Συστήματα τεχνητής νοημοσύνης για τη πρόβλεψη εθισμού στα ηλεκτρονικά παιχνίδια

• Κύριος συγγραφέας: Τάσσιος, Βλάσιος
• Άλλοι συγγραφείς: Tassios, Vlasios
• Γλώσσα: Greek
• Έκδοση: 2021
• Θέματα: Τεχνητή νοημοσύνη; Δεδομένα εκπαίδευσης; Συσταδοποίηση; Επιβλεπόμενη μάθηση; Artificial intelligence; Training data; Clustering; Supervised learning

Υπάρχουν σημαντικές διαφορές μεταξύ ενός εθισμένου και ενός μη εθισμένου ανθρώπου στην κοινωνική και οικογενειακή του συμπεριφορά. Στη διπλωματική εργασία προσπαθούμε να εντοπίσουμε εκείνα τα χαρακτηριστικά που δείχνουν ότι ένας άνθρωπος είναι εθισμένος ή τείνει να εθιστεί στα ηλεκτρονικά παιχνίδια με σκοπό να δημιουργήσουμε ένα σύστημα τεχνητής νοημοσύνης το οποίο θα αποτρέπει τον εθισμό βάση ορισμένων κινήσεων. Συλλέγοντας δεδομένα από ανοιχτές πηγές βάσεων δεδομένων (ScienceDirect, SpringerLink, ACM Digital Library, IEEE Xplore), καταλήγουμε σε κάποια αρχικά συμπεράσματα για το πότε κάποιος άνθρωπος θεωρείται ότι έχει εθιστεί και πότε όχι. Τα δεδομένα αυτά αποτελούν τα πρώτα δεδομένα εκπαίδευσης του συστήματος βάση των οποίων θα κάνουμε τη συσταδοποίηση αφού πρώτα συγκρίνουμε τους αλγόριθμους τεχνητής νοημοσύνης. H σύγκριση των αλγορίθμων γίνεται με σκοπό να εντοπίσουμε ποιος αλγόριθμος είναι πιο κατάλληλος για να κατηγοριοποιήσουμε τα δεδομένα μας. Η σύγκριση γίνεται μεταξύ των αλγορίθμων επιβλεπόμενης μάθησης (Support Vector Machine, Naive Bayes Classifier, Δένδρο αποφάσεων, Random Forest) καταλήγοντας στο συμπέρασμα ότι ο αλγόριθμος Support Vector Machine έχει καλύτερη απόδοση. Στη συνέχεια κατηγοριοποιούμε τους χρήστες σε 3 κατηγορίες. (Εθισμένοι, μη εθισμένοι, άτομα που τείνουν να εθιστούν) βάση των συμπερασμάτων που λάβαμε κατά την συσταδοποίηση και δημιουργούμε ένα σύστημα αυτόματης αποστολής μηνυμάτων ανάλογα με την ηλικία του χρήστη ηλεκτρονικών παιχνιδιών.