Tese de mestrado. Ciências da Informação. Faculdade de Engenharia. Universidade do Porto. 2012

Submitted by PPG Ci?ncia da Computa??o (ppgcc@pucrs.br) on 2017-11-13T21:43:46Z No. of bitstreams: 1 AMYR_BORGES_FORTES_NETO_TES.pdf: 2509779 bytes, checksum: 3513c7b9db941d3f24cfdc672eac46f9 (MD5) / Rejected by Caroline Xavier (caroline.xavier@pucrs.br), reason: Devolvido devido ? falta da folha de rosto (p?gina com as principais informa??es) no arquivo PDF, passando direto da capa para a ficha catalogr?fica. on 2017-11-21T12:48:40Z (GMT) / Submitted by PPG Ci?ncia da Computa??o (ppgcc@pucrs.br) on 2017-12-11T16:15:52Z No. of bitstreams: 1 AMYR_BORGES_FORTES_NETO_TES.pdf: 2507882 bytes, checksum: 0ef0935814ab8c8fd102985b55b443f6 (MD5) / Approved for entry into archive by Caroline Xavier (caroline.xavier@pucrs.br) on 2017-12-18T13:19:03Z (GMT) No. of bitstreams: 1 AMYR_BORGES_FORTES_NETO_TES.pdf: 2507882 bytes, checksum: 0ef0935814ab8c8fd102985b55b443f6 (MD5) / Made available in DSpace on 2017-12-18T13:24:43Z (GMT). No. of bitstreams: 1 AMYR_BORGES_FORTES_NETO_TES.pdf: 2507882 bytes, checksum: 0ef0935814ab8c8fd102985b55b443f6 (MD5) Previous issue date: 2017-03-09 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior - CAPES / Modelos de simula??o de multid?es t?m tido um papel importante em ci?ncias da computa??o j? h? algumas d?cadas desde os trabalhos pioneiros. No in?cio, agentes simulados em multid?es comportavam-se todos da mesma maneira, e tal comportamento era controlado pelas mesmas regras em todos os agentes. Com o tempo, os modelos de simula??o evoluiram, e come?aram a agregar uma maior variedade de comportamentos nos agentes. Modelos de simula??o de multid?es que implementam diferentes comportamentos nos agentes s?o chamados modelos de Multid?es Heterog?neas, em oposi??o aos modelos de Multid?es Homog?neas precedentes. Modelos de simula??o de multid?es que buscam criar agentes com comportamentos humanos realistas exploram heterogeneidade nos comportamentos dos agentes, na tentativa de atingir tal realismo. Em geral, estudos em psicologia e comportamento humano s?o usados como conhecimento de base, e os comportamentos observados nestes estudos s?o simulados em agentes virtuais. Nesta dire??o, trabalhos recentes em simula??o de multid?es exploram caracter?sticas de personalidade e modelos de emo??es. No campo de emo??es em agentes virtuais, pesquisadores est?o tentando recriar fen?menos de cont?gio de emo??es em pequenos grupos de agentes, ou mesmo estudar o impacto de cont?gio de emo??o entre agentes virtuais e participantes humanos. Sob a cren?a de que cont?gio de emo??o em agentes virtuais possa levar a comportamentos mais realistas em multi?es, este trabalho foca em recriar modelos computacionais de cont?gio de emo??es destinados a pequenos grupos de agentes, adaptando estes modelos para um contexto de simula??o de multid?es. / Crowd simulation models have been playing an important role in computer sciences for a few decades now, since pioneer works. At the beginning, agents simulated on crowds behaved all the same way, such behaviour being controlled by the same set of rules. In time, simulation models evolved and began to incorporate greater variety of behaviours. Crowd simulation models that implement different agent behaviours are so-called Heterogeneous Crowd models, opposing to former Homogeneous Crowd models. Advances in crowd simulation models that attempt to make agents with more realistic human-like behaviours explore heterogeneity of agent behaviours in order to achieve overall simulation realism. In general, human behavioural and psychological studies are used as base of knowledge to simulate observed human behaviours within virtual agents. Toward this direction, later crowd simulation works explore personality traits and emotion models. Some other work in the field of emotional virtual agents, researchers are attempting to recreate emotion contagion phenomena in small groups of agents, and even studying emotion contagion impact between virtual agents and human participants. Under the belief that emotion contagion in virtual agents might lead to more realistic behaviours on crowds, this work is focused on recreating emotion contagion computational models designed for small groups of agents, and adapting it for crowd simulation context.

[pt] Game Analytics é uma área que envolve o processamento de dados de videogames com a finalidade de proporcionar uma melhor experiência de jogo para o usuário. Também ajuda a verificar os padrões de comportamento dos jogadores, facilitando a identificação do público-alvo. A coleta de dados dos jogadores ajuda os desenvolvedores de jogos a identificar problemas mais cedo e saber por que os jogadores deixaram o jogo ou continuaram jogando. O comportamento desses jogadores geralmente segue um padrão, fazendo com que se encaixem em diferentes perfis de jogadores. Especialistas em análise de jogos criam e usam modelos de tipos de jogadores, geralmente variantes do modelo de Bartle, para ajudar a identificar perfis de jogadores. Esses especialistas usam algoritmos de agrupamento para separar os jogadores em grupos diferentes e identificáveis, rotulando cada grupo com o tipo de perfil definido pelo modelo proposto. O objetivo principal deste projeto é criar um plugin Unity genérico para ajudar a identificar perfis de jogadores em jogos. Este plugin usa uma API Python, que lida com os dados do jogo armazenados em um banco de dados MongoDB, para agrupar e rotular cada partida ou nível do jogo escolhido enquanto o jogo está em execução. Neste plugin, os desenvolvedores de jogos podem configurar o número de tipos de jogadores que desejam identificar, os rótulos dos jogadores e até os algoritmos que desejam usar. Essa abordagem de agrupamento online não é usual no desenvolvimento de jogos. Até onde sabemos, não há nenhum componente de software na literatura de análise de jogos com a mesma direção e recursos. / [en] Game Analytics is an area that involves the processing of video game data, in order to make a better game experience for the user. It also helps to check the patterns in players behaviour, making it easier to identify the target audience. Gathering player data helps game developers identify problems earlier and know why players left the game or kept playing. These players behavior usually follows a pattern, making them fit in different player profiles. Game analytics experts create and use models of player types, usually variants of Bartle s model, to help identify player profiles. These experts use clustering algorithms to separate players into different and identifiable groups, labeling each group with the profile type defined by the proposed model. The main goal of this project is to create a generic Unity plugin to help identify Player Profiles in games. This plugin uses a Python API, which deals with the game data stored in a MongoDB database, to cluster and label each match or level of the chosen game while the game is running. In this plugin, game developers can configure the number of player types they want to identify, the player labels, and even the algorithms they wish to use. This online clustering approach is not usual in game development. As far as we are aware, there is no software component in the game analytics literature with the same direction and features.