대규모 보드게임 체험 전문가가 등장했습니다! 신속한 평가 및 제안 제공은 물론, 다양한 유형의 플레이어 간 경험 차이까지 시뮬레이션할 수 있습니다.
최근 산다 도쿄 연구소, 상하이 혁신 아카데미, 난카이 대학, 상하이 인공지능 연구소의 연구팀이 실제 플레이어의 시점을 시뮬레이션하고 역동적인 게임 경험을 바탕으로 건설적인 비판을 제공할 수 있는 최초의 가상 시뮬레이션 모델인 MeepleLM을 공동으로 제안했습니다.
AI 평가의 모호한 느낌을 완화하기 위해 연구팀은 1,727개의 구조화된 보드 게임 규칙서와 15만 건의 실제 플레이어 리뷰를 포함하는 전용 데이터 세트를 구축하여 "객관적인 규칙"과 "주관적인 경험" 간의 매핑 관계를 설정했습니다.
이러한 기반 위에 연구팀은 고전적인 MDA(메커니즘-역동성-미학) 게임 디자인 이론을 도입하여 추론의 핵심을 구축했습니다. 이를 통해 모델은 정적인 텍스트를 초월하여 게임 실행 중 동적인 상호작용을 추론하고, 평가 데이터에서 다섯 가지 전형적인 플레이어 프로필을 추출하여 AI가 특정 선호도를 내면화함으로써 "천 명에게 천 가지 얼굴이 있다"는 실제 느낌을 시뮬레이션할 수 있게 되었습니다.
실험 결과에 따르면 MeepleLM은 플레이어 평판 및 평점 분포를 재현하는 정확도 측면에서 GPT-5.1 및 Gemini3-Pro와 같은 일반 모델보다 훨씬 우수한 것으로 나타났습니다.
보드게임 디자인에서 '블라인드 박스'의 딜레마
보드게임 산업은 급속한 성장을 경험하고 있지만, 디자인 과정은 여전히 상당한 어려움에 직면해 있습니다. 비디오 게임과 달리 보드게임 경험은 플레이어 간의 사회적 상호작용과 규칙의 생성 효과에 크게 의존합니다 .
기존의 디자인 프로세스는 사람의 플레이 테스트에 크게 의존하는데, 이는 시간과 노력이 많이 소요될 뿐만 아니라 모든 유형의 플레이어의 선호도를 포괄하기 어렵다는 한계가 있습니다. 기존의 일반화된 대형 모델(LLM)은 텍스트를 이해할 수는 있지만, 게임 메커니즘이 감정적 경험으로 어떻게 이어지는지에 대한 깊이 있는 이해가 부족한 경우가 많습니다. 이러한 모델이 생성하는 제안은 대개 모호한 "진술"이거나 단순히 규칙을 재해석한 것에 그쳐, 다양한 플레이어 관점에 기반한 심층적인 통찰력을 제공하지 못합니다.
이러한 교착 상태를 해결하기 위해 연구팀은 규칙을 이해할 뿐만 아니라 "인간 본성을 모방"할 수 있는 가상 테스터인 MeepleLM을 제안했습니다.
△
인공지능에게 디자이너처럼 생각하도록 가르치기
MeepleLM의 핵심적인 혁신은 평가를 단순한 텍스트 생성 작업으로 취급하지 않고, 객관적인 규칙에서 주관적인 경험으로 이어지는 인지적 연결 고리를 구축한다는 점에 있습니다.
1. 고품질 전문 데이터 세트
연구팀은 계층적 표본 추출 전략을 사용하여 난이도와 연도가 다양한 1,727개의 대표 게임을 선정하고, 비정형 PDF 규칙서를 정형 문서로 변환했습니다. 그 결과 1,727개의 정형 규칙서와 15만 개의 고품질 주석으로 구성된 데이터 세트를 얻었습니다.
한편, 180만 건에 달하는 방대한 댓글 데이터를 처리하기 위해 연구팀은 엄격한 필터링, MDA 점수 계산, 의미 차원 인식 등을 포함하는 자동화된 처리 흐름을 설계했습니다. 최종적으로 , "게임 메커니즘" 및 "역동적인 경험"과 밀접하게 연관된 고품질 댓글 데이터 중 약 8%를 선별하여 모델이 진정한 "경험에 대한 통찰력"을 학습할 수 있도록 했습니다.
△
2. MDA 인지 사슬(사고의 사슬)
MeepleLM은 모델이 "재미"의 원인을 이해하도록 돕기 위해 고전적인 게임 디자인 프레임 MDA(메커니즘-역동성-미학)를 사고 과정으로 도입합니다.
게임 규칙 : 게임 규칙은 무엇인가요? (TheWhat)
동적 특성 : 규칙 실행 중에 어떤 상호 작용이 발생합니까? (방법)
미학 : 이 상호작용은 플레이어에게 어떤 감정적 경험을 선사하는가? (느낌)
이러한 명시적인 추론 경로를 통해 모델은 더 이상 추측하는 것이 아니라 경험적 결과를 논리적으로 도출하게 됩니다.
3. 다섯 명의 선수 프로필
"사람마다 입맛이 다를 수 있다." 동일한 게임 메커니즘에 대한 플레이어들의 반응은 극명하게 갈린다. 연구팀은 군집 분석을 통해 데이터 기반의 전형적인 플레이어 프로필 5가지를 식별했다.
시스템 순수주의자: 궁극적인 균형과 논리를 추구하며, 무작위성을 혐오한다.
효율성 핵심주의자: 이들은 원활한 업무 흐름을 우선시하며 지루한 작업을 싫어합니다.
내러티브 아키텍트: 몰입감 넘치는 스토리텔링과 현장감, 그리고 주제를 뒷받침하는 게임 메커니즘.
사회적 윤활유 역할: 사회적 상호작용을 위해 게임을 즐기고, 농담과 대화를 좋아합니다.
스릴 추구자: 높은 리스크 과 높은 보상이 주는 스릴, 주사위 놀이의 즐거움.
MeepleLM은 이러한 특정 프로필을 "역할극"으로 구현하여 특정 선호도에 따른 다양한 피드백을 제공할 수 있습니다.
△
플레이어를 더 잘 이해하는 가상 리뷰어
연구팀이 결과를 검증하기 위해 207개 게임(2024-2025년 신작 포함)에 대해 광범위한 테스트를 진행했습니다.
△
1. 거시적 수준의 점수 정렬:
GPT-5.1과 같은 범용 모델은 흔히 부드럽고 친절한 척하며 7~10점이라는 안전한 점수를 주는 경향이 있습니다. MeepleLM은 이러한 "긍정적 편향"을 극복하여 강점뿐 아니라 플레이어가 게임을 그만두게 만드는 치명적인 약점까지 정확하게 포착함으로써 실제 커뮤니티의 양극화된 평가 패턴을 정확하게 반영합니다.
△
2. 미시적 수준의 평가 품질:
MeepleLM은 논평을 생성할 때 사실적 정확성과 다양한 관점 의 균형을 유지합니다. 그림 6에서 볼 수 있듯이, *One Night of the Ultimate Werewolf*에 대한 리뷰에서 Qwen3-8B는 일반적이고 과장된 감상적 어조("비극적인 드라마")를 사용하는 반면, GPT-5.1은 객관적인 기자처럼("소셜 미디어에 능숙한 윤활유") 말합니다. 그러나 MeepleLM은 각 캐릭터의 고유한 목소리를 진정성 있게 포착합니다.
이 모델은 사회적 맥락에서는 커뮤니티 속어(예: "알파 플레이어")로 자연스럽게 전환하고, 순수주의자들을 대면 할 때는 기술적인 설명(예: "변형 규칙")으로 전환할 수 있어, 단순히 지식을 가져오는 것이 아니라 플레이어의 관점을 진정으로 시뮬레이션한다는 것을 입증합니다.
△
3. 실용적 가치:
과거 댓글에서 실제 관점 클레임 하고 모델이 생성한 시뮬레이션 댓글과 의미론적으로 비교 분석한 결과, MeepleLM이 가장 높은 Op-Rec 값을 보여 시장 피드백 예측 및 다양한 플레이어 의견 제시 측면에서 실질적인 가치를 입증했습니다.
10가지 유형의 플레이어를 대상으로 한 블라인드 A/B 테스트에서 MeepleLM은 진정성 및 의사 결정 확신도와 같은 측면에서 GPT-5.1보다 훨씬 뛰어난 성능을 보였습니다. 사용자 중 70% 이상이 MeepleLM을 구매 결정의 참고 자료로 활용했으며, "마케팅 문구처럼 느껴지지 않았다"고 답했고, 잠재적인 디자인 결함을 파악하는 데 더 효과적이었다고 평가했습니다.
상호작용 시스템 평가를 위한 새로운 패러다임
MeepleLM은 정적인 규칙과 동적인 경험을 연결함으로써 일반적인 대화형 시스템의 자동화된 가상 테스트를 위한 새로운 패러다임을 구축합니다.
이는 예상되는 시장 피드백을 기반으로 디자인 반복 작업을 가속화하고 플레이어가 개인화된 선택을 할 수 있도록 지원합니다. 이를 통해 '경험 인식' 기반의 인간-컴퓨터 협업이 가능해지며, 모델이 단순한 기능 도구에서 점차 청중의 주관적인 감정을 이해할 수 있는 공감형 파트너로 발전할 수 있습니다.
논문 제목:
MeepleLM: 다양한 주관적 경험을 시뮬레이션하는 가상 플레이테스터
논문 링크:
https://arxiv.org/abs/2601.07251
프로젝트 링크:
https://github.com/leroy9472/MeepleLM
제1 저자:
Zizhen Li (Shanda AI Research Tokyo/Nankai University)
교신 저자:
장개봉(Shanda AI Research Tokyo)
이 글은 MeepleLM 팀이 작성하고 36Kr의 허가를 받아 WeChat 공식 계정 "Quantum Bit" 에 게시된 글입니다.
