ITMO Üniversitesi’nden araştırmacılar; insanların, çevrimiçi oyun platformundaki verileri kullanarak, cinsiyet gibi kişilik özelliklerini tahmin etmeyi başardı. Bu, makine öğreniminin büyük miktarda oyun verilerini analiz etmek için uygulandığı ilk çalışmalardan biridir. Sonuçları AAAI Yapay Zeka Konferansında sunulan çalışma; kişisel oyun önerileri sistemini iyileştirebilir, ayrıca oyun bağımlılığını tanımlamak için de kullanılabilir.
Video oyunları modern yaşamda sıkı bir şekilde yer edinmiştir ve farklı platformlar için çevrimiçi ve çevrimdışı ürünlerin sayısı gün geçtikçe artmaktadır. Buna karşılık, kullanıcıları her gün oyun davranışı modelleri geliştirmek veya oyuncuların kişisel özelliklerini belirlemek için kullanılabilecek daha fazla veri üretir. Bu, oyun bağımlılığının erken tespiti için ve bunun yanı sıra oyun alanında pazarlama araştırması için faydalıdır.
Şimdiye kadar, oyun araştırmalarının çoğunluğu küçük veri kümeleri üzerinde manuel olarak yapılmıştır. Bununla birlikte, istatistiksel olarak anlamlı sonuçlar elde etmek için büyük veri dizilerini analiz etmek gerekir. ITMO Üniversitesi ve Singapur Ulusal Üniversitesi‘nden bilim insanları, şimdi bunun için makine öğrenmesini kullanan ilk kişiler arasında yer alıyorlar. Steam oyun platformu kullanıcılarının davranışları ve özel olarak geliştirilmiş ve eğitilmiş bir model hakkında topladıkları verileri kullanarak; bilim insanları, oyun davranışını ile oyuncunun cinsiyetini tahmin etmeyi başardılar.
Analiz için veritabanı; bir kişinin hem Steam hem de sosyal medya hesapları hakkında bilgi sağlayan Player.me hizmetinden toplandı. Oyun verilerini kişinin Twitter, Facebook ve Instagram hesabı ile karşılaştıran araştırmacılar, oyun davranışı ile kişisel özellikler arasındaki bazı bağlantıları keşfetti. Sonuç olarak, model; oyuna harcanan zaman, kazanımlar, tercih edilen oyun türleri, oyun içi ödemeler, vs. gibi özellikler üzerine inşa edildi.
ITMO Üniversitesi’nde Yüksek Lisans Öğrencisi Ivan Samborskii: “Araştırmamın fikri; gerçek hayatta insan davranışını incelemek için oyun verilerini kullanmak. Sosyal ağlar bu bilgi için iyi bir kaynak gibi görünüyor. Bununla birlikte, insanlar sosyal ağlardaki davranışlarını düşünürler: Neyi yayınlanacağını seçer ve görüşlerini bildirmekten çekinirler. Aynı zamanda oyun oynarken, gerçek hayatta olduğu gibi fazla düşünmeden, istediğimiz gibi davranıyoruz. Şimdilik oyun verilerinin insanların gerçek özellikleriyle ilgili olduğunu doğruladım.”
Bilim insanlarına göre, oyun veri analizi; kullanıcıların ilgi alanlarını, yerlerini ve demografik özelliklerini bulmaya ve bir insanın oyunlara ne kadar zaman harcadığını değerlendirmeye yardımcı olabilir. Araştırmacılar, kullanıcılar hakkındaki tahminleri daha doğru hale getirmek amacıyla, ortaya çıkan modeli geliştirmek için çalışmaktadırlar. Ayrıca, oyun bağımlılığının tahmini için modeli benimsemeyi planlıyorlar.
ITMO Üniversitesi Bilgisayar Teknolojileri Laboratuvarı Makine Öğrenme Grubu Başkanı Andrey Filchenkov: “İnternette, kullanıcının kimliği bilinmiyor ve çoğu zaman yalnızca kostik yorumcunun (caustic commentator) avatarı altında veya grup üyesinin takma adı altında kimin saklandığını tahmin edebiliyoruz. Perdeyi ancak kullanıcının çevrimiçi davranışını gösteren dolaylı işaretleri analiz ederek kaldırmak mümkündür. Monitörün diğer tarafındaki bilmeceyi çözmek; hem Google gibi ana kârı elde eden dev markalar için hem de reklamları doğru şekilde gösteren küçük çevrimiçi mağazalar için önemlidir. Bu durumda ortaya çıkan önemli ve ilginç bir soru; bunun için hangi verilerin yeterli olduğudur. Geçmişte yaptığımız araştırmalarda; metinleri, imgeleri ve hatta coğrafi konumları kullandık. Ancak, oyuncuların davranışları, oyunlarda harcanan saatlerin çok özel bir dili ile tanımlanmakta ve başarılar elde edilmektedir. Araştırmamız, bu bilginin bile oyuncuların cinsiyetini tahmin etmek için yeterli olduğunu göstermiştir. Elbette, bu tek özellik üzerinde durmayacağız, ancak şu an, oyun davranışının analiz edilebileceğini ve iyi tahmin edici değerler elde edilebileceğini gösterdik. Her yerde bulunan reklam kişiselleştirmeye ek olarak, pek çok uygulamalı araştırmada iyi öngörü modelleri kullanılabilir: Sosyolojik, psikolojik, spor ve tıbbi…”
