Sildiarhiiv: arvuti

Lumesaha automaatne liigutamine sensorite abil

Lumesahad teepuhastusautodel on minu vaatluste põhjal tihti kas liiga madalal, kraapides teepinda, või kõrgel, jättes osa lund teele. Kui tee on ebatasane, siis on saha juhil muidugi raske sahka kogu aeg reguleerida nii, et kõrgus optimaalne oleks. Samuti on lumikatte all keeruline teed ja selle serval olevat muru eristadada, nii et sahk kraabib vahel muru ära. Selle probleemi lahendaksid sahaautole monteeritud tajurid (radar, ultraheli vms), mis lumest läbi näevad ja saha kõrgust automaatselt tõstavad või langetavad. Arvuti on võimeline tajuritelt saadava teabe põhjal sahka palju kiiremini reguleerima kui inimene, nii et saha keskmist kõrgust teepinnast saaks oluliselt vähendada, mis tagaks puhtama teepinna. Tajurid hoiataksid ka sahajuhti kui sahk teelt kõrvale kaldub ja roheala kraapima hakkab.

Kui ainult autol olevate tajurite abil on keeruline teed ja teepeenart eristada, siis võib tulevikus teid parandades teekattesse sisse ehitada odavad signaalisaatjad, mis tajuritele tee asukohta ja kõrgust teatavad. Näiteks RFID kiibid on odavad ning võtavad vastu ja saadavad raadiosignaale. Nende asukoha saaks triangulatsiooni põhjal välja arvutada ja autos monitoril näidata. Monitori asemel võib ka projektoriga esiklaasile tee piirjooned kuvada. Teine võimalus tajuritele tugevamat signaali pakkuda on lisada rauapulbrit teeserva märgistusse ja kasutada tajuritena metallidetektoreid (magneteid).

Autodesse lisatud tajurid, kas kombinatsioonis teekattes olevate signaaliedastajatega või ilma, aitaksid ka autodel teel püsida, eriti just halva nähtavusega. Kasu oleks sellest nii isejuhtivate kui inimjuhiga autode jaoks. Kui sensorid ja tehisintellekt piisavalt head on, saab lumesahad isejuhtivaks muuta.

Teel püsida aitaksid ka kaamerad, mis tee kõrval olevate objektide (teebarjäär, puud, telefonipostid) asetuse tuvastavad, mille põhjal arvuti objektide kaugused arvutaks. Täpsete kauguste võrdlus arvutisse salvestatud detailse kaardiga määrab sõiduki asukoha. Kauguste muutus tuvastab liikumiskiiruse ja -suuna. Täpseima asukohainfo saaks tõenäoliselt erinevaid teabeallikaid (kaamerad, radar, ultraheli, GPS) koos kasutades.

Mitmekülgse toitumise jaoks loeb toidu sisu, mitte vorm

Toidud, mis näevad erinevad välja ja võib-olla ka maitsevad erinevalt, näiteks sai ja pasta, võivad toitainetesisalduse poolest väga sarnased olla. Sai ja pasta on mõlemad nisu, nii et sarnane koostis pole üllatav. Seevastu kanafilee ja tofu on erinevatest allikatest, aga koosnevad mõlemad veest ja valgust (täielikust valgust, ehk kõiki vajalikke aminohappeid sisaldavast). Vee proportsioon on tofus kõrgem, aga osa sellest saab välja aurutada või pressida, mis teeks koostise väga sarnaseks.
Toidupüramiid liigitab õigustatult, kuigi lihtsustades, toidud kategooriatesse – toidud samast kategooriast annavad sarnase toitaineprofiili. Lihtsustus võib eksiteele viia kui mõnest kategooriast valida põhiliselt üksainus esindaja, näiteks riis või mais teraviljade hulgast. Nii riisis kui maisis on vähe teatud aminohappeid, mida inimkeha toota ei suuda. Täieliku valgu saamiseks peaks riisi kombineerima ubadega, mis puuduolevate aminohapete poolest rikkad.
Vahel saab toidupüramiidi ühe kategooria esindaja asendada teisega, näiteks linaseemnejahu on sarnane munaga. Taimetoitlased selle asenduse ka teevad, samuti liha asendamise sojavalgu, rauarikka spinati ja B-vitamiini rikka pärmiga.
Arvutiajastul saaks toidupüramiidi asendada palju täpsema tabelarvutusprogrammi tabeliga, kus on kirjas vajalikud toitained koos kogustega ja paljude toitude toitainesisaldused. Tabel arvutaks välja palju kombinatsioone toitudest, mis inimese kõik toitainevajadused katavad (arvestades toidu sisu, mitte vormi) ja pakuks neist kombinatsioonidest näiteks vaheldusrikka nädalamenüü (kogused ja toidud). Tabelisse võib lisada toiduainete hinnad antud piirkonnas, mis laseks arvutada näiteks kõige odavama tervisliku menüü. Lisades optimeerimisele piirangud, näiteks et sama toit ei tohi korduda tihemini kui 3 nädala tagant, saaks lisaks odavale ja tervislikule ka vaheldusrikka menüü.
Suuremahulise toitlustamisega tegelevates organisatsioonides tõenäoliselt sarnast menüüplaneerimist ja kulude optimeerimist juba tehakse, aga seda saaks lihtsalt teha ka üksikisiku tasandil.

Kuritegevuse väidetava põhjuse vähendamine

Kuritegevuses, terrorismis ja teistes probleemides süüdistatakse vahel suurt noorte vallaliste meeste hulka või suurt meeste-naiste suhtarvu, otsesemalt meeste seksuaalset frustratsiooni. Kui see tõesti kuritegevuse põhjus on, siis on lahendus lihtne: võimalikult elutruud seksrobotid nii mehi kui naisi jäljendava välimusega. Pakkudes roboti abil rahuldust igaühele riskigrupis, olgu see grupp noored mehed või keegi muu, peaksid potentsiaalsed kurjategijad frustratsioonist lahti saama, mis viiks rahumeelsele seaduskuulekale käitumisele.
Tehnoloogia elutruuks robotiks on juba olemas: naha saab teha plastikust või vahast (vahakujud on üsna elutruud), hingamisliigutusi saab jäljendada lineaarmootoriga, südamelööke basskõlariga, ka soojenduse saab sisse panna, vedelikku teatud kehaosadesse pumbata, lihtsaid häälkäsklusi odava nutitelefoni abil ära tunda jne. Skeleti saab plastikust 3D printida ja lihased tihedast vahtkummist välja lõigata. Lihase keskele võib panna kaabli, mida väike elektrimootor enda ümber kerib (ja lahti kerib) – nii saab lihaseid liigutada. Liigutused, mida seksrobot tegema peab, ei ole eriti keerulised, nii et pole vaja peenmehaanikat ega väga täpset taktiilset tagasisidet. Samuti käsklused, mida robot tundma peab, on lihtsad ja neid on vähe, nii et üsna lihtne mikrofon ja arvuti suudaksid neid tuvastada.
Põhiline sellise roboti tootmiskulu on kokkupanemise aeg ja tööjõud. Materjalid kokku maksavad ilmselt alla 1000 euro roboti kohta, eriti kui roboteid suures koguses toota. Kogukulu jääb tõenäoliselt alla 10 000.

Mida peaks matemaatikas õpetama

Kõige parem oleks igasugusele „mida peaks õpetama” küsimusele vastata empiiriliselt, ehk leida, mis teadmised teevad õpilase hiljem edukaks (mingi edukriteeriumi järgi), aga minu teada selliseks empiiriliseks uurimuseks vajalikke andmeid saada pole. Nii et spekuleerin teoreetiliselt.
1) Propositsooniline loogika ja kvantorid, ning sellele vastav hulgateooria. Rakendus: kuidas leida vastuolulisi väiteid tekstis, kuidas vältida loogika ja hulgateooria abil psühholoogiast ja käitumisökonoomikast tuttavaid otsustusvigu (Linda efekt; inimesed on nõus maksma suurem summa, et kindlustada end terrorismist põhjustatud surma vastu kui igasuguse surma vastu; inimesed reageerivad erinevalt kirjeldustele „kolmandik sureb” ja „kaks kolmandikku elab”).
2) Bayesi reegel (propositsiooniline loogika on Bayesi reegli erijuht). Algteadmise Bayesi reeglist saaks lastele anda juba siis, kui nad veel numbreid ei tunne. Näiteks joonistada neljaks jagatud ruut, kus read on „sündmus toimus” ja „ei toimunud” ning veerud „signaal näitas, et toimus” ja „signaal näitas, et ei toimunud”. Liigutades vertikaalset joont neljaks jagatud ruudus vasakule või paremale, muudame esimest ja teist tüüpi vea tõenäosust. Rakendus: tõenäosusega seotud otsustusvigade vältimine (väikeste arvude seadus, mündiviskel kolme kulli järel peab tulema kiri, Monty Halli probleem).
3) Statistika alused (põhineb Bayesi reeglil). Rõhk mitteparameetrilisel statistikal ja kliiniliste katsete tõlgendamisel, mitte vähimruutude meetodil (OLSil). Rakendus: kuidas ära tunda vigast või tahtlikult väärjäreldusele suunavat statistikat; valimi suurus ja parameetri hinnangu jaotus. Usaldusnivoo tuletamine ainult jaotuse kaudu, mitte asjana iseeneses.
4) Isiklik rahandus ja arvestus, sealhulgas liitintress, protsendid, astmeline maksusüsteem, neto- ja brutopalk.
5) Peastarvutamine poeskäimisel, sealhulgas hinna arvutamine massi- või mahuühiku kohta eri suurusega pakendite puhul, täpse vahetusraha arvutamine, kontsentraadi ja lahjendatud mahla või pesuvahendi hinnavõrdlus.
6) Lähendamine arvutustes, eriti peastarvutamisel, aga ka arvutiga numbriliselt lahendades. Rakendus: ülesande väga vale vastuse äratundmine.
7) Matemaatika rakendused teistes teadusvaldkondades (http://www.sanderheinsalu.com/ajaveeb/?p=101).
8) Optimeerimine ja mikroökonoomika alused. Riski ja kindlustuse mõistmine, eri kaupade piirkasulikkuste võrdsus, optimaalse piirkulu võrdumine piirtuluga.
9) Kuidas eristada küsimusi, mida lahendada peast, paberi ja pliiatsi matemaatikaga või arvutiga. Kuidas küsimust arvuti jaoks sobivasse vormi teisendada ja siis arvutil lahendada (www.computerbasedmath.org).
Kui on paika pandud, mida õpetada, siis saab vastata küsimusele, kuidas õpetada.
Mängude kaudu õpetamine paistab empiiriliselt olevat edukas. Mängude kaudu saaks õpetada isiklikku rahandust ja arvestust, näiteks lisada laenamine-säästmine-investeerimine ja maksud Sims tüüpi mängu, kus tuleb juhtida inimese igapäevast elu. Sinna saab lisada ka petlikud finantspakkumised, mis püüavad mängijat raha kaotama panna (Nigeeria kirjad, kiirlaenud, kasiino ja loterii, bruto- ja netopalga vahega mängimine, kõrgema palgaga elukohas on elukallidus suurem).
Lähendamise arvutimänguga õpetamiseks võib sobida sõjaline tulejuhtimine: antakse sihtmärgi kaugus, tuule suund, mürsu algkiirus jms, ning mängija peab valima, kuhu sihtida, sisestades arvulised koordinaadid. Sisestamise kiirus loeb, seega ei saa täpselt arvutada, vaid peab lähendama. Samuti saab teha mängu, kus peab arvutama, kas lennuk suudab teatud pommikaalu ja kütusehulgaga sihtmärgini ja tagasi jõuda, või kui suure pommikaalu lennukile antud kauguse, kütusekulu ja kütusehulga juures võib peale laduda.
Poeskäimisega seotud peastarvutamise õpetamiseks võib teha võistlusliku mängu, kus mängijad mõtlevad välja erinevaid tootepakkumisi (hind, kogus, kontsentratsioon, erinevate toodete ühes pakis müümine) ja peavad valima teiste mängijate erinevate pakkumiste vahel. Võidab see, kes kulutab nõutud ostukorvi peale kõige vähem raha ja suudab oma pakkumistega panna teised kõige rohkem raha kulutama (ehk suunata teised valedele otsustele). Kiirem otsustamine annab rohkem punkte, nii et tuleb arvutada kiiresti, peast ja lähendades.

Sõjaveõppus päris kuulide ja vastasega

Tõelähedasem treening on enamasti parem, aga sõjaväeõppustel on päris laskemoonaga harjutamisel teatud piirangud. Saab ainult märki lasta, sest elusa vastase pihta lastes on keeruline kellegi tapmist vältida. Päris vastastega harjutamiseks leiutati paintball, aga värvipallid ei lenda nii kaugele kui ehtne laskemoon. Lähivõitluse, näiteks linnalahingu puhul pole see eriti oluline, aga põllu ületamisel tule all küll.

Virtuaalreaalsusprillid on üks võimalus, kuidas õppusel kaks osapoolt ohutult üksteise pihta laskma panna. Teine variant on natuke vanem tehnoloogia: kinolina ja pildituvastustarkvara. Kui panna välja ühte otsa valge riie püsti ja sellele maasse kaevatud projektoritelt vastase pilt projitseerida, saab riide pihta märkilaskmist harjutada. Kui suunata riidele maasse kaevatud kaamerad, saab sellesse lastud augud pildituvastustarkvaraga registreerida. Arvutis projektorite ja kaamerate pilti võrreldes saab tuvastada, kas mõnele vastase kujutisele pihta lasti. Teisel väljal saab teine sõjaväeüksus oma välikinoga sama teha. Mõlemat üksust saab kinolina poolt filmida. Kaamera, mis seda teeb, võib küll kogemata pihta saada, aga kaamerad on tänapäeval pisikesed ja odavad, nii et mõnikord võib need õppuse kuludesse kanda.

Kui mõlemad üksused liiguvad oma kinolina poole, siis saab ühest üksusest tehtud filmi reaalajas teisele näidata, ja vastupidi. Linadesse lastud augud saab tõlgendada teisele üksusele pihta laskmisena. Kui sõduril on väike raadiosaatja, näiteks nutitelefon, saab projektorite ja kaameratega ühenduses arvuti reaalajas talle helisignaaliga teatada, et vastane talle pihta sai. Sõdur saab siis pikali kukkuda ja surnut teeselda, ja see on filmil vastasele näha. Nii saab päris laskemoonaga reaalajas reageeriva päris vastase vastu õppusi korraldada.

Anonüümse kasutajanime valik

Kui tahta anonüümseks jääda, ei tohiks kasutajanimi ega salasõna (ega midagi muud sisestatut) sisaldada infot sinu tausta kohta. Ehk kasutajanimi ega salasõna ei tohiks olla eesti keeles, vaid peaks olema inglise või mõnes muus suures keeles. Need ei tohiks sisaldada kultuurilisi viiteid (kalevsson, forestbrother), vaid peaksid olema näiteks massilevikuga arvutimängudest või filmidest (raider, halfelven, di3hard).

Väga intelligentsetest kasutajanimedest (morslongavitabrevis, lenfercestlesautres) tuleks hoiduda, kui tahta haridustausta varjata.

Kunsti loomine arvutiga

Kunsti loomiseks arvutiga on kolm taset – testimine, poolautomaatne genereerimine ja täisautomaatne genereerimine.

Testimiseks loob inimene mingi ühiku potentsiaalset kunsti, programm võrdleb seda olemasoleva kunsti andmebaasiga ja annab infot selle kohta, kui palju ja kus esitatud ühik andmebaasi keskmisest mingite parameetrite poolest erineb (raamatul nt sõnade pikkuse, esinemissageduse, lausete pikkuse ja liigi).

Poolautomaatne genereerimine on see, kui programm loob elemente kunstivormist, inimene valib nende hulgast mõned ja paneb kokku. Arvuti võib näiteks luua luuleridu etteantud silpide arvu ja riimiskeemiga. Inimene valib mõned ja paneb luuletuseks kokku. Arvuti võib enne võrrelda genereeritud elemente andmebaasis olevate teostega, et vältida plagiaati.

Täisautomaatne genereerimine on see, kui arvuti loob valmis kunstiühiku. Näiteks võtab arvuti maalide andmebaasi, kasutab kujutise äratundmise algoritme, et maalide elemendid eraldada. Siis paneb arvuti teatud viisil valitud maalide elemendid kokku üheks pildiks ja loob sellele pildile ühtse stiili, nt imiteerides pintslitõmbeid või moonutades kujutisi teatud viisil.

Tänapäeval suudaksid arvutid õige programmi abil täisautomaatselt genereerida luuletusi, sõnamänge, maale, skulptuure (3D printimise abil), muusikapalu. Poolautomaatselt saaks lisaks genereerida sisuplaane näidendite, raamatute, filmide jaoks. Nende sisuplaanide põhjal võib siis inimene vastava kunstiühiku luua, lisades sisu kokkuvõttele kirjeldused ja detailid.

Testida saaks piisava arvutusvõimsuse olemasolul peaaegu kõiki kunstiliike. Esinemiskunsti puhul peaks selle mitme nurga alt filmima, et arvuti seda 3D-s võrrelda saaks. Kõige selle jaoks on vaja eelneva kunsti andmebaase.

Uudiste automaatkirjutus

Uudiste tekstid on aja ja sündmuste lõikes omavahel üsna sarnased. Need langevad teatud kategooriatesse, näiteks “sõjategevuses X ja Y vahel hukkus niipalju ühelt poolt, naapalju teiselt poolt” või “avaliku elu tegelane T mõistis hukka vägivalla X ja Y vahel” või “katastroofis (lennuõnnetus, laevahukk, üleujutus, maavärin) kohas K hukkus n inimest” või “selle kuu statistika näitab, et tööpuudus on x protsenti, inflatsioon y protsenti” või “valimised kohas K võitis partei P” või “A ja B alustasid/jätkasid/lõpetasid läbirääkimisi teemal T.”
Selliseid uudiseid võib kirjutada arvuti. Vaja vaid mingit andmebaasi, kuhu sisestatakse koht, aeg, tähtsad isikud, sündmuse liik, surnute ja vigastatute arv jne. Sisestamine nõuab pisut inimtööd, aga säästab kirjutamise ja tõlkimise aega, sest igasse väljaandesse ja keelde saab artikli automaatselt. Tuleb vaid asendada teatud sõnad ja numbrid vana uudise tekstis uutega.

Arvutiajastu hindamissüsteemist

Tudengi hindamisel ülikoolis on probleem see, et tahaksime teada nii tudengi andekuse ja töökuse kombinatsiooni kui ka aine raskust, aga vaadeldav on ainult üks number – hinne. Kuna hinne H sõltub nii andekusest A kui aine raskusest R (näiteks funktsioonina H=A-R), ei saa andekust ja raskust ainult hinde põhjal eristada. Pole võimalik ühe võrrandi põhjal leida kahte muutujat.

Probleem leeveneb, kui vaadeldav on mitme tudengi hinne mitmes aines. Näiteks kui kaks tudengit, A ja B, võtavad mõlemad aineid C ja D, siis on meil vaatlustena neli hinnet ja tahame leida kahe tudengi andekust ja kahe aine raskust. Seega on meil neli võrrandit nelja tundmatuga ja ülesanne on lahendatav.

Kui tudengid valivad oma ained nii, et maksimeerida oma keskmist hinnet, siis tekib uus probleem – kui ainete raskused või hindamispõhimõtted pole teada, ei saa keskmise hinde põhjal tudengi andekust mõõta. Üks võtab lihtsaid aineid ja saab kõrge keskmise hinde, teine raskeid aineid ja saab madala keskmise hinde, aga andekus on sama. Seda kallutatust on püütud leevendada suhtelise hindamisega, mille korral näiteks parimad 10% aines saavad A, järgmised 20% B jne. Kui aine on raske, saavad kõik tudengid madala absoluutpunktisumma, aga kuna hinne tekib suhtelise punktisumma põhjal (näiteks jagatakse kõigi punktisumma aine parima tulemusega), siis on raske aine keskmine hinne sama, mis lihtsas aines.

Siit tekib aga uus mure, sest tudengid võivad püüda valida aineid, kus ülejäänud tudengid on keskmisest viletsamad. On lihtsam saada teistest paremat tulemust, kui teised on nõrgad. Kui tahame teada tudengi andekust, tuleb hinnet selle kallaku võrra korrigeerida, näiteks võttes arvesse teiste seda ainet võtvate tudengite keskmist hinnet (absoluutset või suhtelist) ülejäänud ainetes. Kui teised on nõrgad, on nende keskmine hinne muudes ainetes madal.

Aga siit tekib järgmine probleem, sest hinnet maksimeerivad tudengid tahavad võtta aineid, kus teised tudengid on keskmisest viletsamad ja võtavad aineid, mis on kas lihtsad või kus teised tudengid on samuti keskmisest viletsamad. Tundub, et iga probleemi lahendades tekib sellest uus probleem, ehk tegu on lõpmatu probleemijadaga. Igal lõplikul hinde korrigeerimise tasemel süsteemi on võimalik manipuleerida, püsides selle korrigeerimistasemest ühe sammu võrra ees – absoluuthinde puhul võttes lihtsaid aineid, suhtelise hinde puhul võttes rumalate tudengitega aineid, teiste hindega korrigeerimise puhul võttes aineid rumalate tudengitega, kes võtavad teisi lihtsaid aineid või teisi aineid rumalate tudengitega.

Kõiki ülaltoodud hindemanipulatsiooni probleeme saab lahendada korraga, tehes kõik korrigeerimised korraga. Sarnane probleem on ammu lahendatud otsingumootorite poolt – kõik veebilehed tahavad näida populaarsed, seega kuidas leida tegelikult populaarseid veebilehti. Üks võimalus oleks lugeda populaarseks need veebilehed, millele viitab palju teisi lehti. Aga siis tekiks veebilehe pidajatel motivatsioon luua palju võltsveebilehti, mis viitavad nende veebilehele. Võttes arvesse viitavate veebilehtede populaarsust, püsiksid veebilehtede omanikud ühe sammu ees, kui looksid võltsveebilehti, mis viitavad teistele võltsveebilehtedele, mis viitavad nende veebilehele. Ja viitavatele veebilehtedele viitavate veebilehtede populaarsuse arvesse võtmisel tehtaks veel üks samm edasi ja tõstetaks kunstlikult viitavatele veebilehtedele viitavate veebilehtede populaarsust.

Lahendus on korraga võtta arvesse kogu süsteemi. Veebilehtede puhul kogu veebilehtede ja linkide võrgustikku, tudengite hindamise puhul kogu tudengite ja ainete võrgustikku. Viimase puhul on tegemist kaht tüüpi sõlmedega võrgustikuga (bipartite graph), kus tudengid ja ained on võrgustiku sõlmed ning tudengi ja aine vahel on side, kui tudeng võtab seda ainet. Hindamise jaoks on vaid tarvis kõigi tudengite absoluutpunktisummadele kõigis ainetes rakendada veebilehtede populaarsusjärjestusse paneku algoritmi sarnast programmi. Kõigist hinnetest korraga on võimalik välja arvutada kõigi ainete raskused ja kõigi tudengite andekused, kui iga tudeng võtab vähemalt kaht ainet ja iga ainet võtab vähemalt kaks tudengit.

Realistlikkusest jääb ülaltoodud mudelil muidugi kõvasti puudu. Eeldusteks on ühemõõtmeline andekus, tudengite omavaheliste vastasmõjude ja tudengi-aine vastasmõjude puudumine, ainete valik vaid keskmise hinde maksimeerimiseks. Siiski, ühegi eelneva eelduse väärus ei tundu tekitavat kogu ülikooli hindeinfot arvesse võtva hindamissüsteemi kasutamisel negatiivset efekti.

Raamatute ja arvutimängude lähenemine

Parimate arvutimängude taustalugu on juba keskmise raamatu tasemel. Kuna arvutimänguäris on rohkem raha kui raamatute kirjastamises ja hea lugu aitab arvutimängu müüa, lähevad arvutimängud varsti sisu poolest raamatutest mööda.

Elektrooniliste lugejate ja e-raamatute levik lähendab raamatuid teistele meediavormidele – raamatutesse saab lisada videoklippe, lugeja saab anda e-raamatule tagasisidet ja sellega lugu muuta. Kindlasti hakatakse e-raamatutesse ka väikseid mänge lisama. Arvutimängudes saab juba praegu raamatuid lugeda, edaspidi tekib ka vastupidine sisalduvus.

Piir e-raamatute ja arvutimängude vahel hakkab tulevikus hägustuma, nagu ka teiste elektrooniliste meediavormide vahel. Arvutimängu võib pidada interaktiivseks filmiks, filmi visuaalseks raamatuks. DVD-filmide puhul saab vaataja valida, millist stseeni vaadata, arvutimängu puhul millist tegevusliini järgida. Neid aspekte saab lihtsasti üksteisele lähendada.

Tegevuse edasiandmiseks sobivad filmid ja arvutimängud paremini, samas tegelaste mõtete ja tunnete kirjeldamiseks on raamatutekst parem. Mõlema meediavormi tugevaid külgi saab e-raamat-film-mänguna kombineerida – vahel kirjeldatakse olukorda tekstina, vahel näidatakse filmijuppi, seejärel tuleb lugejal-vaatajal-mängijal ise tegutseda ja ülesandeid lahendada. Võib saada valida, kas tahetakse tegelane ise läbi sündmustiku juhtida või pigem passiivselt vaadata või lugeda, kuidas film või tekst areneb.