Registro:
| Documento: | Tesis Doctoral |
| Título: | Análisis bayesiano del aprendizaje en comunidades de video juegos |
| Título alternativo: | Bayesian analysis of learning in video game communities |
| Autor: | Landfried, Gustavo Andrés |
| Editor: | Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
| Fecha de defensa: | 2024-04-09 |
| Fecha en portada: | diciembre 2023 |
| Grado Obtenido: | Doctorado |
| Título Obtenido: | Doctor de la Universidad de Buenos Aires en el área de Ciencias de la Computación |
| Departamento Docente: | Departamento de Computación |
| Director: | Mocskos, Esteban Eduardo; Fernández Slezak, Diego |
| Consejero: | Melgratti, Hernán Claudio |
| Jurado: | Ramos Castro, Daniel; Svarc, Marcela; Beiró, Mariano G. |
| Idioma: | Español |
| Palabras clave: | CIENCIAS SOCIALES COMPUTACIONALES; INFERENCIA BAYESIANA; CULTURA; HABILIDAD; APRENDIZAJE; COMUNIDADES VIRTUALES; VIDEOJUEGOSCOMPUTACIONAL SOCIAL SCIENCE; BAYESIAN INFERENCE; CULTURE; SKILL; LEARNING; VIRTUAL COMMUNITIES; VIDEO GAMES |
| Formato: | PDF |
| Handle: |
http://hdl.handle.net/20.500.12110/tesis_n7497_Landfried |
| PDF: | https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n7497_Landfried.pdf |
| Registro: | https://bibliotecadigital.exactas.uba.ar/collection/tesis/document/tesis_n7497_Landfried |
| Ubicación: | COM 007497 |
| Derechos de Acceso: | Esta obra puede ser leída, grabada y utilizada con fines de estudio, investigación y docencia. Es necesario el reconocimiento de autoría mediante la cita correspondiente. Landfried, Gustavo Andrés. (2024). Análisis bayesiano del aprendizaje en comunidades de video juegos. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales). Recuperado de http://hdl.handle.net/20.500.12110/tesis_n7497_Landfried |
Resumen:
La especie humana tiene una singular capacidad de aprendizaje social, que le permite acumular adaptaciones sucesivas en el tiempo que van produciendo el inimaginablemente complejo sistema de información cultural. Si bien el aprendizaje humano ocurre en los cuerpos biológicos, el aprendizaje cultural es un fenómeno poblacional que emerge de la interacción prolongada entre individuos y entre generaciones. Entender las propiedades de los sistemas de información cultural es uno de los problemas fundamentales de la antropología, relevante para las ciencias de la computación y la inteligencia artificial multi-agente. En particular, comprender las relaciones que vinculan el nivel poblacional (como la dinámica y estructura de la red de intercambios de información cultural) con el nivel individual (el aprendizaje efectivo que se produce en los cuerpos), ha sido la pregunta que motivó esta tesis de doctorado. Para ello, decidimos estudiar las comunidades de video juegos en línea. Además de que ofrecen la oportunidad de estudiar poblaciones grandes sin perder un alto grado de detalle, ellas son un lugar privilegiado para estudiar cómo cambian las estrategias en el tiempo. Algunas de las preguntas que nos propusimos responder durante el doctorado fueron las siguientes. ¿Cuál es la mejor forma de medir el aprendizaje de un individuo en el tiempo? ¿Cuál es la relación entre la formación de equipos y el aprendizaje individual a largo plazo? ¿Cuál es el efecto que la posición topológica de un individuo en la red información cultural tiene sobre el aprendizaje individual? ¿Cuales son algunas de las propiedades generales del aprendizaje? Durante el doctorado en ciencias de la computación el enfoque bayesiano de la probabilidad respondió las preguntas metodológicas y epistemológicas más profundas que traía de mi formación previa en ciencias antropológicas: cómo alcanzar acuerdos respecto a la correcta evaluación de argumentos causales alternativos. Las reglas de la probabilidad se conocen desde finales del siglo 18 y desde entonces se las ha adoptado como sistema de razonamiento en todas las ciencias empíricas. Si bien en todo este tiempo no se ha propuesto nada mejor en términos prácticos, el costo computacional asociado a la evaluación de todo el espacio de hipótesis ha limitado históricamente la aplicación estricta de las reglas de la probabilidad (enfoque bayesiano). El enfoque bayesiano se fue incorporando lentamente durante el transcurso de la tesis, hasta transformarse en un protagonista. En el primer trabajo usamos el modelo bayesiano de habilidad más utilizado en la industria del video juego para estudiar una comunidad en el que las personas podían jugar individualmente o en equipos. Mediante test de hipótesis estadísticos detectamos que jugar en equipo está asociado a mayor aprendizaje a largo plazo, y que mantener un equipo estable está asociado a mayor velocidad de aprendizaje. Los estimadores de habilidad disponibles, considerados estado del arte al inicio del doctorado, no permiten sin embargo obtener estimaciones iniciales fiables ni garantizar la comparabilidad entre estimaciones distantes en el tiempo y el espacio. En el transcurso del doctorado descubrimos la especificación matemática de un modelo conocido como TrueSkill Through Time (TTT) que resolvía estos problemas realizando la inferencia en única red bayesiana, propagando la información histórica correctamente. Debido a que el modelo no se encontraba disponible en ningún lenguaje de programación en el segundo trabajo resolvimos la matemática de este modelo, la documentamos, la implementamos y la publicamos en los lenguajes de programación Julia, Python y R. En un tercer trabajo, estudiamos la evolución de una red de partidas en el juego de Go durante un periodo de ocho años y encontramos, con el nuevo estimador, que la posición de los individuos en la red tiene un efecto de segundo orden sobre el aprendizaje en los personas que están en el medio del proceso de aprendizaje, ausente entre novatas y expertas.
Abstract:
The human species has a unique capacity for social learning, accumulating successive solutions over time and producing an unimaginably complex cultural information system. While human learning occurs in biological bodies, cultural learning is a population phenomenon that emerges in the prolonged interaction between individuals and between generations. Understanding the properties of cultural information systems is one of the fundamental problems of anthropology, relevant to computer science and multi-agent artificial intelligence. Understanding the relationships that link the population level (such as the dynamics and structure of the cultural information exchange network) with the individual level (the effective learning that occurs within individuals’ bodies) has been the central question driving this doctoral thesis. To address this, we chose to investigate online gaming communities. In addition to providing the opportunity to study large populations without sacrificing a high degree of detail, these communities are a privileged setting for examining how strategies change over time. Some of the questions we aimed to answer during the course of the doctoral research were as follows: What is the most effective way to measure an individual’s learning over time? What is the relationship between team formation and long-term individual learning? What is the effect of an individual’s topological position in the dynamic exchange network on individual learning? What are some of the general properties of learning? During my doctoral studies in computer science, the Bayesian approach to probability addressed the deeper methodological and epistemological questions that emerged from my prior education in anthropological sciences, specifically, how to reach agreements concerning the proper assessment of alternative causal arguments. Probability rules have been known since the late 18th century and have since been adopted as a reasoning system in all empirical sciences. Although, in practical terms, nothing better has been proposed over this period, the computational cost associated with the evaluation of the entire hypothesis space has historically limited the strict application of probability rules (Bayesian approach). The Bayesian approach was gradually integrated throughout the course of the thesis, eventually becoming a central player. In the first study, we employed the most widely used Bayesian skill model in the video game industry to examine a community where individuals could play either individually or in teams. Through statistical hypothesis tests, we identified that playing in a team is associated with greater long-term learning, and maintaining a stable team is linked to a higher learning speed. The skill estimators available, considered state-of-the-art at the beginning of the doctoral research, however, did not allow for obtaining reliable initial estimates or ensuring comparability between estimates across distant time and space. During the course of the doctoral studies, we discovered the mathematical specification of a model known as TrueSkill Through Time (TTT), which addressed these issues by conducting inference in a single Bayesian network and accurately propagating historical information. As this model was not available in any programming language in the second study, we tackled the mathematics of the model, documented it, implemented it, and published it in the Julia, Python, and R programming languages. In a third paper, we studied the evolution of a network of games in the game of Go over a period of eight years and found with the new estimator that the position of individuals in the network has a second-order effect on learning in individuals who are in the middle of the learning process, absent between novices and experts.
Citación:
---------- APA ----------
Landfried, Gustavo Andrés. (2024). Análisis bayesiano del aprendizaje en comunidades de video juegos. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n7497_Landfried
---------- CHICAGO ----------
Landfried, Gustavo Andrés. "Análisis bayesiano del aprendizaje en comunidades de video juegos". Tesis Doctoral, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2024.https://hdl.handle.net/20.500.12110/tesis_n7497_Landfried
Estadísticas:
Descargas totales desde :
Descargas mensuales
https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n7497_Landfried.pdf
