dc.contributor.author | Νικολόπουλος, Ιωάννης![]() |
el |
dc.contributor.author | Nikolopoulos, Ioannis![]() |
en |
dc.date.accessioned | 2024-01-26T11:54:12Z | |
dc.date.available | 2024-01-26T11:54:12Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/58697 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.26393 | |
dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | * |
dc.subject | Παιχνιδοποίηση | el |
dc.subject | Προσαρμοστική παιχνιδοποίηση | el |
dc.subject | Μηχανική μάθηση | el |
dc.subject | Ενισχυτική μάθηση | el |
dc.subject | Τύπος χρήστη Hexad | el |
dc.subject | Gamification | en |
dc.subject | Adaptive gamification | en |
dc.subject | Machine learning | en |
dc.subject | Reinforcement learning | en |
dc.subject | Hexad user type | el |
dc.title | Πρόταση συστήματος προσαρμοστικής παιχνιδοποίησης με χρήση ενισχυτικής μάθησης και παιχνιδοποιημένης εξαγωγής τύπου χρήστη Hexad | el |
heal.type | bachelorThesis | |
heal.classification | Human-Computer Interaction | en |
heal.classification | Αλληλεπίδραση Ανθρώπου-Υπολογιστή | el |
heal.classification | Μηχανική Μάθηση | el |
heal.classification | Machine Learning | en |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2023-09 | |
heal.abstract | Η παιχνιδοποίηση αποτελεί πλέον δημοφιλή προσέγγιση παρακίνησης χρηστών στις σύγ- χρονες εφαρμογές, μιας και μπορεί να προσαρμοστεί στα χαρακτηριστικά του χρήστη, όπως ο τύπος χρήστη Hexad, για να είναι πιο αποτελεσματική. Η εξαγωγή αυτών των χαρακτηρι- στικών του χρήστη μέσω μακροσκελών ερωτηματολογίων ενδέχεται να τον δυσαρεστήσει, κα- νοντάς το να εγκαταλείψει την εφαρμογή, καθιστώντας έτσι αναγκαία τη χρήση διαφορετικών προσεγγίσεων για αυτό το σκοπό. Επιπλέον, παρόλο που έχουν χρησιμοποιηθεί και δοκι- μαστεί στις έρευνες παιχνιδοποίησης διάφορες τεχνικές μηχανικής μάθησης, παρατηρείται σπάνια η χρήση ενισχυτικής μάθησης, ώστε να αξιολογηθεί η δυνατότητα αξιοποίησής τους. Στην παρούσα διπλωματική εργασία σχεδιάσαμε ένα σύστημα που ϐασίζεται στην παιχνιδο- ποίηση για την εξαγωγή του προφίλ Hexad του χρήστη και ένα παραμετροποιήσιμο σύστημα ενισχυτικής μάθησης που χρησιμοποιεί το προφίλ αυτό για να προσαρμόσει τα στοιχεία παι- χνιδοποίησης που προτείνονται στο χρήστη και να παρακολουθεί την εξέλιξη του προφίλ του σε ϐάθος χρόνου. Πρωτότυπα των συστημάτων υλοποιήθηκαν χρησιμοποιώντας το πλαίσιο Flutter και τις συμβάσεις της ϐιβλιοθήκης Gymnasium (πϱώην OpenAI Gym) αντίστοιχα. Το σύστημα ενισχυτικής μάθησης δοκιμάστηκε προκαταρκτικά ως προς την ακρίβειά του και την παρακολούθηση προφίλ με προσομοίωση των απαντήσεων του χρήστη. Τα αποτε- λέσματα δείχνουν ότι το σύστημα λειτουργεί ικανοποιητικά σε διάφορες περιπτώσεις χρήσης και ότι η ακρίβεια του συστήματος είναι υψηλή όταν το σύστημα παρακολουθεί ικανοποιη- τικά το προφίλ του χρήστη. Προτείνουμε συνεπώς τη δοκιμή των παραπάνω συστημάτων σε παιχνιδοποιημένες εφαρμογές για την περαιτέρω αξιολόγησή τους. | el |
heal.abstract | Gamification has become a widely used user motivation approach in modern apps, since it can adapt to the user’s characteristics, such as the Hexad user type, to achieve better performance. The extraction of such characteristics from the user using long-winded questionnaires could dissatisfy users, causing them to stop using the app, thus creating the need to approach this process differently. Moreover, despite various machine learning techniques being employed and tested in gamification research, reinforcement learning has seen little use in order to assess its their usefulness. Thus, in this diploma thesis we designed a gamified system to extract the user’s Hexad profile and also a customizable adaptive gamification reinforcement learning system that uses the user’s profile to change the gamification elements shown to the user and to observe the changes the user’s profile undergoes over time. Prototypes of the designed systems were created using the Flutter framework and the design conventions of the Gymnasium library (formerly OpenAI Gym) respectively. The reinforcement learning system underwent preliminary tests regarding its accuracy and profile tracking using user answer simulation. Results indicate that the system functions satisfactorily in various use cases and that its accuracy is high when the system tracks the user’s Hexad profile closely. Therefore, we recommend testing both systems in gamified applications in order to further evaluate them. | en |
heal.advisorName | Kollias, Stefanos![]() |
en |
heal.advisorName | Tzouveli, Paraskevi![]() |
en |
heal.committeeMemberName | Kollias, Stefanos![]() |
en |
heal.committeeMemberName | Stamou, Giorgos![]() |
en |
heal.committeeMemberName | Voulodimos, Athanasios![]() |
en |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 102 σ. | el |
heal.fullTextAvailability | false |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: