简介
我们很好奇玩我们游戏的玩家都是些什么样的人,他们有些什么样的特点,会以怎样的方式游戏。然后我们可以以此改进我们的游戏设计。但直接问他们又是不可能的,这辈子都不可能的。那么我们会如何实现这个目标呢?
一个有点像魔塔的游戏
我们所要测试的游戏, MiniDungeons ,是一个类似魔塔但却大大简化的游戏。上图是其中的一关,每关由12×12的网格组成,你需要操控我们勇士——就是那个左手拿个盾牌,右手拿个蜡烛,傻不拉几站在那儿的就是我们的勇士——活着从上楼处走到另一个向下的楼梯处就算通过了这关。
不过前进之路没那么顺利,你要是遇到药水,你的生命会增加,遇到宝藏,那么你的宝藏计数器会加一,此外毫无用处。但要是你遇到了恶魔,就是那个浑身绿色,站在那儿好像在说:“我的膝盖中了一箭”的恶魔,就必须与之战斗,然后你就会损失掉相当于于一药水瓶的血量。
我们的游戏一共有10个关卡。
设定不同性格的电脑玩家
我们请来五个不同性格电脑玩家,让他们游玩,并将他们的行为与我们的人类玩家比较,看看玩我们游戏的究竟是喜欢看小马宝莉的古怪大叔,还是喜欢看《山》的佛系玩家,或其它什么不明生物之类的。
总之,我们请来的五个电脑玩家性格分别如下:
- 保守玩家(baseline player),我们简称他为 B。他对打怪捡金币什么的不甚感兴趣,只想快点到达终点。
- 大脚丫(Runner),我们简称他为 R。他的特点是懒,每次都选择步数最少的路线,哪怕前面有恶魔,刀山火海或者碰瓷的,也绝不肯多走一步。
- 求生者( Survivalist),我们简称他为 S。他的特点是求生欲极强,不愿意作战,每次遇到恶魔都尽量避开。
- 恶魔杀手(Monster Killer),我们简称他为 M。他的特点是极为冷血,没得感情,希望干掉尽量多的恶魔。
- 寻宝者(Treasure Collector ),我们简称他为 T。他的特点是没得钱,因此希望找到尽量多的宝藏。
我们强迫这些电脑人去上一门名叫“Q-learning”的课,然后让他们在游戏中实习,根据他们在游戏中的不同表现给分,如下表,并敦促他们努力追求高分。
人类玩家数据收集分析
我们邀请了很多人来玩我们的游戏,其中我们使用38根棒棒糖诱惑的那38个人类玩家都成功通关了。之后我们有了如下发现:
- 游戏一共有 70 个宝藏,而 32 个玩家都收集了至少 60 个。
- 游戏一共有 40 个药水,而 22 个玩家都喝下了至少 30 个。
- 玩家平均走过了 600 个地块,而其中两个玩家走过的地块连 400 个都不到
- 游戏一共有 80 个恶魔,但只有 13 个玩家杀死了 60 个以上,没人全部杀死
我们收集到了这些数据,却不知道该怎么处理它们。于是我们又制作了玩家行走路径的 heatmap。a,b,c,d,e,f 分别代表不同玩家玩同一关时的行走路线。亲爱的读者,你们有什么发现吗?
我们经研究发现,a 那位简直就是个变态,想要收集所有的药水和宝藏,想要击败所有的恶魔,我们猜他会对《血缘》和《只狼》感兴趣。而 e 这位明显想快速通关,然后可能是回家收衣服什么的吧…废话说了一堆,但我们还是无法知道游戏该怎样改进。别急吗,下面有请我们电脑玩家出场。
电脑玩家数据收集分析
到了验收电脑玩家成果的时候了。来看看他们的成绩单吧。
我们强迫每位电脑玩家都完了20遍游戏,一共两百关。反正电脑玩家傻效率高,没事。以下数据均为每遍的平均数。
对此,我们只想说:
有 20% 的利润,它就活跃起来;有 50% 的利润,它就铤而走险;有 100% 的利润,它就敢践踏一切人间法律!
——经济评论家邓宁
不过,我们还是制作了一个 heatmap 图来看看电脑人究竟干了些什么。
左边这张图,是保守玩家,大脚丫和求生者走的一模一样的路线。中间这张图为恶魔杀死的路线,而右边是寻宝者的路线。
鉴于保守玩家,大脚丫和求生者走的路线一模一样,我们有充分的理由怀疑他们相互抄袭,于是又让他们补考了一次,并展示他们补考的结果。下图从左到右分别是保守玩家,大脚丫和求生者。
那么玩我们游戏的究竟是些什么人?
现在我们终于回到最初的问题了。我们知道每个玩家玩游戏时会受到影响,在不同关卡的表现也不尽相同。比如你玩得好好的,就快赢了,你妈妈却突然告诉你你只能再玩 10 分钟,然后必须做作业去,于是你再也静不下心,然后就反胜为败了。
假设某个玩家的路径为 N(a),而某种电脑的路径为 N。我们将比较人类和电脑人的 heatmap,即每位玩家在每关的路径,与每种电脑人的路径符合度,从而判断他们在每关究竟是哪种类型的玩家。
除了之前提到的 5 种电脑人以外,我们还邀请来一个没上过课的随机漫步的傻瓜,简称为 Z,特点就是毫无目的,随便乱走。
如下图所示,level 的意思为“关卡”,Total 的意思为“总数”。
从表中来看,大多数玩家都很符合“寻宝者”的特性。heatmap 对比的结果,也符合我们之前收集人类玩家数据时的分析。
所以呢?
Nicole Lazzaro 说过:“A game’s value proposition is how it makes its players think and feel. Players don’t buy games,they buy experiences ”。
照这样说的话,玩家并不只是想玩我们的游戏,而是想体验收获宝藏并逃出恶魔的重重包围的感觉,而不太在意走过多少地块或杀死多少恶魔。而且我们可以推测,这个规则不仅适用于我们的游戏,也适用于大部分冒险类游戏。
有了这个依据,我们就能大刀阔斧改进游戏设计了。玩家不就是想突破阻碍拿宝藏吗,不就是想体验一下不入虎穴焉得虎子的感觉吗?好,那我们可以安排围墙巧妙地守卫住宝藏,玩家需要需要按特定顺序穿过过道才能拿到宝藏;又或者宝藏分为几个等级,等级越高的宝藏由越厉害的恶魔守卫,击败高等级恶魔也需要更高等级的技能…
总结
这篇文章总结了使用冰淇淋引诱玩家的方法,那就是很多人都喜欢巧克力口味的,有的人甚至非巧克力口味的就不要……等等,好像跑偏了,不好意思哈。
嗯,在这篇文章里,我们使用计算机的帮助来分析游戏玩家的行为,并且证明这种方法是相当有效的。当然,我们不止是想借此来观察游戏玩家的行为,更想借此满足我们的不灭的好奇心,满足我们为玩家开发有趣游戏的愿望。
以及, Georgios N. Yannakakis 和 Nicole Lazzaro 是两位游戏设计的大佬。没事时可去谷歌学术上瞻仰一下他们。
参考
[1] Christoffer Holmgård, Antonios Liapis, Julian Togelius & Georgios N. Yannakakis . Generative Agents for Player Decision Modeling in Games Generative Agents for Player Decision Modeling in Games
后记
之前翻译的两篇尽管赞和收藏了不少,但几乎没评论,我在想是不是太晦涩难懂了,所以虽然主要内容仍然来自参考文献,但换了另一种文风,不知道大家看起来感觉怎么样?
我觉得这种量化研究的论文其实不是太需要评论啊,收藏了就好。之前你那篇谈论给谜题困难度分级的,让我想起有一年的建模美赛(去查了一下,是 MCM2008 的 B题)也是说给数独难度分级的。当时我差点儿就回复了,后来想想,如果只是回复“哈,当年我也做过这个”,那也太水了,于是才作罢了。
@方程:哈,当年我也做过这个
@方程:嗯。我只是不想大家觉得文章太晦涩,而不敢去看了。除了轻松的文风外,评论或许也能活跃一下气氛吧
已拜读!
每个玩家都有成为资本家的潜质,哈哈哈
因为没在做冒险类游戏,所以没回复,不过想想人性嘛,所有游戏都通用的
但是个体还是有差别的,像RTS,SLG什么的,虽然让玩家陷入重围最后杀出来会让玩家感觉很爽,但次数一多玩家就会说“什么破游戏,明明我已经运营的很好了,怎么还被包围了!”
非常的有意思,挖了坐着的一本书《Artificial Intelligence and Games》收起来有空读下。