Resumen:Este estudio evalúa agentes de Inteligencia Artificial (IA) para Dhumbal, un juego de cartas multijugador culturalmente significativo con información imperfecta, a través de una comparación sistemática de estrategias basadas en reglas, basadas en búsqueda y basadas en aprendizaje. Formalizamos la mecánica de Dhumbal e implementamos diversos agentes, incluidos enfoques heurísticos (agresivo, conservador, equilibrado, oportunista), métodos basados en búsqueda como Monte Carlo Tree Search (MCTS) y Information Set Monte Carlo Tree Search (ISMCTS), y enfoques de aprendizaje por refuerzo que incluyen Deep Q-Network (DQN) y Proximal Policy Optimization (PPO), y una línea de base aleatoria. La evaluación implica torneos dentro de cada categoría seguidos de un campeonato entre categorías. El rendimiento se mide mediante la tasa de victorias, el resultado económico, el éxito de Jhyap, las cartas descartadas por ronda, la evaluación de riesgos y la eficiencia de las decisiones. La significación estadística se evalúa mediante la prueba t de Welch con corrección de Bonferroni, los tamaños del efecto mediante la d de Cohen e intervalos de confianza (IC) del 95%. En 1024 rondas simuladas, el agente agresivo basado en reglas logra la tasa de victoria más alta (88,3 %, IC del 95 %: [86,3, 90,3]), superando a ISMCTS (9,0 %) y PPO (1,5 %) mediante la explotación efectiva de las declaraciones Jhyap. El estudio aporta un marco de IA reproducible, conocimientos sobre la eficacia heurística bajo información parcial y código de fuente abierta, avanzando así la investigación de la IA y apoyando la preservación digital de los juegos culturales.
Publicado originalmente en export.arxiv.org el 14 de octubre de 2025.
Ver fuente original
