مروری بر کاربرد مدل های زبانی بزرگ در ایجاد شخصیت پردازی هوشمند شخصیت های NPC با الگوهای رفتاری و عاطفی پایدار

ظهور مدل های زبانی بزرگ (LLM) فرصت های بی سابقه ای برای طراحی شخصیت های غیر قابل بازی (NPC) با دیالوگ پویا و رفتارهای زمینه آگاه ایجاد کرده است. با این حال، چالش اصلی در کاربرد این مدل ها حفظ ثبات شخصیت در تعاملات طولانی با بازیکن است. این مقاله مروری نظام مند با هدف شناسایی، دسته بندی و ارزیابی روش های شخصیت پردازی NPC مبتنی بر LLM انجام شده است. جستجوی نظام مند در پنج پایگاه داده معتبر شامل ACM Digital Library، ACL Anthology، IEEE Xplore، Google Scholar 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. یافته ها نشان می دهد که روش های شخصیت پردازی به سه دسته اصلی قابل طبقه بندی هستند: روش های مبتنی بر پرامپت با دقت ۷۰ تا ۸۰ در تعاملات تک مرحله ای اما ثبات پایین در تعاملات طولانی، روش های مبتنی بر تنظیم دقیق با ثبات بالاتر و هزینه محاسباتی بیشتر، و روش های ترکیبی معماری محور با بهترین عملکرد شامل MECOT با دقت عاطفی ۹۳.۳ و O-Mem با بهبود 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 مدل های کوچک و بهینه و کمبود مطالعات کاربری در بستر بازی های واقعی شناسایی گردید. این مرور نشان می دهد که اگرچه LLMها توانایی چشمگیری در شبیه سازی شخصیت انسانی دارند اما تحقق NPCهای با شخصیت پایدار در بازی های تجاری نیازمند توسعه معماری های مبتنی بر حافظه، استانداردسازی معیارهای ارزیابی و توجه به ملاحظات اخلاقی است.

کلیدواژه ها:

شخصیت های غیر قابل بازی ، مدل های زبانی بزرگ ، ثبات شخصیت ، بازی سازی ، هوش مصنوعی مولد ، مرور نظام مند