Diseño de elemento de juego para aportar feedback basado en técnicas de estimación empleando árboles de decisión

Abstract

Actualmente, el cambio climático es un problema de gran relevancia. Para concienciar a las generaciones más jóvenes de la importancia del cambio climático y de sus posibles soluciones para paliar sus efectos, existen juegos educativos como es el caso de Crossroads. Este videojuego permite que el usuario tome una serie de decisiones medioambientales y económicas y, como resultado, puede comprobar el efecto que causarían éstas a lo largo de los años en relación al aumento de la temperatura y del PIB. Las medidas políticas y decisiones que debe tomar el usuario en el juego son cuestiones complejas y aportar feedback que ayude a posicionarse al jugador puede ser ventajoso. Para ello, en este trabajo se ha desarrollado un estimador que genera la probabilidad de obtener un resultado aceptable económica y sosteniblemente dependiendo de las respuestas que haya seleccionado el usuario. Se ha utilizado una técnica de machine learning, en concreto árboles de decisión con el algoritmo C4.5, para entrenar un clasificador que permite estimar la probabilidad de llegar a una solución aceptable. Además, se ha comparado el resultado con un método empírico que se apoya en el teorema de Bayes para contrastar la bondad de las estimaciones hechas con el árbol de decisión. Los resultados muestran el potencial de esta técnica para enriquecer el juego con un recurso que permita ofrecer feedback en tiempo de juego a los usuarios de la aplicación.

Climate change is currently a very significant issue. To raise awareness among the younger generations of the importance of climate change and possible solutions to mitigate its effects, there are educational games such as Crossroads. This video game allows the user to make a series of environmental and economic decisions and, as a result, can check the effect that these would cause over the years in relation to the increase in temperature and GDP. The policy measures and decisions to be taken by the user in the game are complex and providing feedback to help position the player can be advantageous. For this purpose, in this project we have developed an estimator that calculates the probability of obtaining an economically and sustainably acceptable result depending on the responses selected by the user. A machine learning technique, specifically decision trees with the C4.5 algorithm, has been used to train a classifier to estimate the probability of achieving at an acceptable solution. In addiction, the result has been compared with an empirical method that relies on Bayes’ theorem to test the goodness of estimates made with the decision tree. The results show the potential of this technique to enrich the game with a resource to provide game-time feedback to the users of the application.