Deep player behavior modeling

Videospiele haben sich zum führenden Zweig der Unterhaltungsindustrie entwickelt, deren Umsätze Fernseh-, Kino- oder Musikwirtschaft übertreffen. Diese rasante Entwicklung geht einher mit ebenso zunehmenden Ansprüchen der Verbraucher in Hinsicht auf das kontinuierliche Angebot von Inhalten, Fehlervermeidung und -behebung und Erhaltung von Echtzeit-Online-Funktionalitäten - in stetig wachsenden Systemen. Während die Bemühungen, diese Probleme zu überwinden, in erster Linie mit deutlichem Aufwand intensiver manueller Arbeit verbunden sind, zielen durch künstliche Intelligenz gesteuerte Ansätze wie prozedurale Generierung, dynamische Schwierigkeitsanpassung oder autonome Testläufe darauf ab, die Last von den Schultern der Entwickler zu mindern. Für die Simulation künstlichen Verhaltens gilt Menschenähnlichkeit als eines der Hauptqualitätskriterien, dennoch konzentrieren sich die meisten Ansätze für diese Zwecke auf allgemein glaubwürdiges Verhalten. Diese Dissertation stellt das Konzept, die Architektur, Implementierung und Evaluierung von Deep Player Behavior Modeling vor, das die atomare Entscheidungsfindung einzelner Spieler abbildet und individuelle Verhaltensrepräsentationen generiert, die anschließend künstliche Agenten steuern. Nach der Evaluation durch mehrere Feldstudien in verschiedenen Spielen bewiesen diese Agenten, individuelle Strategien und Präferenzen überzeugend darzustellen, Fertigkeitsniveaus im Spiel akkurat zu repräsentieren und von ihrem ursprünglichen menschlichen Spieler nicht mehr zu unterscheidbar zu sein. Zusammen mit Literaturrecherche und Experteninterviews, die die Möglichkeiten von benutzbarer KI in Videospielen hervorheben, leistet diese Arbeit Beiträge zu den Bereichen der Spielnutzerforschung, Spiel-KI, maschinellem Lernen und Spielermodellierung und demonstriert bedeutende Fortschritte in den Anwendungsbereichen der dynamischen Schwierigkeitsanpassung, Spielersubstitution und automatisierten Spieltests.