Preference learning from gameplay logs and physiological measurements : a testbed with the open racing car simulator

La tesi si colloca nell'ambito dell'Affective Computing, un ramo dell'Intelligenza Artificiale che si occupa di sviluppare sistemi e applicazioni in grado di riconoscere, interpretare e rispondere alle emozioni umane. In particolare, questa tesi si concentra sull'Affective Gaming, il cui scopo è sviluppare videogiochi in grado di riconoscere e rispondere alle emozioni del giocatore. Il videogioco scelto come caso di studio è TORCS, un simulatore di corse automobilistiche open-source largamente utilizzato nella ricerca scientifica. Lo scopo della tesi è quello di analizzare lo stato emotivo dei giocatori, utilizzando tecniche statistiche e di Machine Learning. In particolare, siamo interessati alla previsione della preferenza del giocatore tra coppie di gare tramite tecniche di Preference Learning. Lo stato emotivo del giocatore viene analizzato partendo da segnali fisiologici raccolti durante le sessioni di gioco, e dall'analisi comportamentale del giocatore effettuata sulla base dei dati di log del videogioco. Il giocatore viene stimolato da 3 diversi scenari di gioco, ognuno caratterizzato da una diversa strategia di comportamento dell'avversario, a alla fine di ogni coppia di gare esprime una preferenza tramite questionario. I dati raccolti e le risposte ai questionari vengono usati per addestrare un classificatore, la cui accuratezza viene valutata con tecniche di crossvalidazione. I modelli utilizzati per il classificatore sono due: uno lineare basato su LDA (Linear Discriminant Analysis), e uno basato su una rete neurale evolutiva.