في عالم ألعاب الفيديو، باتت التجربة الشخصية أمرًا ضروريًا لجذب اللاعبين. وفي هذا السياق، قدمت دراسة حديثة نهجًا رائدًا لتخصيص ألعاب الفيديو عبر تحليل سلوكيات اللاعبين وقدراتهم بالتفصيل. تعتمد هذه الطريقة على نماذج اللغة الكبيرة (LLMs)، التي أصبحت قادرة على قراءة نصوص اللعب الخام وإنتاج ملفات تعريف دقيقة ومقنعة للاعبين.

ولمزيد من الدقة، يعمل الباحثون على حل مشكلة تمثيل السمات السلوكية الغامضة. فمن المعروف أن السمات الخفية لا يمكن ملاحظتها بشكل مباشر، ما يجعل التحقق منها مهمة صعبة. بالإضافة إلى ذلك، فإن الاستبيانات قد توفر معلومات مضللة وتصبح دائرية عند استخدام التقارير الذاتية. لذا، يتطلب الأمر فهمًا أعمق للسلوك نفسه داخل السياق.

لحل هذه القضايا، تم بناء مجموعة بيانات من لاعبين اصطناعيين تحتوي على سمات واضحة يمكن التحقق منها، مما يسهل عملية القياس. هذا النموذج يقدم معيارًا جديدًا يقيم الاستنتاج من نصوص اللعب فقط، دون الاعتماد على نماذج قرارات معروفة.

كما تم تقديم تمثيل لحظات اتخاذ القرار الذي يأخذ بعين الاعتبار الفرص، وهذا يساعد في فصل الرغبات عن الفرص المتاحة للتعبير عنها. لقد أثبتت النتائج أن استنتاج نماذج اللغة الكبيرة (LLMs) يتفوق على الأساليب التقليدية في معظم السمات، على الرغم من أن بعض الأساليب المعتمدة على الميزات تظل أكثر قوة.

أخيرًا، تم اختبار ما إذا كانت هذه النتائج يمكن تطبيقها على لاعبين حقيقيين من خلال دراسة استكشافية، مما يبشر بمستقبل مشوق لألعاب الفيديو المخصصة.