2026-04-23T17:51:36Zhttps://uvadoc.uva.es/oai/requestoai:uvadoc.uva.es:10324/573472022-11-22T20:02:08Zcom_10324_38col_10324_787
Robles del Blanco, María
2022-11-22T16:24:10Z
2022-11-22T16:24:10Z
2022
https://uvadoc.uva.es/handle/10324/57347
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.
spa
info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Diseño de elemento de juego para aportar feedback basado en técnicas de estimación empleando árboles de decisión
info:eu-repo/semantics/masterThesis