Svårighet är en svår aspekt att balansera i videospel. Vissa människor föredrar videospel som utgör en utmaning medan andra tycker om en enkel upplevelse. För att göra denna process enklare använder de flesta utvecklare dynamisk svårighetsjustering (DDA). Tanken med DDA är att justera svårighetsgraden för ett spel i realtid efter spelarens prestanda. Till exempel, om spelarens prestation överträffar utvecklarens förväntningar för en given svårighetsnivå, kan spelets DDA-agent automatiskt höja svårigheten för att öka utmaningen som spelaren får. Även om den är användbar, är den här strategin begränsad genom att endast spelarens prestation beaktas, inte hur roligt de faktiskt har.

I en nyligen publicerad studie publicerad i Expert Systems With Applications , beslutade ett forskarlag från Gwangju Institute of Science and Technology i Korea att sätta en twist på DDA-metoden. Istället för att fokusera på spelarens prestation utvecklade de DDA-agenter som justerade spelets svårighetsgrad för att maximera en av fyra olika aspekter relaterade till en spelares tillfredsställelse:utmaning, kompetens, flöde och valens. DDA-agenterna utbildades via maskininlärning med hjälp av data som samlats in från faktiska mänskliga spelare, som spelade ett slagsmål mot olika artificiell intelligens (AI) och sedan svarade på ett frågeformulär om sina erfarenheter.

Med hjälp av en algoritm som kallas Monte-Carlo-trädsökning, använde varje DDA-agent faktiska speldata och simulerade data för att ställa in den motsatta AI:s kampstil på ett sätt som maximerade en specifik känsla, eller "affektivt tillstånd".

"En fördel med vårt tillvägagångssätt jämfört med andra känslocentrerade metoder är att det inte förlitar sig på externa sensorer, såsom elektroencefalografi", säger docent Kyung-Joong Kim, som ledde studien. "När den har tränats kan vår modell uppskatta spelarstatus endast med hjälp av funktioner i spelet."

Teamet verifierade – genom ett experiment med 20 frivilliga – att de föreslagna DDA-agenterna kunde producera AI:er som förbättrade spelarnas övergripande upplevelse, oavsett deras preferenser. Detta är första gången som affektiva tillstånd införlivas direkt i DDA-agenter, vilket kan vara användbart för kommersiella spel.

"Kommersiella spelföretag har redan enorma mängder spelardata. De kan utnyttja dessa data för att modellera spelarna och lösa olika problem relaterade till spelbalansering med hjälp av vårt tillvägagångssätt", säger docent Kim. Värt att notera är att denna teknik också har potential för andra områden som kan "gamifieras", såsom hälsovård, träning och utbildning. + Utforska vidare

Studie visar att relationer mellan spelare och karaktär påverkar tillfredsställelsen med videospel