(CA) Can Large Language Models Capture Video Game Engagement?

LLM 在电子游戏参与度预测方面接受测试，表现不及人类

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-04 05:00

一篇新的 arXiv 论文研究了大型语言模型 (LLM) 在预测电子游戏中人类情感和参与度方面的能力。研究人员在 GameVibe 语料库上测试了各种 LLM，该语料库包含来自 20 款第一人称射击游戏的 80 分钟标注视频。研究发现，虽然 LLM 的表现优于传统的机器学习模型，但它们通常无法达到人类水平的连续体验标注。 AI

影响研究 LLM 在多模态理解和情感检测方面的能力，可能为未来游戏和人机交互中的 AI 应用提供信息。

排序理由学术论文发布在 arXiv 上，详细介绍了研究结果。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 43 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文发布在 arXiv 上，详细介绍了研究结果。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 (CA) · David Melhart, Matthew Barthet, Georgios N. Yannakakis · 2026-11-04 05:00

大型语言模型能否捕捉电子游戏参与度？

arXiv:2502.04379v3 Announce Type: replace-cross Abstract: Can out-of-the-box pretrained Large Language Models (LLMs) detect human affect successfully when observing a video? To address this question, for the first time, we evaluate comprehensively the capacity of popular LLMs for…

本文如何被排名

报道来源 [1]

大型语言模型能否捕捉电子游戏参与度？

相关实体

相关话题