LLMによるトレーディングカード生成から「手続き的な関連性」へ：ポケモンのケーススタディ

要旨: トレーディングカードゲームが始まって以来、このジャンルは世界中の何百万人ものアナログおよびデジタルのプレイヤーを惹きつける、数十億ドル規模の産業へと成長してきました。人気のTCGは、継続的なアップデート、バランス調整、そして制約のローテーションによってエンゲージメントを維持しています。しかし、メタゲームが安定すると、予測可能な戦略が優勢になり、実行可能なカードの選択肢が減ってしまい、その結果、反復的で損なわれたプレイヤー体験につながることがしばしばあります。
本論文では、TCGカードのための手続き的コンテンツ生成において、大規模言語モデルと画像拡散モデルを用いることを調査し、個別化された「無限」のカードデザインを可能にすることでこれらの課題に取り組みます。現代の生成AIは、大規模なコンテンツ作成を可能にするだけでなく、手続き的な関連性を導入し、プレイヤーとそのカードとの間に独自のつながりを育む可能性があります。私たちは、プレイヤー中心の共同創作、微調整した埋め込み、ローカルLLM、そして拡散モデルを組み合わせたパイプラインを提示します。このパイプラインは、動的で個別化されたカードを生成しつつ、創造の幅を潜在的に拡張します。
私たちは、このパイプラインをユーザー調査で評価しました。49人の参加者が196枚のポケモンカードのサンプルを生成しました。参加者は、視覚とメカニクスの美しさおよび代表性を評価し、さらに定性的なフィードバックを提供しました。その結果は高い満足度を示し、また参加者の大半がプロンプトの調整によって自分自身のアイデアを首尾よく実現できたことを示唆しています。これらの知見は、将来のコンテンツ生成システム、ならびに手続き的関連性による従来のメタゲーム進化に対する代替案のための土台を築くものです。