This work presents a scalable solution to automate game-testing. Traditionally, game-testing has been performed by either human players or scripted Artificial Intelligence (AI) agents. While the first produces the most reliable results, the process of organizing testing sessions is time consuming. On the other hand, scripted AI dramatically speeds up the process, however, the insights it provides are far less useful: these agents’ behaviors are highly predictable. The presented solution takes the best of both worlds: the automation of scripted AI, and the richness of human testing by framing the problem within the Deep Reinforcement Learning (DRL) paradigm. Reinforcement Learning (RL) agents are trained to adapt to any unseen level and present customizable human personality traits: such as aggressiveness, greed, fear, etc. This is achieved exploring the problem from a multi-task RL setting. Each personality trait is understood as a different task which can be linearly combined by the proposed algorithm. Furthermore, since Artificial Neural Networks (ANNs) have been used to model the agent’s policies, the solution is highly adaptable and scalable. This thesis reviews the state of the art in both automatic game-testing and RL, and proposes a solution to the above-mentioned problem. Finally, promising results are obtained evaluating the solution on two different environments: a simple environment used to quantify the quality of the designed algorithm, and a generic game environment useful to show-case its applicability. In particular, results show that the designed agent is able to perform good on game levels never seen before. In addition, the agent can display any convex combination of the trained behaviors. Furthermore, its performance is as good as if it had been specifically trained on that particular combination. / Detta arbete presenterar en skalbar lösning för att automatisera speltestning. Traditionellt har speltestning utförts av antingen mänskliga spelare eller förprogrammerade agenter. Även om det förstanämnda ger de mest tillförlitliga resultaten är processen tidskrävande. Å andra sidan påskyndar förprogrammerade agenter processen dramatiskt, men de insikter som de ger är mycket mindre användbara: dessa agenters beteenden är mycket förutsägbara. Den presenterade lösningen använder det bästa av två världar: automatiseringsmöjligheten från förprogrammerade agenter samt möjligheten att simulera djupet av mänskliga tester genom att inrama problemet inom paradigmet Djup Förstärkningsinlärning. En agent baserad på förstärkningsinlärning tränas i att anpassa sig till tidigare osedda spelmiljöer och presenterar anpassningsbara mänskliga personlighetsdrag: som aggressivitet, girighet, rädsla... Eftersom Artificiella Neurala Nätverk (ANNs) har använts för att modellera agentens policyer är lösningen potentiellt mycket anpassnings- och skalbar. Denna rapport granskar först den senaste forskningen inom både automatisk speltestning och förstärkningsinlärning. Senare presenteras en lösning för ovan nämnda problem. Slutligen evalueras lösningen i två olika miljöer med lovande resultat. Den första miljön används för att kvantifiera kvaliteten på den designade algoritmen. Den andra är en generisk spelmiljö som är användbar för att påvisa lösningens tillämplighet.

Syftet med denna studie är att bidra med ny kunskap om svenska gymnasieelevers betygsfördelning och betygsutveckling i ämnet Dansteknik. Studien omfattar en totalundersökning av avgångsbetygen för de 414 gymnasieelever som avslutat sina studier vid det estetiska programmets dansinriktning i Stockholms stad under åren 2014 - 2018. Elevernas betygsfördelningar i olika kurser i ämnet Dansteknik samt deras betygsutveckling över kurserna har analyserats statistiskt. Studien visar att eleverna har höga betyg i ämnet Dansteknik, dels i relation till elevernas betyg i övriga ämnen men även i relation till riksnivåerna för andra ämnen, kurser och elevers avgångsbetyg generellt. Studien visar också att elever i hög grad behåller en liknande betygsnivå i Dansteknik under hela utbildningen samt att elevers och gymnasieskolors val av kurser i ämnet Dansteknik påverkar elevernas betygsutveckling och med stor sannolikhet även deras kunskapsutveckling i ämnet. / The purpose of this study is to contribute with new knowledge about grade distribution and students’ subsequent grades in the subject Dance technique as part of Swedish upper secondary education. The study encompasses the upper secondary school grades of the 414 students that ended the Arts Programme in dance in the City of Stockholm, Sweden, during the years 2014 - 2018. The results are based on a statistical analysis of these students’ course grades in the subject Dance technique. The study shows that students have generally received high grades in the subject Dance technique, both in relation to their grades in other subjects as well as in relation to national grade averages in various courses and subjects. The study also shows that the students maintain a somewhat even grade level throughout their education and that students’ grade level and learning in Dance technique is affected by students’ and schools’ course choices in the subject.