دانلود رایگان مقاله یک فرآیند برای طراحی گیمیفیکیشن شخصی مبتنی بر الگوریتم
ترجمه رایگان

دانلود رایگان مقاله یک فرآیند برای طراحی گیمیفیکیشن شخصی مبتنی بر الگوریتم

عنوان فارسی مقاله: یک فرآیند برای طراحی گیمیفیکیشن شخصی مبتنی بر الگوریتم
عنوان انگلیسی مقاله: A process for designing algorithm-based personalized gamification
کیفیت ترجمه فارسی: خوب (جهت ترجمه های دانشگاهی و پژوهشی) (ترجمه ناقص، بخش هایی از مقاله ترجمه نشده است)
مجله/کنفرانس: ابزارها و برنامه های چند رسانه ای - Multimedia Tools and Applications
رشته های تحصیلی مرتبط: مهندسی کامپیوتر - مهندسی فناوری اطلاعات - مهندسی صنایع
گرایش های تحصیلی مرتبط: مهندسی الگوریتم ها و محاسبات - هوش مصنوعی - مهندسی نرم افزار - سیستم های چندرسانه ای - داده کاوی - طراحی و تولید نرم افزار - بازی رایانه ای یا کامپیوتری
کلمات کلیدی فارسی: بازی سازی - سیستم های سازگار - شخصی سازی - فرآیند طراحی - یادگیری ماشین
کلمات کلیدی انگلیسی: Gamification - Adaptive systems - Personalization - Design process - Machinelearning
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1007/s11042-018-6913-5
لینک سایت مرجع: https://link.springer.com/article/10.1007/s11042-018-6913-5
دانشگاه: دانشگاه علوم کاربردی جنوب شرقی فنلاند، فنلاند
صفحات مقاله انگلیسی: 20
صفحات مقاله فارسی: 30
ناشر: اسپرینگر - Springer
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2018
مبلغ ترجمه مقاله: رایگان
ترجمه شده از: انگلیسی به فارسی
شناسه ISSN: 1573-7721
کد محصول: F2063
نمونه ترجمه فارسی مقاله

چکیده 

        شخصی سازی یک روند رو به رشد در پژوهش بازی وار سازی  است، و چند تن از محققین پیشنهاد دادند که سیستم های بازی نمایی شده  باید مشخصه‌های شخصی را در نظر بگیرند. به هر حال، ایجاد طراحی‌های بازی انگاری شده  خوب یک تلاش فشرده است چرا که این موارد و سیستم‌های طراحی شده در تعامل با هر کاربر تنها به بار کاری اضافه می کنند. ما انتخاب محتوای شخصی سازی مبتنی بر الگوریتم یادگیری ماشین را برای بررسی بخشی از این مشکل پیشنهاد دادیم و یک فرآیند را برای ایجاد طراحی‌های شخصی ارائه دادیم که خودکار سازی بخشی از اجرا را اجازه می دهد. فرآیند بر اساس چارچوب Deterding’s 2015 برای طراحی‌های بازی نمایی شده، از دیدگاه اتمی مهارت‌های ذاتی، با مراحل اضافی برای انتخاب استراتژی شخصی سازی و ایجاد الگوریتم است. سپس فرآیند را با اجرای بازی نمایی شخصی شده برای یک محیط یادگیری همکاری پشتیبانی شده تشریح می شود، ما از نوع کاربر گیمیفیکیشن برای شخصی سازی و اکتشافاتی برای طراحی موثر گیمیفیکیشن برای طراحی کلی استفاده می کند. نتایج فرآیند طراحی استفاده شده یک مجموعه قواعد اگاه از زمینه، گیمیفیکیشن شخصی سازی شده برای محیط‌های همکاری است. در آخر، ما متدی را برای تفسیر مجموعه قواعد گیمیفیکیشن برای الگوریتم دسته بندی قابل خواندن توسط ماشین با استفاده از القاکننده قانون CN2 ارائه می دهیم. 

1. مقدمه 

         گیمیفیکیشن استفاده از عناصر شبیه به بازی برای محیط‌های غیربازی است [13]. ادبیات موضوعی اخیر پتانسیل گیمفیکیشن را در آموزش ارزیابی کرده اند دریافته اند که چند مفاهیم مثبت، مانند افزایش تعامل و انگیزه [14, 46, 53] همراه با را به پیامدهای منفی، مانند رقابت غیرتولیدی یا اشباع پاداش که به انگیزه زدایی منجر می شود وجود دارد [16, 18]. نویسنده‌های متفاوت به تفاوت‌های مفهومی و شخصی برای توضیح این نتایج ترکیبی اشاره میکنند و برای در نظر گرفتن این ویژگی‌ها خواستار پژوهش بر ویژگی‌ها شدند [3, 40, 59]. چندین محقق پیشنهاد دادند که سیستم‌های بازی انکاری شده باید برای کاربران متفاوت سیستم طراحی شوند تا پتانسیل کامل سیستم‌های بازی انگاری شده را تحقق بخشند [11, 22, 45, 48, 61].

         برخی از پژوهش‌ها در سیستم‌های بازی انگاری شده تطبیقی اجرا شده اند [5]. به هر حال، ما بر تفاوت بین گیمیفیکیشن تطبیقی تاکید می کنیم، که سیستم بازی انگاری شده به شرایط متفاوت، و گیمیفیکیشن شخصی واکنش نشان می دهد، که سیستمی است که قادر به پاسخ دادن ساختار یافته تری به شرایط و مشخصه‌های کاربران است. پژوهش کمی بر سیستم‌های گیمیفیکیشن شخصی سازی شده [6]، و چند مطالعه بر طراحی این سیستم‌ها [4, 49] وجود دارد. یک مسئله اصلی در گیمیفیکیشن شخصی سازی شده این است که اگر یک فرد انتخاب کند که کدام استراتژی شخصی سازی شده برای کدام کاربر انتخاب شود، بسیار زمان بر است، و نیازمند نظارت ثابت است، و بسیار هزینه بر است. هر استرتژی شخصی سازی شده جدید ضرورتا باعث طراحی گیمیفیکیشن با کار فشرده و اجرای کار برای تکثیر است.

        ما پیشنهاد می دهیم که مسائل و تلاش در انتخاب محتوای شخصی سازی شده را بررسی کنید، سیستم‌های بازی انگاری شده باید از الگوریتم‌ها برای خودکارسازی برخی از جنبه‌های کار شخصی سازی شده استفاده کنند. علاوه بر این، طراحی رویکردهای شخصی سازی گیمیفیکیشن باید سیستماتیک، مبتنی بر تئوری و قابل تکرار باشند. برای بررسی این مسائل، یک فرآیند طراحی را برای ایجاد الگوریتم‌های یادگیری ماشین نظارت شده ارائه می دهیم که انتخاب عناصر گیمیفیکیشن شخصی سازی شده را برای هر نوع کاربر بسته به مشخصه کاربر و زمینه سیستم امکان پذیر می سازد. ما فرآیند طراحی گیمفیکیشن Deterding را طراحی کردیم و آن را با افزودن مراحلی برای انتخاب یک استراتژی شخصی سازی شده و ایجاد الگوریتم بسط می دهیم. 

       در این پژوهش، به دنبال متدلوژی پژوهش بر علوم طراحی (DSR) هستیم، که توسط Hevner and Chatterjee به عنوان "یک پارادایم پژوهشی که در آن یک طراح به سوالات مربوط به مشکلات انسانی با ایجاد ‌‌آرتیفکت نوآورانه پاسخ میدهد، در نتیجه در دانش جدید برای بدنه ای از شواهد علمی سهم دارد" تعریف شده است. بسته به سطح انتزاع، نتایج پژوهش بر علوم طراحی می تواند نمونه‌‌هایی از نرم افزار، مدل ها، متدهای طراحی، یا نظریه‌های طراحی باشد [24]. سهم ما در این مقاله بسط یک فرآیند طراحی موجود است که می تواند به عنوان انواع متد طراحی ‌‌آرتیفکت دسته بندی شود. در علوم طراحی، اعتبار ‌‌آرتیفکت توسط سودمندی آن‌ها ارزیابی شده است [25]. بنابراین، فرآیند طراحی را با ارائه یک مورد از اینکه چگونه از فرآیند در زمینه سیستم‌های یادگیری مشارکتی پشتیبانی شده توسط کامپیوتر  (CSCL) استفاده کردیم، توضیح خواهیم داد، و مراحل ابتدایی را برای سودمندی فرآیند ارائه می دهیم. 

        مقاله به شرح زیر ساختار یافته است: در بخش بعدی بر ادبیات موضوعی بر گیمفیکیشن در آموزش و حالت هنر شخصی سازی شده در گیمفیکیشن بررسی‌‌هایی انجام می دهیم. در بخش 3، به صورت دقیق بیان میکنیم که چگونه از متد پژوهش علوم طراحی استفاده کنیم. در بخش 4،یک فرآیند طراحی را برای گیمفیکیشن شخصی سازی شده ارائه دهیم و در بخش 5 فرآیند را تشریح میکنیم. مقاله با بحث و نتیجه گیری در بخش 6 خاتمه می یابد. 

2. پژوهش‌های مرتبط به گیمفیکیشن 

        در این بخش، ما ادبیات موضوعی مربوط به گیمفیکیشن، اینکه چگونه گیفیمیشن از قبل در آموزش استفاده می-شود، و اصول نظری کار ما مبنای آن است، بررسی‌های انجام می دهیم. 

2.1 گیمفیکیشن در آموزش 

        اثرات مثبت گوناگون سیستم‌های آموزشی بازی نمایی شده در طول سال‌ها کشف شده است. برطبق ادبیات موضوعی فعلی بر گیمفیکیشن، گیمیفکیشن موثر در مورد استفاده از عناصر بازی برای پرورش سه نیاز ذاتی کاربر در راستای انگیزش درونی است [53]. این اصول در اصل با یک سری از مطالعات [53] از نظریه خود تعیین Deci and Ryan پذیرفته شده است [10]. این اصول به شرح زیر هستند [10]:

• وابستگی: جهان نیازمند تعامل و ارتباط با دیگران است.

• صلاحیت: جهان نیازمند این است که موثر باشد و مشکل را در یک محیط مشخص مدیریت کند.

• خودمختاری: جهان نیازمند این است که زندگی خود را کنترل کند.

        مطالعات در این زمینه نشان می دهد که متدهای گیمفیکیشن در پرورش همکاری موفق است، به خصوص زمانی که از اصول نظریه خود تعیین گری  تبعیت می کند [34, 56]. پژوهش اخیر نتیجه می گیرد که به سادگی استفاده از یک جنبه خارجی گیمفیکیشن، مانند مدال ها یا سایر پاداش‌های تکراری [18, 30, 53]، کار نمی کند، و در عوض گیمفیکیشن باید انگیزش شرکت کنندگان، هدف دوره و طرحی بازی را در نظر بگیرد [12]. در حقیقت، یک مطالعه بر نگاشت سیستماتیک انجام شده در سطوح مشارکت و گیمفیکیشن [38] نشان میدهد که 40% رویکردهای بازی نمایی شده در کسب تفاوت‌های معنی دار در مشارکت و انگیزش در مقایسه با سیستم غیربازی نمایی شده که ارائه دهنده خدمات مشابه هستند با شکست روبرو می شود. گیفیکیشن موفق در یادگیری همکاری در کار Moccozet و همکاران [41] و Dubois and Tamburrelli [17]؛ که در آن فعالیت‌ها در سیستم شهرت آنلاین را افزایش میدهند گزارش شده است و شرکت کنندگان دوره قادر به انتشار شایستگی آن‌ها و مقایسه نتایج با این همتایان هستند. عناصر موفقیت در این مطالعه دستاوردهای کاربر را به یک جامعه معنی داری پیوند می دهد که برخی از اهداف شخصی کاربران را به یکدیگر پیوند زده است.

2.2 شخصی سازی در گیمفیکیشن 

        اخیرا، تعدادی از محققین شروع به فرض این کردند که اثرات مثبت مفروش ‌‌گیمفیکیشن می تواند با در نظر گرفتن مشخصه های شخصی کاربر، تشدید شوند [3,5,40]. این ایده از این مشاهدات که همان بازی می تواند پاسخ‌های متفاوت و پیامدهایی را در کاربران متفاوت فراخوانی کند حمایت می کند [43]. به طور مشابه، Koster [36] استدلال کرد که خواص مختلف و ساختارهای اجتماعی یک حس منحصر، شخصی شده را برای لذت هر کسی استدلال می کند، همانطور که طراحی یک بازی "جالب" جهانی را غیرممکن ساخته است. به خصوص، پژوهش نشان می دهد که کاربران متفاوت عناصر بازی یکسان را بسیار متفاوت تفسیر و ارزیابی می کنند [47]. Antin and Churchill [1] این را با تمایز قائل شدن بین پنج تابع متفاوتی که یک کاربر می تواند به یک نشانه عطا کند، مثال میزند. علاوه بر این، نشان داده شده است که (a) لذت حاصل شده از بازی [9, 50, 57]؛ (b) یک ترجیح کاربر برای عناصر بازی خاص [48]؛ (c) اشتیاق درک شده برای عناصر بازی [49]؛ و (d) انگیزش حاصل شده از عناصر بازی [49, 57] همه تحت تاثیر شخصیت کاربر و مشخصه‌های شخصی آن‌ها هستند. در مجموع، این می تواند استدلال کند که سیستم‌های بازی نمایی شده باید به صورت ویژه ای برای کاربران متفاوت به منظور ‌‌گیمفیکیشن تا پتانسیل کامل طراحی شود [11, 22, 60, 61].

نمونه متن انگلیسی مقاله

Abstract

       Personalization is an upcoming trend in gamification research, with several researchers proposing that gamified systems should take personal characteristics into account. However, creating good gamified designs is effort intensive as it is and tailoring system interactions to each user will only add to this workload. We propose machine learning algorithm -based personalized content selection to address a part of this problem and present a process for creating personalized designs that allows automating a part of the implementation. The process is based on Deterding’s 2015 framework for gameful design, the lens of intrinsic skill atoms, with additional steps for selecting a personalization strategy and algorithm creation. We then demonstrate the process by implementing personalized gamification for a computer-supported collaborative learning environment. For this demonstration, we use the gamification user type hexad for personalization and the heuristics for effective design of gamification for overall design. The result of the applied design process is a context-aware, personalized gamification ruleset for collaborative environments. Lastly, we present a method for translating gamification rulesets to machine-readable classifier algorithm using the CN2 rule inducer.

1 Introduction

       Gamification is the application of game-like elements to non-game environments [13]. Recent literature reviews assessing the potential of gamification in education have found several positive implications, like increased engagement and motivation [14, 46, 53] although some studies also link gamification to negative consequences, like unproductive competition or reward saturation that leads to demotivation [16, 18]. Different authors have pointed to contextual and personal differences to explain these mixed results and have called upon future research to take these characteristics into account [3, 40, 59]. Several researchers propose that gamified systems should be tailored to the system’s different users in order to realize the full potential of gamified systems [11, 22, 45, 48, 61].

        Some research has been performed in adaptive gamification systems [5]. However, we underline a difference between adaptive gamification, which is the gamified system reacting to different situations, and personalized gamification, which is the system being able to respond more structurally to the situation and the characteristics of individual users. There has been little research on personalized gamification systems [6], with only few studies on the design of such systems [4, 49]. A major issue in personalized gamification is that if a person was making the choice of which personalization strategy to select for each user, it would be very time consuming, would need constant monitoring, and be very expensive. Each new personalization strategy would essentially cause already work-intensive gamification design and implementation work to multiply.

        We propose that to address issues and effort in selecting personalized content, gamification systems should use algorithms to automate some aspects of personalization work. Furthermore, the design of gamification personalization approaches should be systematic, theorybased and repeatable. To address these issues, we present a design process to create supervised machine learning algorithms that enable the selection of personalized gamification elements for each type of user depending on user profile and the system context. We base the design process on Deterding’s gamification design process [12] and extend it by adding steps for selecting a personalization strategy and algorithm creation.

        In our research, we follow the design science research (DSR) methodology [25], which has been defined by Hevner and Chatterjee [24](p. 5) as Ba research paradigm in which a designer answers questions relevant to human problems via the creation of innovative artifacts, thereby contributing new knowledge to the body of scientific evidence.^ Depending on the level of abstraction, the outcomes of design science research can be instantiations of software, models, design methods, or design theories [24]. Our contribution in this paper is the extension of an existing design process, which could be classified as a design method type of artefact. In design science, the validity of artefacts are evaluated by their utility [25]. Therefore, we also demonstrate the design process by presenting a case of how we applied the process in the context of computer-supported collaborative learning (CSCL) systems, providing initial support for the process’s utility.

        The paper is structured as follows: The next section reviews literature on gamification in education and the state of the art of personalization in gamification. In Section 3, we detail how we applied the design science research method. In Section 4, we present the design process for personalized gamification and in Section 5 we demonstrate the process. The paper ends with discussion and conclusion in Section 6.

2 Related research on gamification

       In this section, we review related literature on gamification, how gamification has previously been applied to education, and the theoretical principles our work is based on.

2.1 Gamification in education

        Various positive effects of gamified educational systems have been uncovered over the years (for an overview, see e.g. [14]). According to current literature on gamification, effective gamification is about using the game elements to foster users’ three innate needs for intrinsic motivation1 [53]. These principles were originally adapted by a series of studies [53] from Deci and Ryan’s self-determination theory [10]. These principles are [10]:

Relatedness: the universal need to interact and be connected with others.

Competence: the universal need to be effective and master a problem in a given environment.

Autonomy: the universal need to control one’s own life.

      Studies in the field indicate that gamification methods are successful in fostering collaboration, especially when following the principles of self-determination theory [34, 56]. Recent research concludes that simply applying a single outward aspect of gamification, like badges or other repetitive rewards [18, 30, 53], does not work, and instead gamification has to consider the motivation of the participants, the goals of the course and gameful design together [12]. In fact, a systematic mapping study conducted on engagement levels and gamification [38] indicate that even as many as 40% of the gamified approaches fail to achieve meaningful differences on the engagement and motivation when compared against non-gamified system providing the same services. Successful gamification in collaborative learning was reported in studies by Moccozet et al. [41] and Dubois and Tamburrelli [17], where activities in the system increased online reputation and the course participants were able to publish their competence and compare the results to those of their peers. The elements of success in these studies connect the users’ achievements to a meaningful community who shares some of the user’s personal goals.

2.2 Personalization in gamification

        Recently, a number of researchers have started to hypothesize that gamification’s presumed positive effects can be intensified when taking users’ personal characteristics into account [3, 5, 40]. This idea sprouts from the observation that the same game can elicit different responses and consequences in different users [43]. Similarly, Koster [36] reasoned that different predispositions and social structures bring a unique, personalised sense of fun for everyone, as such making it impossible to design a universally Bfun^ game. More particularly, research has shown that different users interpret, functionalise and evaluate the same game elements in highly different ways [47]. Antin and Churchill [1] exemplified this by distinguishing five different functions a user can ascribe to a badge. Further, it has been shown that (a) the enjoyment derived from a game [9, 50, 57]; (b) a user’s preference for specific game elements [48]; (c) the perceived persuasiveness of game elements [49]; and (d) the motivation derived from game elements [49, 57] are all impacted by a user’s personality and their personal characteristics. In sum, it can be reasoned that gamified systems should be specifically tailored to its different users in order for gamification to live up to its full potential [11, 22, 60, 61].

فهرست مطالب (ترجمه)

چکیده 

1. مقدمه 

2. پژوهش‌های مرتبط به گیمفیکیشن 

2.1 گیمفیکیشن در آموزش 

2.2 شخصی سازی در گیمفیکیشن 

3. استفاده از متد پژوهش علوم طراحی برای ایجاد یک فرآیند طراحی 

4. یک فرآیند طراحی برای ‌‌گیمفیکیشن شخصی سازی شده مبتنی بر الگوریتم 

5. تشریح فرآیند طراحی در یک زمینه یادگیری همکارانه حمایت شده توسط کامپیوتر 

5.1 انتخاب استراتژی شخصی سازی ‌‌گیمفیکیشن 

5.2 انتخاب اکتشافات طراحی برای ‌‌گیمفیکیشن 

5.3 ساختاربندی وظایف ‌‌گیمفیکیشن 

هدف 

اقدامات 

اشیا 

قواعد 

بازخورد 

چالش 

انگیزش 

5.4 الگوریتم برای ‌‌گیمفیکیشن شخصی شده برای یک سیستم یادگیری همکاری حمایت شده توسط کامپیوتر

6. بحث و نتیجه گیری

منابع

فهرست مطالب (انگلیسی)

Abstract

1 Introduction

2 Related research on gamification

2.1 Gamification in education

2.2 Personalization in gamification

3 Utilizing design science research method to create a design process

4 A design process for algorithm-based personalized gamification

5 Demonstrating the design process in a computer-supported collaborative learning context

5.1 Selecting the gamification personalization strategy

5.2 Selecting design heuristics for gamification

5.3 Structuring gamification tasks

Goal

Action

Object

Rules

Feedback

Challenge

Motivation

5.4 Algorithm for personalized gamification for a computer-supported collaborative learning system

6 Discussion and conclusion

References