Un intérêt actuel de la communauté scientifique et industrielle concerne le développement de jeux vidéo émotionnellement interactifs (JVEI) permettant une adaptation aux états émotionnels des joueurs en vue de fournir une expérience optimale pour chacun (Chamberland, Grégoire, Michon, Gagnon, Jackson, Tremblay, 2015; Yannakakis & Hallam, 2009). À cet effet, certaines études ont observé que l'expertise aux jeux vidéo est une caractéristique individuelle pouvant avoir un effet sur l'expressivité émotionnelle et l'expérience subjective des joueurs (Rambusch, Jakobsson, & Pargman, 2007; S. Reeves, Brown, & Laurier, 2007, 2009; Weinreich, Strobach, & Schubert, 2015). Cette étude visait donc à évaluer l'influence de l'expertise aux jeux vidéo sur l'expressivité émotionnelle et l'expérience subjective des joueurs lors d'une session de jeu vidéo à l'aide d'une nouvelle classification de l'expertise dans le but de fournir des recommendations au développement de JVEI. Quinze (15) joueurs experts et quinze (15) joueurs non experts ont été recrutés et classifiés comme étant experts, ou non, avec les jeux vidéo. Les joueurs ont complété deux missions du jeu vidéo Assassin's Creed : Syndicate (AC : S) sur ordinateur. L'expressivité émotionnelle a été évaluée avec les contractions musculaires du zygomatique majeur et du corrugateur du sourcil mesurées à l'aide de l'électromyographie faciale tandis que l'expérience subjective a été évaluée avec la charge de travail associée à la session de jeu telle que mesurée par le NASA-TLX. Les résultats suggèrent que l'expressivité émotionnelle et l'expérience subjective des joueurs experts et non experts sont similaires lors d'une session de jeu. Cette absence de différence observée pourrait avoir été influencée par des habitudes de jeu comparable entre les deux groupes de joueurs. Pour améliorer l'identification d'une expertise avec les jeux vidéo, les futurs travaux devront intégrer une évaluation subjective, comportementale et expérientielle de l'expertise.

Les jeux vidéo, bien que souvent associés au divertissement, sont de plus en plus utilisés à des fins pratiques en raison de leurs aptitudes à soutenir la motivation intrinsèque des joueurs. Afin de bien répondre aux préférences des joueurs, il devient important de comprendre quels facteurs permettent de soutenir ce type de motivation. Malgré la vaste littérature sur le sujet, aucune étude n'a avancé un modèle des motivations pour les jeux vidéo accepté de façon unanime. D'une part, plusieurs modèles fréquemment recensés dans les écrits ne sont supportés par aucune étude empirique. D'une autre part, les modèles ayant reçu un appui empirique sont souvent spécifiques à un type de jeu, ou divergent les uns des autres en raison d'une interprétation restreinte des analyses factorielles. Par conséquent, la présente étude cherche à proposer un modèle des motivations pour les jeux vidéo unifiant les différents modèles présents dans les écrits. Un questionnaire portant sur les comportements et les préférences des joueurs a été développé afin de tester la validité d'un modèle théorique récent des motivations pour les jeux vidéo et d'explorer les motivations des joueurs dans la population générale. Cent cinquante-six participants (41 Femmes; Mage = 25.95) ont complétés le questionnaire dans le cadre d'une expérience portant sur les jeux vidéo ou en ligne. Une analyse factorielle confirmatoire n'a pas permis de confirmer la structure du modèle théorique étudié. Plutôt, une analyse en composantes principales exploratoire a révélé la présence de sept composantes. Enfin, sept facteurs récurrents à travers les modèles supportés empiriquement ont été identifiés : la socialisation, la compétition, l'accomplissement, l'immersion, l'échappement, l'autonomie, et l'auto-actualisation. Ce modèle propose une base sur laquelle les études futures pourront bâtir, ainsi qu'un modèle préliminaire pouvant contribuer au développement de jeux favorisant la motivation intrinsèque des joueurs.

La modélisation de l’expérience de jeu présente un intérêt considérable pour la conception de jeux vidéo adaptatifs. Les jeux vidéo adaptatifs utilisent l’information émotionnelle contenue dans les signaux physiologiques et les indices comportementaux pour personnaliser l’expérience de jeu vidéo, et ce dans le but de générer une expérience optimale de jeu. Afin de modéliser l’expérience de jeu, le présent projet de recherche s’est penché sur la détection du plaisir d’un joueur à partir de signaux physiologiques (électrocardiogramme, activité électrodermale, activité respiratoire et électromyogramme) et d’indices comportementaux (expressions faciales, mouvements de la tête et entrées d’un contrôleur Xbox). Dans ce travail, des modèles supervisés(SVM, Forêt d’arbres décisionnels et kNN) ont été entrainés sur un jeu de données construit à partir de la base de données FUNii, qui contient les données physio-comportementales de 219 joueurs réparties sur 362 séances de jeu de la franchise Assassin’s Creed. Une méthode pour la création de classes de plaisir à partir du facteur-fun, un outil d’annotation continue du plaisir, à également été proposée. Le meilleur modèle entrainé a permis de distinguer trois classes de plaisir avec un taux de classement de 53, 5% sur un jeu de test, une amélioration de 12,5% par rapport au meilleur résultat obtenu dans des travaux antérieurs. / Modeling the gaming experience is of considerable interest for designing adaptive video games. Adaptive video games use the emotional information contained in physiological signals and behavioral cues to personalize the video game experience,in order to generate an optimal gaming experience. With the purpose of modeling the gaming experience, this research project has focused on the detection of a player’s fun using physiological signals (electrocardiogram, electrodermal activity, respiratory activity and electromyogram) and behavioral cues (facial expressions,head movements and facial expressions and inputs from an Xbox controller). In this work, supervised machine learning models (SVM, Random Forest and kNN) were trained on a dataset built from the FUNii database, which contains the physiobehavioral data of 219 players spread over 362 game sessions of the Assassin’s Creed franchise. A method for creating fun classes from the fun factor, a tool for continuous annotation of fun, has also been proposed. The best model trained allowed to distinguish three classes of pleasure with an accuracy of 53, 5% on a test dataset, an improvement of 12, 5% compared to the best result obtained in previous works.