Driving Generative Agents With Their Personality

📄 arXiv: 2402.14879v1 📥 PDF

作者: Lawrence J. Klinkert, Stephanie Buongiorno, Corey Clark

分类: cs.CL, cs.AI

发布日期: 2024-02-21

备注: 9 Pages, 4 figures, Draft

💡 一句话要点

利用个性化信息驱动生成性角色以提升游戏体验

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 个性化设计 非玩家角色 情感计算 心理测量 游戏开发 人性化特征

📋 核心要点

  1. 现有的NPC设计方法缺乏个性化，导致角色表现单一，无法有效吸引玩家。
  2. 本研究提出通过LLM结合心理测量值，利用个性信息生成更具人性化的NPC行为。
  3. 实验结果表明，LLM能够准确生成与个性相关的内容，提升了角色的表现一致性和人性化特征。

📝 摘要（中文）

本研究探讨了大型语言模型（LLMs）在视频游戏角色开发中利用心理测量值，特别是个性信息的潜力。情感计算系统量化非玩家角色（NPC）的心理状态，LLM可以利用这些信息进行提示生成。研究表明，LLM能够持续地表现出特定的个性特征，从而增强游戏角色的人性化特征。通过重新利用国际个性项目池（IPIP）问卷评估LLM，结果显示该模型能够准确生成与提供的个性相关的内容。最新的GPT-4模型在利用和解释个性以表现行为方面表现出一致性。

🔬 方法详解

问题定义：本研究旨在解决现有NPC设计中缺乏个性化的问题，导致角色表现单一，无法有效吸引玩家。现有方法未能充分利用个性信息来增强角色的表现。

核心思路：论文提出通过大型语言模型（LLM）结合心理测量值，特别是个性信息，来生成更具人性化的NPC行为。通过这种方式，LLM能够在生成内容时考虑角色的个性特征，从而提升角色的表现。

技术框架：整体架构包括情感计算系统用于量化NPC的心理状态，LLM利用这些信息进行提示生成。主要模块包括个性信息提取、提示生成和行为表现模拟。

关键创新：最重要的技术创新在于将心理测量工具（如IPIP问卷）与LLM结合，允许模型在生成内容时准确反映特定个性特征。这一方法与传统的NPC设计方法本质上不同，后者通常缺乏个性化的深度。

关键设计：在模型设计中，关键参数包括个性特征的量化方式、提示生成的策略以及行为表现的评估标准。损失函数设计上，强调生成内容与个性特征的一致性，以确保输出的高质量和相关性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，最新的GPT-4模型在个性化内容生成方面表现出色，能够准确反映提供的个性特征。与传统方法相比，模型在表现一致性和人性化特征方面有显著提升，具体性能数据尚未披露。

🎯 应用场景

该研究的潜在应用领域包括视频游戏开发、虚拟现实和交互式娱乐等。通过实现更具个性化的NPC，游戏开发者能够提升玩家的沉浸感和互动体验，进而推动游戏行业的发展。未来，该技术也可能扩展到其他需要个性化交互的领域，如教育和心理治疗。

📄 摘要（原文）

This research explores the potential of Large Language Models (LLMs) to utilize psychometric values, specifically personality information, within the context of video game character development. Affective Computing (AC) systems quantify a Non-Player character's (NPC) psyche, and an LLM can take advantage of the system's information by using the values for prompt generation. The research shows an LLM can consistently represent a given personality profile, thereby enhancing the human-like characteristics of game characters. Repurposing a human examination, the International Personality Item Pool (IPIP) questionnaire, to evaluate an LLM shows that the model can accurately generate content concerning the personality provided. Results show that the improvement of LLM, such as the latest GPT-4 model, can consistently utilize and interpret a personality to represent behavior.