Atari 遊戲挑戰：玩家體驗多模態評估的初步研究
arXiv - Human-Computer InteractionOleg Jarma Montoya, Erica Manca, Thomas Vase Schultz Volden, Paolo Burelli
本研究展示了一套同步收集遊戲遙測、生理數據與回溯性思考數據的多模態協議，用於探討玩家體驗中的難度問題。
AI 幫你先抓重點
AI 重點 1
多模態數據同步技術的標準化流程
滑鼠懸停看 AI 判斷理由
在研究使用者體驗時，單一數據源往往具有片面性。透過將生理反應與行為數據（遙測）及主觀認知（C-RTA）進行時間軸上的精準同步，研究者能更全面地理解學習者或玩家在特定壓力點下的心理狀態。
AI 重點 2
公開數據集對演算法開發的催化作用
滑鼠懸停看 AI 判斷理由
提供高品質、多維度的公開數據集，能降低後續研究者開發「動態難度調整（DDA）」模型的門檻，這對於設計能根據使用者狀態即時調整難度的智慧化學習系統至關重要。
核心研究發現
- 1
研究成功開發出一套同步收集遊戲遙測數據、自我報告問卷、生物識別數據以及提示回溯性思考（C-RTA）數據的實驗協議。
- 2
透過 19 名參與者遊玩三款 Atari 2600 遊戲的實驗，驗證了多模態數據在調查玩家體驗（PX）中難度維度的可行性。
- 3
實驗產生的公開數據集具備高度轉化潛力，可用於研究動態難度調整算法、遊戲平衡策略及更廣泛的使用者研究。
對教育工作者的啟發
對於開發教育遊戲或數位學習環境的設計者而言，此研究強調了「多維度評估」的重要性。建議在設計數位學習工具時，不應僅依賴學習者的分數（遙測數據），應整合生理指標（如壓力反應）與回溯性訪談，以精準捕捉學習者在面對挑戰時的挫折感或流暢感。這有助於開發出能自動調整難度、維持學習者「心流」狀態的智慧化教學系統。
原始文獻資訊
- 英文標題：
- Atari Games Challenge: A Pilot Study on Multimodal Player Experience Assessment
- 作者：
- Oleg Jarma Montoya, Erica Manca, Thomas Vase Schultz Volden, Paolo Burelli
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。