AMuCS: 情感多式联络 Counter-Strike 视频游戏数据集
Marios Fanourakis1, Guillaume Chanel2
1Social Intelligence and MultiSensing (SIMS) lab, University of Geneva, Geneva, Switzerland. marios.fanourakis@unige.ch.
Scientific data
|July 30, 2025
概括
这项研究介绍了256名Counter-Strike:全球攻势玩家在现场活动中收集的大量数据集. 丰富的多模式数据非常适合在人机交互研究中训练先进的机器学习模型.
科学领域:
- 人与计算机的交互
- 认知科学 认知科学
- 机器学习 机器学习
背景情况:
- 电子游戏为研究人类认知和行为提供了复杂的刺激.
- 现有的数据集往往缺乏参与者数量,数据模式,或仅限于实验室设置.
研究的目的:
- 通过创建一个大规模的多模式数据集来解决先前数据集的局限性.
- 促进先进的机器学习模型培训,用于分析玩家体验.
主要方法:
- 记录了256名参与者在LAN活动中玩"Counter-Strike:全球攻势".
- 收集了各种数据:生理 (心电图,EDA,呼吸),行为 (面部表情,眼睛跟踪,深度,压力) 和交互 (键盘/鼠标,游戏动作).
- 包括刺激信息:游戏视频和游戏日志.
主要成果:
- 数据集具有大量的参与者 (256) 和广泛的互补数据模式.
- 证明了数据集在训练机器学习模型方面的优势.
结论:
- 在现场活动中收集的大型多模式数据集是一个宝贵的资源.
- 这一数据集使得更强大的机器学习应用程序能够理解游戏中的玩家行为和认知.
