Multimodale Anonymisierung von Gameplay Daten
Auf einen Blick
- Projektleiter/in : Dr. Elena Gavagnin
- Projektteam : Jasmin Heierli, Dr. Hiloko Kato, Benjamin Kühnis
- Projektvolumen : CHF 19'656
- Projektstatus : laufend
- Drittmittelgeber : Interne Förderung (ZHAW digital / Digital Futures Fund)
- Projektpartner : Universität Zürich
- Kontaktperson : Elena Gavagnin
Beschreibung
Die Erforschung von Spieldaten hat in den letzten zehn Jahren in verschiedenen Disziplinen (z. B. Linguistik, Pädagogik, Psychologie) an Popularität gewonnen, da sie eine sehr wertvolle Methode zur Analyse von Verhaltensmustern und Interaktionen zwischen Menschen darstellt.
Eine der größten Einschränkungen, mit denen die Gameplay-Forschung derzeit konfrontiert ist, ist der Mangel an offenen Daten. Auf Youtube oder Twitch verfügbare Gameplay-Daten eignen sich nicht für die Forschung, die stattdessen nicht inszenierte, alltägliche Praxis von Spielern benötigt. Der Hauptgrund für das Fehlen eines offenen Datensatzes von Spieldaten ist das Fehlen von Werkzeugen zur einfachen Anonymisierung dieser Art von Daten, die in der Regel visuelle und textuelle Identifikatoren von Spielern enthalten.
Das Hauptziel dieses Projekts ist die Entwicklung einer Pipeline für maschinelles Lernen, die Gameplay-Daten anonymisiert und dabei die Spieldynamik und andere für die Forschung wichtige Informationen beibehält. Wir werden die neuesten transformatorbasierten multimodalen KI-Methoden nutzen, um textuelle Chatdaten und visuelle Elemente zu anonymisieren und somit jegliche Hinweise auf Spieleridentitäten zu eliminieren.