مروری بر کاربرد مدلهای زبانی بزرگ در ایجاد شخصیتپردازی هوشمند: شخصیتهای ان پی سی با الگوهای رفتاری و عاطفی پایدار.
مروری بر کاربرد مدلهای زبانی بزرگ در ایجاد شخصیتپردازی هوشمند: شخصیتهای ان پی سی با الگوهای رفتاری و عاطفی پایدار.
محمدرضا صدیقی راد1
1) دانش اموز پایه دهم هنرستان غیر دولتی همت
کد IOI مقاله
:
AAHD-ABEGZG
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
ظهور مدلهای زبانی بزرگ (LLM) فرصتهای بیسابقهای برای طراحی شخصیتهای غیرقابل بازی (NPC) با دیالوگ پویا و رفتارهای زمینهآگاه ایجاد کرده است. با این حال، چالش اصلی در کاربرد این مدلها، حفظ ثبات شخصیت در تعاملات طولانی با بازیکن است. این مقاله مروری نظاممند با هدف شناسایی، دستهبندی و ارزیابی روشهای شخصیتپردازی NPC مبتنی بر LLM انجام شده است. جستجوی نظاممند در پنج پایگاه داده معتبر شامل Google Scholar، IEEE Xplore، ACL Anthology، ACM Digital Library و arXiv در بازه زمانی ۲۰۲۳ تا ۲۰۲۶ انجام شد. از مجموع ۲۸۷ مقاله اولیه، پس از اعمال معیارهای شمول و حذف، ۳۳ مقاله برای تحلیل نهایی انتخاب گردید. یافتهها نشان میدهد که روشهای شخصیتپردازی به سه دسته اصلی قابل طبقهبندی هستند: روشهای مبتنی بر پرامپت (با دقت 70تا80% در تعاملات تک مرحلهای اما ثبات پایین در تعاملات طولانی)، روشهای مبتنی بر تنظیم دقیق (با ثبات بالاتر و هزینه محاسباتی بیشتر)، و روشهای ترکیبی معماریمحور (با بهترین عملکرد شامل MECoT با دقت عاطفی ۹۳.۳٪ و O-Mem با بهبود ۳.۵٪ در بنچمارک PERSONAMEM). همچنین، پنج شکاف تحقیقاتی اصلی شامل چالش ثبات بلندمدت، هزینه محاسباتی بالا، فقدان استاندارد ارزیابی تخصصی برای بازی، عدم پژوهش بر روی مدلهای کوچک و بهینه، و کمبود مطالعات کاربری در بستر بازیهای واقعی شناسایی گردید. این مرور نشان میدهد که اگرچه LLMها توانایی چشمگیری در شبیهسازی شخصیت انسانی دارند، اما تحقق NPCهای با شخصیت پایدار در بازیهای تجاری نیازمند توسعه معماریهای مبتنی بر حافظه، استانداردسازی معیارهای ارزیابی و توجه به ملاحظات اخلاقی است.
کلمات کلیدی : کلمات کلید شخصیتهای غیرقابل بازی مدلهای زبانی بزرگ ثبات شخصیت بازیسازی هوش مصنوعی مولد مرور نظاممند