Τεχνικές βαθιάς μάθησης για την αναγνώριση των επιπέδων προσήλωσης σε πραγματικό χρόνο κατά την αλληλεπίδραση με παιχνίδι σοβαρού σκοπού για την υγεία

Πάλμος, Στέφανος; Palmos, Stefanos

dc.contributor.author	Πάλμος, Στέφανος	el
dc.contributor.author	Palmos, Stefanos	en
dc.date.accessioned	2025-03-17T12:14:31Z
dc.date.available	2025-03-17T12:14:31Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61345
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29041
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Συναισθηματική υπολογιστική	el
dc.subject	Καταγραφές ροών/βίντεο	el
dc.subject	Παιχνίδια σοβαρού σκοπού	el
dc.subject	Βαθιά μηχανική μάθηση	el
dc.subject	Επίπεδα προσήλωσης	el
dc.title	Τεχνικές βαθιάς μάθησης για την αναγνώριση των επιπέδων προσήλωσης σε πραγματικό χρόνο κατά την αλληλεπίδραση με παιχνίδι σοβαρού σκοπού για την υγεία	el
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-14
heal.abstract	Η παρούσα Διπλωματική Εργασία πραγματεύεται την αναγνώριση των επιπέδων προσήλωσης παικτών κατά την αλληλεπίδραση τους με παιχνίδια σοβαρού σκοπού για την υγεία (ΠΣΣΥ) από καταγραφές των συνεδριών τους και από υποκειμενικές αναφορές που παρείχαν. Συγκεκριμένα, στόχος της είναι η χρήση μοντέλων βαθιάς μηχανικής μάθησης που αξιοποιούν τα δεδομένα καταγραφής οθόνης για την πρόβλεψη των επιπέδων προσήλωσης των χρηστών και τη δυναμική προσαρμογή του ΠΣΣΥ. Για τον σκοπό αυτό χρησιμοποιούνται δεδομένα από την αλληλεπίδραση των συμμετεχόντων με ένα ΠΣΣΥ με θέμα τις διατροφικές συνήθειες. Αρχικά πραγματοποιείται ανάλυση και επεξεργασία στα διαθέσιμα δεδομένα. Έπειτα, τα δεδομένα χρησιμοποιούνται για την εκπαίδευση μοντέλων βαθιάς μηχανικής μάθησης, και συλλέγονται μετρικές, ώστε να αξιολογηθεί η ικανότητά τους να προβλέπουν τα επίπεδα της προσήλωσης των παικτών. Με βάση τα αποτελέσματα που εξάγονται για την εκπαίδευση των μοντέλων στα δεδομένα καταγραφής οθόνης όλων των συμμετεχόντων με τη μεθοδολογία του αλγορίθμου "διασταυρούμενη επικύρωση με εξαγωγή ενός δείγματος" (“leave-one-out cross-validation”) και μίας παραλλαγής του, προκύπτει ότι τα μοντέλα βαθιάς μηχανικής μάθησης που αξιοποιούνται δεν επιτυγχάνουν ικανοποιητικά επίπεδα ακρίβειας στην πρόβλεψη των επιπέδων προσήλωσης. Για να διερευνηθεί περαιτέρω αυτό το ζήτημα, εκπαιδεύονται ξεχωριστά μοντέλα για τον κάθε παίκτη. Σε αυτή την περίπτωση παρατηρείται βελτίωση στην ακρίβεια των αποτελεσμάτων. Παρ’ όλα αυτά, η συνολικά καλύτερη προβλεπτική ικανότητα δεν είναι καθολική για όλους τους συμμετέχοντες και υποδεικνύει την ανάγκη περαιτέρω έρευνας για την εξέταση της ποιότητας των δεδομένων καταγραφής της προσήλωσης αλλά και στις μεθόδους ανάλυσης τους, με σκοπό τη βελτίωση των αποτελεσμάτων.	el
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	70 σ.	el
heal.fullTextAvailability	false