본 논문은 심각한 게임(SGs) 개발 과정에서 개인화되고 향상된 플레이어 경험을 제공하기 위한 수단으로 절차적 콘텐츠 생성(PCG)을 통합하는 데 중점을 두고 있습니다. 하지만 SG에 PCG 기법을 통합했을 때의 영향을 평가하는 프레임워크 개발은 특히 어렵습니다. 이 연구는 심층 강화 학습(DRL) 게임 테스트 에이전트를 통합하여 SG에서 PCG 통합을 자동으로 평가하기 위한 방법론을 제안합니다. 제안된 프레임워크의 유효성을 검증하기 위해, 카드 게임 메커니즘을 특징으로 하고 NPC 생성을 위한 세 가지 다른 버전의 PCG를 통합한 기존 SG를 배포했습니다. 버전 1은 무작위 NPC 생성을 특징으로 하는 반면, 버전 2와 3은 유전 알고리즘 방식을 사용합니다. 이러한 버전은 제안된 프레임워크의 에이전트에 대한 다양한 동적 SG 환경의 영향을 테스트하는 데 사용됩니다. 결과는 버전 2와 3에서 훈련된 DRL 게임 테스트 에이전트가 승률(게임당 승리 수)과 훈련 시간 측면에서 버전 1에서 훈련된 에이전트보다 우수함을 강조합니다. 특히, 일반적인 게임 플레이를 에뮬레이션하는 테스트 실행에서 버전 2와 3 모두 97%의 승률에 도달했고, 94%의 승률에 도달한 버전 1에 비해 통계적으로 유의미하게 높은(p=0.0009) 승률을 달성했습니다. 전반적으로 결과는 제안된 프레임워크가 SG에서 절차적으로 생성된 콘텐츠 평가를 위한 의미 있는 데이터를 생성할 수 있는 능력을 옹호합니다.
