디지털로 시작된 세대 간의 지식전복과 이에 따른 격차는 게임이라는 콘텐츠를 통해 그 차이점을 드러낼 것이라는 것을 가정하고 본 연구를 수행하였다. 이를 증명하기 위해 실제 부모의 게임에 관한 인식이 자녀 의 삶에 중요한 변수로 자리를 잡고 있는지 분석해 보는 것이 본 연구를 통해 알아보고자 하는 것이 주요 내용이었다. 분석 결과, 부모의 게임인식은 자녀의 삶에 직접적으로 영향을 미치진 않았다. 하지만 자녀가 판단했을 때 부모의 게임인식 수준은 자녀의 삶의 만족도에 상당한 영향을 미치고 있는 것으로 확인이 되 었다. 이는 부모가 스스로 판단하는 게임인식보다, 디지털 세대인 자녀의 게임 활동과 문화를 어떻게 인식 하고 대하는지에 따라 자녀의 행복에 영향을 미친다는 것이다. 본 연구의 결과는 자녀가 인식하는 부모의 게임인식과 자녀의 게임인식 간의 격차는 청소년 자녀의 행복에 매우 중요한 요인으로 작용을 하며, 이는 청소년 자녀의 게임 활동을 부모세대가 꼭 배우고 습득하는 것만이 자녀 세대를 이해하는 길이 아니라, 자 녀와 함께 소통하면서 현재의 상황을 이해하는 것이 보다 중요한 요인으로 나타났다고 할 수 있다. 시대적 상황에 의하여 한 가정 내에 부득이하게 발생한 문화적 취향의 차이지만, 이를 부모가 인정하고 이해하는 방향으로 소통을 진행한다면 자녀의 삶에 매우 긍정적인 영향을 줄 수 있다는 것을 의미하기도 한다.
본 논문에서는 외계 행성에서 주어진 임무를 모두 수행하여 클리어하는 탑 뷰 슈팅 게임을 제안한다. 제안 하는 게임을 진행한 플레이어 45명의 로그 기록과 설문 조사 결과를 분석하여, 몰입감, 플레이 패턴의 다양 성, 접근성을 중심으로 제안하는 게임의 특징을 살펴보고자 한다. 첫째, 제안한 게임은 더 높은 몰입감을 위 해 스토리 애니메이션과 오디오를 제공한다. 실험 결과 시각, 청각적 방면으로 몰입감을 효과적으로 제공하 고 있어 대다수의 플레이어가 스토리 애니메이션을 건너뛰지 않고 끝까지 시청했다. 둘째, 제안하는 게임은 더 다양한 플레이 패턴으로 즐길 수 있다. 실험 결과 수많은 경우의 수가 존재하는 무기와 스킬을 선택할 수 있게 하였기 때문에 대부분의 플레이어가 선택하는 스킬들이 서로 겹치지 않고 다양한 방식으로 게임을 플레이할 수 있다. 플레이 패턴이 다양한 만큼 더 게임을 오랫동안, 더 재미있게 즐길 수 있다. 셋째, 제안한 게임은 맵을 비교적 단순하게 구성하였다. 그런데, 호기심 많은 일부 플레이어들이 미션과 직접 관련이 없는 경로를 찾아서 길을 헤매는 경우가 나타났다. 이로 인해, 플레이어들이 게임을 다시 한번 진행하고자 하는 경향이 나타났다.
2007년 메타버스 로드맵에서 메타버스 정의가 공식 발표된 바 있으며, 당시 국내외 연구자들에 의해 많은 논문이 발표되면서 학문적 이론적으로 정립하려는 노력을 해왔다. 이와는 달리, 산업계에서는 ‘메타버스’키 워드가 비대면 장기화와 맞물려 과열 양상을 보이고 있다. 정작 언급되는 메타버스 성공사례는 '게임'이거나 '게이미피케이션' 또는 ‘게임융합’ 사례가 다수다. 따라서, '메타버스'영역에도 게이미피케이션 이론과 원리의 적용은 바람직하다. 이에, 필자가 발표했던 DMGL 모델을 확장하여, 메타버스 내 습관형성 위한 다이내믹 모델을 제시하였다. 저자는 플레이어 경험을 향상시키기 위해 메타월드 습관 형성을 위한 4가자 양상의 모 델을 제안했다. P1) 플레이어는 세계관에 따라 전개되는 배경스토리를 따르며, 유발된 호기심으로 탐험할 동 기가 생성되고 게임의 조작법을 익히고 게임의 목표를 향하는 여정이다. P2) 플레이어는 메타월드의 조작법 익히기 단계로 온보딩 한다. P3) 플레이어는 아바타 꾸미기,아이템 획득/거래,커뮤니티 활동 등을 수행하면 서, 점차 목적(표)를 향한다. P4) 플레이어는 목적기능을 바로 수행할 수 있는 방식으로 온보딩한다. 이 모델 은 게임의 원리와 요소의 융합(게이미피케이션)으로, 후속연구에서 보다 심도 있는 연구 모델을 제시할 예 정이다.
타임루프는 등장 인물에게 반복되는 시간의 주기를 경험하게 하는 장치로, 주기적 시간에서의 반복적 실패 를 통해서 문제를 파악하고 해결하는 과정이 드러나 있는 것이 특징이다. 본 논문에서는 타임루프 장치를 통한 반복이 게임의 전개와 플레이어의 경험에 어떤 작용을 하는지 알아보기 위해 게임 ‘12 Minutes’을 중심 으로 게임요소와 스토리텔링을 살펴보았다. 이를 위해 게임에서 타임루프로 인지되는 인터랙션이 무엇이고, 그 안에서 플레이어 캐릭터와 플레이어의 위치, 게임의 목표와 분기점이 어떻게 변화하는지 분석하였다. 그 결과, 다음과 같은 사실을 알게 되었다. 첫째, 타임루핑 게임에서 반복적 인터랙션은 오브젝트와 플레이어, 캐릭터 사이에 일어나는데, 루핑을 알고 있는 존재는 플레이어 캐릭터와 플레이어로 타임루핑은 플레이어 차원과 플레이어 캐릭터 차원에서 일어난다는 점이다. 둘째, 게임에서 타임루프는 다중의 서사를 만들어내 는 플랫폼으로 문제해결을 위한 다양한 시도가 가능하고, 플레이어가 가상 세계에 행하는 행위를 통해 자신 의 욕망하는 바를 잘 드러낼 수 있도록 기능하는 장치라는 것이다.
컴퓨터 그래픽 기술을 활용하여 디지털 콘텐츠를 만드는 분야에서 군인 또는 무기를 캐릭터나 소품으로 사 용할 경우가 많다. 특히 컴퓨터 게임 분야에서는 다양한 전쟁 게임이 만들어지고 있으며 현대 군인을 군복 을 비롯한 군장비나 사용하는 각종 무기, 이수송 장비 등에서 위장용 패턴이 필요할 수 밖에 없다. 현대 군 인들이 전투 현장에서 적군에게 눈에 잘 띄지 않도록 하는 위장 패턴은 다양하게 발전되어 왔고 다양한 전 투 현장에 따라 특유의 무늬 패턴을 사용한다. 사용되는 컬러는 다양한 환경에서 자주 나타나는 색이 포함 되면서도 최대한 적은 컬러로 생산 할 수 있도록 만드는 것을 주요 목표로 한다. 따라서 사막이나 바위, 숲, 계절 등을 고려하여 주로 사용되는 주요 컬러를 선택하고 이들 환경에서 잘 눈에 띄지 않을 만한 패턴 형 태에 이러한 컬러를 적용하는 방식으로 군복에 위장색을 적용한다. 본 논문에서는 기존 연구들이 대부분 2 차원 적인 이미지 배경에 2차원 이미지에 텍스처를 입혀 위장 패턴을 만들고 적용하는 데 중점을 두고 있 지만, 게임과 같은 3차원 콘텐츠 애셋을 만드는 데 유연하게 적용할 수 있는 프로시저럴 위장 패턴 텍스처 생성 기법을 제안하고자 한다. 3차원 디지털 모델에 uv를 적용한 경우나 uv맵 없이 3차원 좌표계에서 텍스 처 패턴을 생성하는 시스템을 제시하고자 한다.
본 연구의 목적은 어머니의 주중 미디어 놀이 횟수가 유아의 놀이상호작용에 미치는 영향에서 자기통제와 주의집중문제의 매개역할을 살펴보는 것이다. 이를 위해 육아정책연구소의 한국아동패널 7차년도 데이터를 사용했고, 자료는 R 4.1.3과 PROCESS macro v4.1 for R로 분석했다. 본 연구의 결과는 다음과 같다. 첫째, 어 머니의 주중 미디어 놀이 횟수는 유아의 자기통제에 부적 영향, 주의집중문제에 정적 영향을 미쳤다. 또래 놀이상호작용에 대해 자기통제는 정적 영향, 주의집중문제는 부적 영향을 미쳤다. 자기통제는 주의집중문제 에 부적 영향을 미쳤다. 둘째, 어머니의 주중 미디어 놀이 횟수가 유아의 또래놀이상호작용에 미치는 영향 에서 자기통제와 주의집중문제는 각각 부적 매개효과가 나타났다. 마지막으로 어머니의 주중 미디어 놀이 횟수가 유아의 또래놀이상호작용에 미치는 영향에서 자기통제와 주의집중문제는 부적 직렬다중매개효과가 있었다. 본 연구의 결과는 유아의 자기통제와 주의집중문제가 어머니의 주중 미디어 놀이 횟수와 또래놀이 상호작용을 매개하는 주요한 요인임을 시사한다.
Quora search engine redirects to different discussion pages based on the search terms searched by the user. So, when questions that are semantically similar are searched on Quora, it sometimes redirects a user to different discussion pages even if there exists a page to the dedicated search. In such a case, Semantic Similarity among the questions carries highest weightage. So, for text, using traditional methods for calculating similarity, usually the text is considered as sequence of words and they just count the number of words that occurred in a sentence, on which some distance measures are applied to find the similarity, while missing the semantic level knowledge of the text during calculation. Considering such traditional methods, it will also require a huge training set as well as time to produce an accurate model. But in this Research Paper, Siamese Based Network is used that can train itself on a single example of each text to provide an accurate similarity output.I have used different types of pre-trained word embedding models like word-2-vec and glove to understand the semantics of the question pairs present in Quora Question Pair dataset. This paper introduces a new approach to calculate sentence similarity and gives astronishing results outperforming the current state of art Siamese Based LSTM models. Along with this new approach of using Manhattan LSTM with attention mechanism for similarity calculation, a comparative analysis is performed on the embedded question pairs, among different Siamese based LSTM models like LSTM and Manhattan LSTM, to predict whether the questions are similar or not and get the best model combination for Quora Question Pair.
Automatic question-answering is a classical problem in natural language processing, which aims at designing systems that can automatically answer a question, in the same way as human does. The need to query information content available in various formats including structured and unstructured data has become increasingly important. Thus, Question Answering Systems (QAS) are essential to satisfy this need. QAS aim at satisfying users who are looking to answer a specific question in natural language.Moreover, it is a representative of open domain QA systems, where the answer selection process leans on syntactic and semantic similarities between the question and the answering text snippets. Such approach is specifically oriented to languages with fine grained syntactic and morphologic features that help to guide the correct QA match. Furthermore, word and sentence embedding have become an essential part of any Deep-Learning-based natural language processing systems as they encode words and sentences in fixed-length dense vectors to drastically improve the processing of textual data. The paper will concentrate on incorporating the sentence embedding with its various techniques like Infersent, ElMo and BERT in the construction of Question Answering systems, and also it can be used in game play.