AI for Predicting Human Behavior through the Example of the Board Game Dixit

본 연구의 목표는 보드게임에서 인간의 행동을 모방하고 예측하여 인간 수준의 성능을 달성하는 AI를 만드는 것이다. 그 사례로 Dixit이라고 하는 보드게임을 사용하였는데 이는 창의력과 상상력을 자극하는 카드 게임으로, 주로 3명 이상의 플레이어들이 자신이 가진 카드를 다른 사람들에게 설명하여, 다른 사람들이 그 카드를 맞추도록 유도하는 게임이다. 우리는 디지털 카드 예측을 위한 AI 모델을 설계하고, 다양한 데이터 전처리 기법과 모델링 방법을 비교 분석하여 최적의 성능을 도출하는 것을 목표로 하였다. 본 연구에서는 출제자가 제시한 카드를 예측하는 문제를 다루며, 다양한 임베딩 기법(Word2Vec, GloVe)과 LSTM 모델을 활용하여 예측 정확도를 개선하였다. 실험 결과, 데이터 전처리 방식과 모델링 방법에 따른 정확도 차이를 관찰할 수 있었으며, 카드 번호를 단어로 취급하여 모델에 입력하는 방식이 성능 향상에 기여했다. 또한, 모델에 LSTM층과 Bidirectional 층을 추가한 실험에서 인간 성능을 능가하는 높은 정확도를 기록했다.

The goal of this study is to create an AI that can replicate and predict human behavior in board games, achieving human-level performance. As a case study, we used the board game Dixit, a card game that stimulates creativity and imagination. In Dixit, players, typically three or more, describe the cards in their hands to encourage others to guess which card they are referring to. We aimed to design an AI model for predicting digital cards and to identify the optimal performance through a comparison and analysis of various data preprocessing and machine learning techniques. In this study, we addressed the problem of predicting the card chosen by the storyteller (the person providing the description), using different embedding techniques (such as Word2Vec and GloVe) and LSTM models to improve prediction accuracy. The results showed differences in accuracy depending on the data preprocessing and modeling approaches. Notably, treating card numbers as words and inputting them into the model led to improved performance. Additionally, adding LSTM and Bidirectional layers to the model resulted in accuracy higher than human players.