سختی بازی‌ها با هوش مصنوعی تغییر می‌کند؛ آینده Adaptive Difficulty

یکی از مهم‌ترین عواملی که تجربه بازیکن را در یک بازی ویدیویی شکل می‌دهد، میزان سختی آن بازی است. اگر بازی بیش از اندازه آسان باشد، ممکن است پس از مدتی جذابیت خود را از دست بدهد؛ از طرف دیگر، سختی بیش از حد نیز می‌تواند باعث ناامیدی و کنار گذاشتن بازی شود. این مسئله زمانی پیچیده‌تر می‌شود که بدانیم همه بازیکنان مهارت، سرعت یادگیری و شیوه بازی یکسانی ندارند.

در بازی‌های سنتی، معمولاً سطح دشواری از ابتدا توسط بازیکن انتخاب می‌شود و تا پایان یا بخش مشخصی از بازی ثابت می‌ماند. اما فناوری Adaptive Difficulty یا تنظیم تطبیقی سختی، رویکرد متفاوتی را دنبال می‌کند. در این روش، بازی می‌تواند عملکرد بازیکن را در طول تجربه بررسی کند و بر اساس آن، میزان چالش را تغییر دهد.

با پیشرفت هوش مصنوعی و روش‌هایی مانند یادگیری ماشین (Machine Learning) و یادگیری تقویتی (Reinforcement Learning)، این فرایند می‌تواند از مجموعه‌ای از قوانین ثابت فراتر برود و به سیستمی تبدیل شود که رفتار بازیکن را تحلیل می‌کند، الگوهای عملکرد او را می‌شناسد و سطح دشواری را متناسب با شرایطش تنظیم می‌کند.

Adaptive Difficulty چیست و چگونه کار می‌کند؟

Adaptive Difficulty به مجموعه روش‌هایی گفته می‌شود که با استفاده از آن‌ها، بازی می‌تواند میزان دشواری و چالش‌های خود را متناسب با توانایی یا وضعیت بازیکن تغییر دهد. یکی از اصطلاحات رایج در این حوزه، تنظیم پویای دشواری (Dynamic Difficulty Adjustment یا DDA) است.

هدف اصلی DDA ایجاد تعادل میان مهارت بازیکن و میزان چالش بازی است. در این رویکرد، سیستم تلاش می‌کند نه آن‌قدر شرایط را آسان کند که بازیکن احساس کند هیچ مانعی وجود ندارد و نه آن‌قدر دشوار که ادامه بازی برای او خسته‌کننده یا غیرممکن شود.

برای مثال، در یک بازی سبک شوتینگ، اگر سیستم متوجه شود بازیکن به راحتی حریف را میکشد و بدون آسیب دیدن مراحل را پشت سر می‌گذارد، ممکن است تعداد دشمنان، میزان دقت آن‌ها یا شدت حملات افزایش پیدا کند. در مقابل، اگر بازیکن چندین بار در یک بخش شکست بخورد، بازی می‌تواند تعداد دشمنان را کاهش دهد، منابع بیشتری در اختیار او قرار دهد یا فرصت بیشتری برای واکنش ایجاد کند.

نکته مهم این است که Adaptive Difficulty لزوماً به معنی تغییر درجه سختی از منوی بازی نیست. ممکن است بازیکن همچنان گزینه Hard را انتخاب کرده باشد، اما سیستم در همان محدوده، شدت چالش‌ها را بر اساس عملکرد او تنظیم کند.

تفاوت Adaptive Difficulty با روش‌های سنتی تنظیم سختی

در سیستم‌های سنتی، بازیکن معمولاً از میان گزینه‌هایی مانند Easy، Normal و Hard یکی را انتخاب می‌کند. هر گزینه مجموعه‌ای از تنظیمات از پیش تعریف‌شده دارد و بازی در بیشتر مواقع همان الگو را دنبال می‌کند.

اما در سیستم تطبیقی، سطح دشواری می‌تواند در طول بازی تغییر کند. به همین دلیل، دو بازیکن که یک مرحله را با درجه سختی یکسان آغاز می‌کنند، ممکن است در ادامه با شرایط متفاوتی روبه‌رو شوند.

برای درک بهتر تفاوت این دو رویکرد، یک بازی مبارزه‌ای را در نظر بگیرید. در روش سنتی، انتخاب درجه سختی Hard ممکن است باعث افزایش قدرت و سرعت دشمنان در تمام مراحل شود. اما در DDA، سیستم می‌تواند عملکرد بازیکن را در هر مبارزه بررسی کند. اگر بازیکن در برابر یک نوع دشمن عملکرد خوبی داشته باشد، چالش بعدی می‌تواند پیچیده‌تر شود؛ در حالی که اگر در مقابل مکانیک دیگری مشکل داشته باشد، بازی ممکن است فرصت بیشتری برای یادگیری آن فراهم کند.

البته همه سیستم‌های DDA از هوش مصنوعی استفاده نمی‌کنند. برخی از آن‌ها با قوانین از پیش تعیین‌شده و تغییر مستقیم پارامترهای بازی کار می‌کنند. در مقابل، سیستم‌های پیشرفته‌تر می‌توانند از مدل‌های یادگیری ماشین برای تحلیل داده‌های بازیکن و انتخاب تغییرات مناسب استفاده کنند.

هوش مصنوعی چگونه مهارت بازیکن را تشخیص می‌دهد؟

برای اینکه بازی بتواند سختی را به‌درستی تنظیم کند، ابتدا باید تصویری از توانایی و وضعیت بازیکن به دست آورد. این کار از طریق جمع‌آوری و تحلیل داده‌های گیم‌پلی انجام می‌شود.

سیستم می‌تواند اطلاعات مختلفی را هنگام بازی ثبت کند؛ از جمله:

• نرخ موفقیت (Success Rate): تعداد ماموریت‌ها، مراحل یا مبارزاتی که بازیکن با موفقیت به پایان می‌رساند.

• زمان تکمیل مراحل (Completion Time): مدت‌زمان موردنیاز برای عبور از یک مرحله یا شکست دادن یک دشمن.

• تعداد شکست‌ها (Failure Rate): دفعاتی که بازیکن در یک موقعیت مشخص شکست می‌خورد یا مجبور به شروع مجدد می‌شود.

• دقت عملکرد (Accuracy): میزان دقت بازیکن در تیراندازی، هدف‌گیری یا اجرای حرکات خاص.

• الگوی استفاده از منابع (Resource Usage): نحوه مصرف مهمات، داروها، انرژی و سایر منابع محدود بازی.

• رفتار حرکتی (Movement Patterns): مسیرهایی که بازیکن انتخاب می‌کند، میزان توقف و سرعت واکنش او به اتفاقات محیط.

این اطلاعات به‌تنهایی لزوماً نشان‌دهنده سطح مهارت بازیکن نیستند. برای مثال، طولانی شدن زمان تکمیل یک مرحله ممکن است به دلیل دشواری آن باشد، اما احتمال دارد بازیکن عمداً در حال جست‌وجوی محیط یا جمع‌آوری آیتم‌های مخفی باشد.

به همین دلیل، سیستم‌های هوشمند باید چندین شاخص را به‌صورت هم‌زمان بررسی کنند و از روی مجموعه رفتارها، وضعیت بازیکن را تخمین بزنند.

در پژوهش «Dynamic Difficulty Adjustment approaches in Video Games: A Systematic Literature Review» منتشرشده در سال 2024، روش‌های مختلف مدل‌سازی بازیکن بررسی شده‌اند. این پژوهش نشان می‌دهد که سیستم‌های DDA می‌توانند علاوه بر عملکرد، از اطلاعات مربوط به احساسات، ویژگی‌های شخصیتی و داده‌های رفتاری نیز برای تنظیم تجربه بازی استفاده کنند.

یادگیری تقویتی؛ تنظیم سختی بر اساس تجربه بازیکن

یکی از روش‌های پیشرفته برای پیاده‌سازی تنظیم پویای سختی، یادگیری تقویتی است. در این روش، یک عامل هوشمند (AI Agent) با محیط بازی تعامل می‌کند و با دریافت بازخورد از نتایج اقدامات خود، یاد می‌گیرد چه تصمیم‌هایی برای رسیدن به هدف مناسب‌تر هستند.

در یک سیستم DDA مبتنی بر یادگیری تقویتی، هدف عامل هوشمند لزوماً شکست دادن بازیکن نیست؛ بلکه باید سطح چالش را به شکلی تنظیم کند که تجربه بازی متناسب با مهارت او باقی بماند.

برای مثال، فرض کنید یک بازی تیراندازی از چنین سیستمی استفاده می‌کند. عامل هوشمند می‌تواند اطلاعات مربوط به عملکرد بازیکن را دریافت کند و سپس از میان چند اقدام ممکن، یکی را انتخاب کند:

• افزایش یا کاهش تعداد دشمنان

• تغییر قدرت حملات دشمنان

• افزایش یا کاهش سرعت واکنش آن‌ها

• تغییر میزان منابع و مهمات در دسترس

• تنظیم مدت‌زمان هر مرحله یا موج دشمنان

در این معماری، وضعیت فعلی بازی و عملکرد بازیکن به‌عنوان ورودی سیستم در نظر گرفته می‌شوند. سپس عامل بر اساس سیاست یادگرفته‌شده خود، اقدام مناسب را انتخاب می‌کند و نتیجه آن را در تعامل بعدی ارزیابی می‌کند.

یک نمونه پژوهشی از DDA مبتنی بر یادگیری تقویتی

در مقاله‌ای با عنوان «A Framework for Designing Reinforcement Learning Agents with Dynamic Difficulty Adjustment in Single-Player Action Video Games» که در سال 2024 در مجله Entertainment Computing منتشر شد، پژوهشگران چارچوبی برای طراحی عامل‌های یادگیری تقویتی با هدف تنظیم پویای دشواری بازی‌های اکشن تک‌نفره ارائه کردند.

این چارچوب از سه بخش اصلی تشکیل شده است:

1. وضعیت (State): اطلاعاتی درباره عملکرد بازیکن و وضعیت فعلی بازی.

2. اقدام (Action): تصمیم عامل برای افزایش یا کاهش میزان دشواری.

3. پاداش (Reward): بازخوردی که بر اساس نتیجه بازی، مدت‌زمان دورها و نسبت برد و باخت محاسبه می‌شود.

پژوهشگران در این مطالعه از ساختاری مبتنی بر دو جدول Q استفاده کردند تا عامل بتواند تنظیمات دشواری را بر اساس وضعیت بازی یاد بگیرد. هدف، رسیدن به تعادلی نزدیک به 50 درصد برد و باخت و افزایش مدت‌زمان دورهای بازی بود.

این چارچوب در یک بازی تیراندازی آرکید آزمایش شد و دو نوع ارزیابی، شامل بازیکنان انسانی و بازیکنان کنترل‌شده توسط رایانه، برای بررسی عملکرد آن انجام گرفت. نتایج گزارش‌شده نشان داد که سیستم می‌تواند چالش‌هایی متناسب با مهارت بازیکنان ایجاد کند.

البته این روش به‌تنهایی راه‌حلی عمومی برای تمام ژانرهای بازی نیست. تعریف درست وضعیت‌ها، اقدامات و پاداش‌ها اهمیت زیادی دارد و در بازی‌های پیچیده‌تر، تعداد حالت‌های ممکن می‌تواند طراحی و آموزش عامل را دشوار کند.

تشخیص احساسات بازیکن؛ فراتر از آمار و عملکرد

عملکرد بازیکن تنها معیار تعیین‌کننده تجربه او نیست. ممکن است فردی یک مرحله را بدون شکست پشت سر بگذارد، اما همچنان از شدت فشار و دشواری آن احساس نارضایتی کند. از طرف دیگر، بازیکنی ممکن است چندین بار شکست بخورد، اما همچنان از تلاش برای عبور از مرحله لذت ببرد.

به همین دلیل، برخی پژوهش‌ها تلاش کرده‌اند اطلاعات مربوط به وضعیت احساسی بازیکن را نیز وارد فرایند تنظیم دشواری کنند.

یکی از فناوری‌های مورد استفاده در این زمینه، تشخیص حالات چهره است. سیستم با استفاده از دوربین می‌تواند تغییرات ظاهری چهره بازیکن را بررسی کند و نشانه‌هایی از حالات مختلف را تخمین بزند.

روش دیگر، استفاده از حسگرهای فیزیولوژیک است. برای مثال، تغییرات ضربان قلب می‌تواند اطلاعاتی درباره برانگیختگی فیزیولوژیک بازیکن ارائه دهد. البته افزایش ضربان قلب همیشه به معنی استرس یا نارضایتی نیست و ممکن است نتیجه هیجان مثبت، فعالیت بدنی یا عوامل دیگری باشد.

ترکیب تحلیل چهره و ضربان قلب در تنظیم سختی

در پژوهشی با عنوان «Emotion-Driven Game Adaptation: A Framework Integrating Facial Expression Recognition and Heart Rate Monitoring for Dynamic Difficulty Adjustment» که در سال 2024 منتشر شد، چارچوبی برای ترکیب تشخیص حالات چهره و پایش ضربان قلب ارائه شده است.

در این رویکرد، دو نوع داده به‌صورت هم‌زمان برای بررسی وضعیت بازیکن استفاده می‌شوند. اطلاعات تصویری می‌توانند نشانه‌هایی از حالات چهره را ارائه دهند و داده‌های ضربان قلب نیز به سیستم کمک می‌کنند تغییرات فیزیولوژیک را بررسی کند.

هدف از ترکیب این اطلاعات، ایجاد درک دقیق‌تری از وضعیت بازیکن و تنظیم پویای عناصر بازی است. برای مثال، اگر سیستم نشانه‌هایی از فشار بیش از حد را تشخیص دهد، می‌تواند تغییراتی در میزان دشواری ایجاد کند تا تجربه بازی متعادل‌تر شود.

البته چنین سیستمی باید با احتیاط طراحی شود. تشخیص احساسات از روی چهره یا ضربان قلب همیشه دقیق نیست و نمی‌توان یک واکنش فیزیولوژیک را به‌تنهایی معادل خستگی، ترس یا ناامیدی دانست.

بازی چگونه سختی را به‌صورت پویا تغییر می‌دهد؟

پس از تحلیل عملکرد یا وضعیت بازیکن، سیستم باید تصمیم بگیرد کدام بخش از بازی تغییر کند. این تغییرات می‌توانند در جنبه‌های مختلف گیم‌پلی اعمال شوند و لزوماً به معنای افزایش یا کاهش مستقیم قدرت دشمنان نیستند.

تنظیم هوش و رفتار دشمنان

یکی از رایج‌ترین روش‌ها، تغییر رفتار دشمنان است. برای مثال، اگر بازیکن به‌راحتی از حملات فرار کند، دشمنان می‌توانند از تاکتیک‌های متنوع‌تری استفاده کنند یا هماهنگی بیشتری در حملات داشته باشند.

در مقابل، اگر بازیکن در برابر حملات خاصی دائماً شکست بخورد، سیستم می‌تواند شدت یا دفعات استفاده از آن حملات را کاهش دهد.

تغییر تعداد و ترکیب دشمنان

بازی می‌تواند تعداد دشمنان، نوع آن‌ها یا ترکیب گروه‌های مهاجم را تغییر دهد. برای مثال، بازیکنی که در مبارزات عملکرد ضعیفی دارد، ممکن است با گروه کوچک‌تری از دشمنان روبه‌رو شود؛ در حالی که بازیکن حرفه‌ای با ترکیب پیچیده‌تری از دشمنان مواجه شود.

مدیریت منابع و آیتم‌ها

یکی دیگر از روش‌های تنظیم دشواری، تغییر منابعی است که در اختیار بازیکن قرار می‌گیرند. سیستم می‌تواند تعداد مهمات، داروها، تجهیزات یا آیتم‌های بازیابی سلامتی را متناسب با شرایط بازیکن تنظیم کند.

برای مثال، اگر بازیکن چندین بار در یک مرحله شکست بخورد، بازی ممکن است منابع بیشتری در مسیر او قرار دهد تا فرصت دوباره‌ای برای پیشروی داشته باشد.

تغییر ساختار مراحل و محیط بازی

در برخی سیستم‌ها، حتی ساختار محیط نیز می‌تواند تحت تاثیر تنظیم دشواری قرار بگیرد. برای مثال، مسیرهای جایگزین، محل قرارگیری دشمنان، موانع یا آیتم‌های قابل‌جمع‌آوری می‌توانند تغییر کنند.

این روش به‌خصوص در بازی‌هایی که از تولید رویه‌ای محتوا (Procedural Content Generation) استفاده می‌کنند، اهمیت دارد؛ زیرا سیستم می‌تواند بخشی از محتوای مرحله را متناسب با توانایی بازیکن تولید یا تنظیم کند.

تغییر سرعت پیشرفت و ریتم بازی

گاهی اوقات نیازی به تغییر قدرت دشمنان یا ساختار مرحله نیست. بازی می‌تواند با تنظیم سرعت اتفاقات، فاصله میان موج‌های دشمنان، زمان واکنش یا فرصت استراحت، میزان فشار واردشده به بازیکن را کنترل کند.

این نوع تغییرات می‌توانند بدون آنکه بازیکن متوجه یک تغییر مستقیم در درجه سختی شود، تجربه بازی را متعادل‌تر کنند.

تاثیر Adaptive Difficulty بر رضایت و انگیزه بازیکن

یکی از مهم‌ترین اهداف DDA، حفظ تعادل میان مهارت بازیکن و چالش‌های بازی است. این تعادل با مفهومی در طراحی تجربه بازی به نام جریان (Flow) ارتباط دارد.

نظریه Flow به وضعیتی اشاره می‌کند که فرد در فعالیتی غرق می‌شود و سطح چالش با توانایی او تناسب دارد. اگر چالش بسیار پایین‌تر از مهارت فرد باشد، احتمال خستگی و بی‌حوصلگی افزایش پیدا می‌کند؛ اما اگر فاصله زیادی میان توانایی و دشواری وجود داشته باشد، ممکن است اضطراب و ناامیدی شکل بگیرد.

در بازی‌های ویدیویی، سیستم DDA تلاش می‌کند این فاصله را مدیریت کند. به این ترتیب، بازیکن می‌تواند بدون مواجهه مداوم با مراحل بیش از حد آسان یا دشوار، تجربه متعادل‌تری داشته باشد.

مقاله IEEE با عنوان «Analysis on Adaptive Difficulty Adjustment for Player Satisfaction in Game: A Systematic Literature Review» که در سال 2024 منتشر شده، تاثیر ADA بر رضایت بازیکنان را از جنبه‌های مختلف بررسی می‌کند. این مطالعه به عواملی مانند یادگیری، اعتمادبه‌نفس، مشارکت و دسترس‌پذیری برای افراد دارای محدودیت‌های جسمی توجه دارد.

بر اساس نتایج این مرور، تنظیم دشواری متناسب با سطح مهارت می‌تواند رضایت بازیکن، ماندگاری او در بازی و برخی نتایج آموزشی را بهبود دهد. بااین‌حال، پژوهشگران هشدار می‌دهند که وابستگی بیش از حد به سیستم‌های تطبیقی ممکن است فرصت رشد مهارت و یادگیری بلندمدت را کاهش دهد.

چالش‌های Adaptive Difficulty؛ آیا آسان‌تر شدن بازی همیشه بهتر است؟

با وجود مزایای احتمالی، تنظیم خودکار سختی همیشه تجربه بهتری ایجاد نمی‌کند. یکی از مهم‌ترین مشکلات این فناوری، ایجاد حس ناعادلانه بودن بازی است.

فرض کنید بازیکنی پس از چندین بار تلاش موفق می‌شود یک باس قدرتمند را شکست دهد؛ اما در ادامه متوجه می‌شود بازی قدرت دشمنان را کاهش داده تا او راحت‌تر پیشروی کند. اگر بازیکن احساس کند موفقیتش نتیجه کاهش پنهانی دشواری بوده، ممکن است ارزش پیروزی برای او کمتر شود.

از طرف دیگر، اگر سیستم نتواند مهارت واقعی بازیکن را به‌درستی تشخیص دهد، احتمال دارد در زمان نامناسب سطح دشواری را تغییر دهد. برای مثال، بازیکنی که عمداً با سرعت پایین‌تری بازی می‌کند یا در حال کاوش محیط است، نباید لزوماً به‌عنوان بازیکنی ضعیف شناسایی شود.

مهم‌ترین چالش‌های این فناوری عبارت‌اند از:

• تشخیص اشتباه مهارت: عملکرد ضعیف در یک مرحله همیشه به معنی پایین بودن مهارت کلی بازیکن نیست.

• کاهش حس موفقیت: تغییر پنهانی دشواری ممکن است ارزش عبور از چالش‌ها را کاهش دهد.

• اختلال در یادگیری: آسان کردن بیش از حد بازی می‌تواند فرصت تمرین و بهبود مهارت را محدود کند.

• حفظ تعادل در بازی‌های چندنفره: تغییر دشواری برای یک بازیکن ممکن است عدالت رقابت را تحت تاثیر قرار دهد.

• حریم خصوصی: استفاده از دوربین، میکروفون یا حسگرهای فیزیولوژیک به مدیریت و محافظت از داده‌های شخصی نیاز دارد.

• هزینه پردازش و پیچیدگی فنی: تحلیل مداوم داده‌ها و تصمیم‌گیری در لحظه می‌تواند منابع محاسباتی و زمان توسعه بیشتری نیاز داشته باشد.

در مقاله «Rethinking Dynamic Difficulty Adjustment for Video Game Design» منتشرشده در سال 2024 نیز به محدودیت‌های رویکردهای رایج DDA پرداخته شده است. نویسندگان تاکید می‌کنند که تنظیم دشواری نباید صرفاً با هدف رسیدن به یک سطح مشخص از چالش انجام شود؛ بلکه باید در ارتباط با تعامل بازیکن و بازی و اهداف طراحی هر عنوان در نظر گرفته شود.

آینده تنظیم هوشمند سختی در بازی‌های ویدیویی

با پیشرفت مدل‌های هوش مصنوعی، سیستم‌های DDA می‌توانند از تنظیم چند پارامتر ساده فراتر بروند و به مدل‌های دقیق‌تری از رفتار بازیکنان دست پیدا کنند.

یکی از مسیرهای احتمالی، ترکیب چند نوع داده است. برای مثال، سیستم می‌تواند عملکرد بازیکن، زمان واکنش، الگوی حرکت، انتخاب‌های تاکتیکی و حتی اطلاعات فیزیولوژیک را در کنار یکدیگر بررسی کند. ترکیب این داده‌ها می‌تواند تصویر جامع‌تری از تجربه بازیکن ایجاد کند؛ البته به شرط آنکه اطلاعات با رضایت کاربر و به شکل مسئولانه پردازش شوند.

مسیر دیگر، استفاده از مدل‌های یادگیری ماشین و یادگیری تقویتی است که می‌توانند با گذشت زمان، الگوهای رفتاری بازیکنان را بهتر بشناسند و تصمیم‌های مناسب‌تری بگیرند.

همچنین ترکیب DDA با تولید رویه‌ای محتوا می‌تواند امکان تغییر ساختار مراحل، ماموریت‌ها و چالش‌ها را فراهم کند. در چنین شرایطی، بازی فقط قدرت دشمنان را تغییر نمی‌دهد؛ بلکه می‌تواند بخش‌هایی از تجربه را متناسب با مهارت و سبک بازی هر فرد بازطراحی کند.

بااین‌حال، هدف نهایی نباید حذف تمام شکست‌ها یا آسان کردن مسیر پیشرفت باشد. شکست، تلاش مجدد و یادگیری از اشتباهات بخش مهمی از تجربه بازی هستند. یک سیستم تطبیقی موفق باید این چالش‌ها را حفظ کند و فقط زمانی مداخله کند که فاصله میان توانایی بازیکن و دشواری بازی، تجربه او را مختل می‌کند.

در نهایت، Adaptive Difficulty می‌تواند یکی از ابزارهای مهم شخصی‌سازی تجربه بازی در آینده باشد. هوش مصنوعی با تحلیل رفتار و عملکرد بازیکن، این امکان را فراهم می‌کند که بازی‌ها به‌جای ارائه یک سطح دشواری یکسان برای همه، چالش‌هایی متناسب با شرایط هر فرد ایجاد کنند. موفقیت این فناوری نیز به توانایی آن در حفظ تعادل میان چالش، رضایت و حس واقعی پیشرفت بازیکن بستگی دارد.

منابع اصلی

1. Analysis on Adaptive Difficulty Adjustment for Player Satisfaction in Game: A Systematic Literature Review – IEEE, 2024

2. Solutions for Dynamic Difficulty Adjustment in Digital Games: A Systematic Literature Review – Entertainment Computing, 2025

3. A Framework for Designing Reinforcement Learning Agents with Dynamic Difficulty Adjustment in Single-Player Action Video Games – Entertainment Computing, 2024

4. Emotion-Driven Game Adaptation: A Framework Integrating Facial Expression Recognition and Heart Rate Monitoring for Dynamic Difficulty Adjustment – 2024

5. Rethinking Dynamic Difficulty Adjustment for Video Game Design – Entertainment Computing, 2024