Predição de dificuldade em jogos Match-Three utilizando Redes Neurais Convolucionais.

• Ano de defesa: 2022
• Autor(a) principal: Burtet, Juan
• Orientador(a): Araújo, Ricardo Matsumura de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pelotas
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação
• Departamento: Centro de Desenvolvimento Tecnológico
• País: Brasil
• Palavras-chave em Português: Redes Neurais Convolucionais; Aprendizado; Predição de dificuldade; Match-Three; Convolutional Neural Network; Deep Learning; Difficulty prediction
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://guaiaca.ufpel.edu.br/handle/prefix/8581

Desde o surgimento do gênero Match-Three em 1994, novos jogos com essa temática foram criados, chegando ao seu ápice em 2012 com o lançamento de Candy Crush Saga, que utilizou novos conceitos como mapas de diferentes formatos e modos de jogo diversos. Com o aumento da popularidade de jogos deste estilo, surgiu a necessidade de atualizações constantes de conteúdo. Um dos pontos-chave da geração de conteúdo é a avaliação da dificuldade, que envolve uma grande quantidade de tempo e testes com diferentes usuários. Devido a estes fatores, a predição de dificuldade em jogos obteve grande foco na área de desenvolvimento de jogos, removendo a necessidade de testar o conteúdo criado com jogadores reais. No contexto de jogos Match-Three, uma das métricas usadas para estimar a dificuldade é feita através do desempenho médio humano, que é calculado verificando a porcentagem média de objetivos completados do mapa. Atualmente, existe a possibilidade de predizer este desempenho através de simulações do estado do jogo, o que faz este processo lento e custoso computacionalmente. Este trabalho apresenta uma solução para resolver o problema da necessidade de múltiplas simulações do jogo, utilizando Redes Neurais Convolucionais. Desta maneira, sendo possível classificar a dificuldade de um mapa apenas observando seus aspectos visuais e seus objetivos. Ao final do trabalho, foi possível alcançar um modelo de Redes Neurais Convolucionais capaz de predizer a dificuldade corretamente de 75,6% dos mapas.