Inverse Modelling of Players' Attitudes Towards Risk in Tactical Turn-based Games
No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Author
Date
2020-12-14
Department
Major/Subject
Computer Science
Mcode
SCI3068
Degree programme
Master’s Degree Programme in International Design Business Management (IDBM)
Language
en
Pages
7+69
Series
Abstract
The choices players make reflect their risk attitudes. Using inverse modelling and data from an actual game, this thesis aimed to examine such attitudes through models of risk. Two candidates were considered: Expected Utility Theory (EUT) and Cumulative Prospect Theory (CPT), with the main difference between these two being the distorted perception of outcome probabilities in CPT. I used the construct of a lottery to describe the choice problems in the given game. Probabilistic versions of the candidate models (P-EUT and P-CPT) were assessed in three experiments, where the quality of parameter recovery determined their suitability for the subsequent modelling. The first experiment was used to verify that the candidate models produced expected results with an artificial game and artificial agents. Both models passed this step. In the second experiment, I determined which subset of the raw data was suitable for parameter inference by inspecting the quality of parameter recovery with the actual game and artificial agents. Only P-EUT passed this step, with approximately 24 percent of the applicable players’ data fit for the third experiment. In general, more choice observations were collected for these particular players. In the last experiment, risk attitudes were inferred for those players who passed the first two steps. The results suggest that on average these players are risk averse, which is in line with existing literature on risk attitudes towards gains. The model fit was better for P-EUT than a random baseline model. This model-based approach to player modelling complements the results obtained in controlled experiments in decision theoretic research. Indeed, the benefit of inverse modelling in this context is its ability to provide a framework to characterise player behaviour outside of a controlled experiment. With this work, I also hope to provide suggestions for tools gaming companies can use to understand player behaviour.Pelaajien valinnat peilaavat heidän riskikäyttäytymistään. Käyttämällä kahta päätöksentekoteoreettista mallia, odotettua hyötyä (P-EUT) ja kumulatiivista prospektiteoriaa (P-CPT), pyrin inversiomallintamisen avulla selvittämään kumpi paremmin kuvaa mobiilipelaajien käyttäytymistä tietyssä pelissä esiintyvissä valintatilanteissa. Ero mallien välillä on kumulatiivisessa prospektiteoriassa esiintyvä todennäköisyyksien epälineaarinen arvottaminen. Käytän pelitilanteiden kuvaamiseen päätöksentekoteorian tapaa jakaa valintaongelma tuloihin ja niiden todennäköisyyksiin. Malleja arvioitiin kolmessa kokeessa, joissa niiden parametrien palautumista tarkasteltiin. Ensimmäisessä kokeessa varmistettiin mallien sopivuus valintaongelmatilanteen tyyppiin käyttämällä keinotekoista pelidataa ja keinotekoisia agentteja. Molemmat mallit läpäisivät tämän kokeen. Toisessa kokeessa tutkittiin, mikä raakadatan osajoukko soveltui mallintamisen viimeiseen vaiheeseen tarkastelemalla mallien parametrien palautumista oikealla pelidatalla ja keinotekoisilla agenteilla. Yhteensä noin 24 prosenttia soveltuvista pelaajista P-EUT-mallinnettuina läpäisivät tämän kokeen. Näiltä käyttäjiltä oli yleisesti kerätty enemmän päätöksiä. Kolmannessa kokeessa pääteltiin, mitkä riskikäyttäytymisen parametrit parhaiten kuvasivat pelaajia. Tulosten perusteella pelaajien riskiaversio on positiivinen, mitä myös edellisten tutkimusten näytöt tukevat. P-EUT myös kuvaa paremmin pelaajien käyttäytymistä kuin satunnainen malli. Esitetty mallipohjainen menetelmä tukee kontrolloitujen kokeiden käyttämistä päätöksentekoteoreettisessa tutkimuksessa. Inversiomallintaminen tarjoaa viitekehyksen pelaajien käyttäytymisen luokittelemiseen käyttäen oikeasta pelistä kerättyä raakadataa. Toivon esitetyn lähestymistavan olevan hyödyllinen peliyhtiöille pelaajien käyttäytymisen tulkitsemisessa.Description
Supervisor
Oulasvirta, AnttiThesis advisor
Nioche, AurélienKeywords
inverse modelling, risk aversion, decision theory, parameter recovery
