search query: @keyword oppimispeli / total: 2
results-list
reference: 2 / 2
« previous | next »
Author:Ruohonen, Rauli
Title:Bayesian student modeling in a learning game
Bayesläinen oppilaanmallinnus oppimispelissä
Publication type:Master's thesis
Publication year:2010
Pages:vii + 55      Language:   eng
Department/School:Informaatio- ja luonnontieteiden tiedekunta
Main subject:Tietojenkäsittelyteoria   (T-79)
Supervisor:Orponen, Pekka
Instructor:Kujala, Janne
OEVS:
Electronic archive copy is available via Aalto Thesis Database.
Instructions
close

Reading digital theses in the closed network of the Aalto University Harald Herlin Learning Centre

In the closed network of Learning Centre you can read digital and digitized theses not available in the open network.

The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/

You can read theses on the Learning Centre customer computers, which are available on all floors.

Logging on to the customer computers

  • Aalto University staff members log on to the customer computer using the Aalto username and password.
  • Other customers log on using a shared username and password.

Opening a thesis

  • On the desktop of the customer computers, you will find an icon titled:

    Aalto Thesis Database

  • Click on the icon to search for and open the thesis you are looking for from Aaltodoc database. You can find the thesis file by clicking the link on the OEV or OEVS field.

Reading the thesis

  • You can either print the thesis or read it on the customer computer screen.
  • You cannot save the thesis file on a flash drive or email it.
  • You cannot copy text or images from the file.
  • You cannot edit the file.

Printing the thesis

  • You can print the thesis for your personal study or research use.
  • Aalto University students and staff members may print black-and-white prints on the PrintingPoint devices when using the computer with personal Aalto username and password. Color printing is possible using the printer u90203-psc3, which is located near the customer service. Color printing is subject to a charge to Aalto University students and staff members.
  • Other customers can use the printer u90203-psc3. All printing is subject to a charge to non-University members.
Location:P1 Ark Aalto     | Archive
Keywords:factor analysis
logistic model
Laplace approximation
Luce's choice axiom
Bayesian statistics
machine learning
learning game
faktorianalyysi
logistinen malli
Laplacen approksimaatio
Lucen valinnan aksiooma
bayesläinen tilastotiede
koneoppiminen
oppimispeli
Abstract (eng): The possibility of early identification of dyslexia has motivated the development of the computer game "Graphogame", which is designed for the early prevention of reading difficulties.
It is important that the learning content in the game is adapted for individual players so that the game will be neither too difficult nor too easy.
For this purpose, it is helpful to have a precisely defined statistical model of the player.

In this thesis, we present a Bayesian model of the player.
The model can be used for the selection of effective game content and for tracking the players' progress.
The model is essentially a combination of factor analysis and the logistic model.

In the game, the players are presented with choice situations, where the letters of the alphabet are displayed on the screen.
The task is to select the letter that corresponds to the sound that is played at the same time.
Information about the choice situations and the choices the players make is stored in game logs, which we use to fit the model.
We are basically performing a factor analysis on the skills of the players, which are observable only through the choices the players make.

There are three pre-existing statistical player models for Graphogame, but in all of them only one player is taken into account at a time, independently of all the other players.
In contrast, in the model proposed in this thesis all the players are considered simultaneously, allowing the model to learn statistical properties of the player population.
The pre-existing model best suited for the analysis of the game data is used to construct baseline models in this thesis.

The employed model and fitting method are tested using simple simulations as well as real game log data.
The model works well in the simulations, if there is enough data of each player.
The model also predicts player choices in the real data better than the baseline models.
Abstract (fin): Lukihäiriöiden varhaisen tunnistamisen mahdollisuus on motivoinut Ekapeli-nimisen, lukivaikeuksien ennaltaehkäisemiseen tarkoitetun pelin kehitystä.
On tärkeää, että pelin sisältö ei ole pelaajalle liian vaikeaa eikä myöskään liian helppoa.
Sopivantasoisen sisällön valitsemista varten on hyödyllistä olla tarkkaan määritelty tilastollinen malli pelaajasta.

Tässä työssä esitetään bayesiläinen oppilasmalli, jota voidaan käyttää tehokkaan pelisisällön valitsemiseen ja pelaajan edistymisen seurantaan.
Malli on käytännössä faktorianalyysin ja logistisen mallin yhdistelmä.

Pelissä pelaajalle esitetään valintatilanteita, joissa näytetään aakkosia ruudulla.
Pelaajan tehtävänä on valita kirjain, joka vastaa samanaikaisesti toistettua ääntä.
Tiedot valintatilanteista ja pelaajien tekemistä valinnoista on tallennettu pelikirjauksiin, joita käytetään tässä työssä mallin sovittamiseen.
Mallin sovitus vastaa periaatteessa pelaajien taitojen faktorianalyysiä, mutta taidot ovat havaittavissa vain pelaajien tekemien valintojen kautta.

Ekapelille on kolme jo olemassa olevaa tilastollista pelaajamallia, mutta kaikissa niissä tarkastellaan vain yhtä pelaajaa kerrallaan ja pelaajat oletetaan tilastollisesti toisistaan riippumattomiksi.
Tässä työssä kuvatussa mallissa sitä vastoin pelaajia tarkastellaan samanaikaisesti, minkä ansiosta malli pystyy oppimaan pelaajapopulaation tilastollisia ominaisuuksia.
Parhaiten pelidatan analyysiin soveltuvaa olemassa olevaa mallia käytetään tässä työssä pohjatasomallien rakentamisen perustana.

Mallia ja sen sovitusmenetelmää testataan käyttämällä yksinkertaisia simulaatioita sekä todellista dataa pelistä.
Malli toimii hyvin simulaatioissa, jos kustakin pelaajasta on riittävästi dataa.
Malli myös ennustaa todellisessa datassa olevia pelaajien valintoja paremmin kuin pohjatasomallit.
ED:2010-09-01
INSSI record number: 40352
+ add basket
« previous | next »
INSSI