MIS Quart.” 2017, 41, 4, 1011–1034.
  36. Liapis A., Yannakakis G. N., Togelius J., Adapting models of visual aesthetics for personalized content creation, “IEEE Transactions on Computational Intelligence and AI in Games”, 2012, 4(3), 213–228, https://doi.org/10.1109/TCIAIG.2012.2192438.
  37. Snodgrass S., Mohaddesi O., Harteveld C., Towards a generalized player model through the PEAS framework, in: FDG '19: Proceedings of the 14th International Conference on the Foundations of Digital Games, https://doi.org/10.1145/3337722.3341856.
  38. Gignac G.E., Szodorai E.T., Effect size guidelines for individual differences researchers, “Personality and individual differences” 2016, 102, 74–78, https://doi.org/10.1016/j.paid.2016.06.069.
  39. Enzmann D., Notes on effect size measures for the difference of means from two independent groups: The case of Cohen’sd and Hedges’g, 2015, 12, https://doi.org/10.13140/2.1.1578.2725.