首页益智游戏 › 益智游戏:玩家动机

益智游戏:玩家动机

这些吸引力中,覆盖面最广的是情绪管理。我将此作为单独一种吸引力,而非针对每种吸引力(放松、娱乐、活跃等)分别提出一种情绪管理方式,不仅仅是因为扩展开来的话会更冗长,而是为了明确区分基于玩法行为的吸引力及其产生的情感状态。

顾名思义,探索者喜欢跑到游戏的各个角落尽情尝试,然后回到自己的社区或是圈子,宣布”我发现了XX!”某种程度上说,这种经验是很客观的。适合探索者的经典游戏就是任天堂设计的超级马里奥。玩家必须尝试100次甚至更多,来发现管道和砖块后藏着的隐藏关卡,然后告诉其他玩家攻略以获得奖励。

方法

创建游戏性设计元素框架的过程遵循以下步骤:

  1. 调查设计:一篇文献综述,列出了游戏化中常用的游戏性设计元素;

  2. 数据收集:在线调查,了解参与者对列表中元素的偏好;

  3. 因素分析:主要成分分析,根据用户的喜好将元素分组;

  4. 组件解释:对每个组的组成进行分析,并对其进行解释和标注;

  5. 层次聚类:层次聚类分析将元素组进一步集中到高级结构中。

在Bartle的理论中,每个玩家都会因为不同的游戏动机而分属于不同类别,如游戏中有80%的杀手,10%的社交家以及10%的成就者。

40% 成就型

组件的概述

在完成 PCA
之后,我们分析了每个组件的组成,以诠释和标记它们。首先,两个研究人员分别解释了组件结构矩阵。接下来,他们都比较了各自的解释,并讨论了相似和分歧,就每个组件的标签达成了一致。我们将这八个组件分为:

  1. 社会化。该组件中的所有元素都对应于某种形式的社交,包括协作性、竞争性和纯社交。

  2. 援助。该组件中的所有元素都对应于需要某种类型帮助的用户,无论是来自系统还是来自其他用户。

  3. 沉浸。在这个系统中,最大的加载元素与沉浸和好奇心有关。这个组成部分包括与叙述或故事有关的元素,以及与探索和未知性有关的元素。

  4. 风险/回报。该组件中最高的加载元素与挑战、赌博以及获胜所带来的回报有关。因此,这个组件代表了期望从挑战和彩票中获得经济上或社会上有价值的奖励。。

  5. 自定义。该组件中最高的加载元素与定制自身体验的三种不同方式有关:(1)自定义用户的化身或体验,(2)自动个性化,或(3)用虚拟货币或积分来兑换自由选择的商品。

  6. 进度。该组件中的元素与进度和意义相关。因此,这个组成部分代表了参与有意义目标的意愿,并感觉自己正在朝着实现它们的方向前进。

  7. 利他主义。该组件中的所有元素都对应于为系统或其他用户提供有用的贡献,包括分享知识或物品,有助于改进系统,并与其他用户协作。

  8. 激励。该组件中的所有元素都对应于用户可能收到的奖励或奖金,例如徽章、成就、收藏集,和奖励。

表2展示了8组游戏性设计元素的描述性统计数据。我们计算了原始的5点选项的李克特量表响应的平均值和标准偏差,对每个组件中加载大于0.36的项做出响应。总的来说,沉浸和进度是在用户偏好中得分较高的设计元素组,而社会化和援助是得分较低的组。然而,它们的差距并不大:在基于5.0分制(23%)中,最高和最低得分组之间的只有1.15分的差异。

为了提高相关性分析的准确性,我们还使用回归法计算了参与者在 PCA
中的每一个组成部分的标准化得分。标准化线性回归模型为每个组件生成一个平均值为0的分数,标准偏差为1.0。我们使用该方法计算的分数用于所有后续的相关分析。

表2也显示了8个组之间的二元关系。社会化和利他主义之间存在着一种适度的关联,这是由于两者都与社交行为有关。区别在于前者的焦点在于交互本身,而后者更侧重于做出贡献,这可以针对其他用户,也可以针对系统。社会化和激励之间的相关性也很显著,但关联性较弱;援助和自定义;援助和激励;沉浸和利他主义;自定义和激励;利他主义和激励。值得注意的是,激励表现出了最高的相关性(4)。

益智游戏 1

♦注意:玩家并不是截然分明地属于四类中的一类。大多数玩家都或多或少包含某个类型的特点。另外,在玩家的一生中,所属的玩家类型也会变化,甚至在不同的游戏中,类型也是不同。不过,对游戏设计者来说,认清这4种分类,了解游戏系统玩家的游戏动机绝对是大有裨益的。

结果

在这一节中,我们首先介绍了用于将游戏性设计元素集中到八个组中的探索性因素分析。接下来,我们将描述每个组的特征及其在参与者样本中的平均得分。最后,我们分析了独立变量(用户类型得分、个性特征、性别和年龄)如何影响元素组的得分。所有分析都是在
SPSS 23中进行的(IBM, 2015)。

保留Richard
Bartle的四种类型,再替换上我个人主张的坐标轴,我们就得到了新的Keirsey性格模型。如下图所示:

玩家动机

调查设计

我们基于对学术和非学术来源进行非正式的文献审阅,编写了一个游戏性设计元素列表。通过对非学术来源的审查,我们有意地包含了实践者经常使用的设计元素,但尚未在
HCI
研究中得到检验。因此,我们将首次研究这些元素如何与已经研究过的其他元素相关联,以及它们如何解释用户偏好。

最终的列表包含了59个游戏性设计元素。学术来源包括 Tondello
等人[益智游戏:玩家动机。40](56%),Jia 等人[21] (14%), Ferro
等人[17](19%)。纳入标准是经过同行评议的出版物,其中包含了在游戏化的特定背景下使用的设计元素的列表,因此排除了在游戏环境下的出版物。非学术来源包括以下资源的游戏化元素列表:Gamified
UK [23](73%),Yu-kai Chou Gamification[12](34%),Enterprise
Gamification[15],Werbach and Hunter [41] (27%), Zichermann and
Cunningham[45]。入选标准是发表的出版物,其中包含了在游戏化的特定语境中使用的设计元素的列表,并由在
Rise’s Gamification Gurus Power 100
board
的前100名的作者所发表。括号中的数字是指在每个源中识别的59个被调查元素的百分比;它们加起来超过100%,因为许多元素都出现在多个源中。

创建设计元素列表的过程包括一个一个地检查所选的源,并添加源中描述的所有元素,并提供足够的细节来理解它们是如何应用的。此外,在添加到列表之前,每个新元素都与列表中已经存在的元素相比较,它们的名称或描述是否类似。在研究者的判断中被认为相似的元素被合并在一起,而每个不同的元素被添加为一个新的条目。我们已经在附录中提供了完整的清单。它包含了关于每个元素的来源的信息以及他们在调查中给出的描述。

  • 杀手:干扰游戏世界的运作或其他玩家的游戏活动。
  • 成就者:通过克服游戏世界的挑战,不断积累声望等。
  • 探索者:探索控制和运作游戏世界的系统。
  • 社交家:与其他玩家沟通交流游戏内容,从而形成社交关系。

获得乐趣

框架的使用

我们之前已经注意到,大多数的游戏性设计方法并不认为用户偏好是其过程的一部分。为了解决这个问题,我们提出了这个框架的几个可能的使用场景。在一般的方法中,理解不同的设计元素组和更有可能偏爱对应小组的用户总体特征,将使游戏化设计者能够创造出对目标用户更有吸引力的应用程序。通过了解不同的设计元素如何吸引不同的用户,以及哪些元素在用户偏好上是相似的,设计人员将更有能力使用各种元素,而不是总是依赖于相同的元素子集。此外,通过了解产品和用户的特点,营销和客户关系可以更好地作出规划和指导。

此外,该框架还可以通过将系统与用户更喜欢的设计元素相适应,从而为每类特定的用户量身定制游戏性体验。为此,用户偏好可以通过记录用户与不同行为的交互频率来实现自动化。或者,用户可以被邀请回答一项调查,该调查旨在计算8个小组中的每个人的偏好得分。通过了解这些元素是如何组合在一起的,就可以通过只询问更强烈地代表该类群体的元素来评估个体对这八组中的每一组的偏好(即每个组负载系数最高的元素)。根据所期望的精确度,我们建议每个小组使用三到四个游戏性设计元素来计算一个整体的个人偏好得分。表7显示,即使只使用3到4个元素,大多数组的内部可靠性仍然高于0.60。因此,通过使用24个(每组3个)或32个(每组4个)游戏性设计元素的列表来询问一个人的偏好,就可以估计出他们对49个研究元素中的任意一个的偏好,并具有一定的准确性。

益智游戏 2

表7、每组的顶级加载游戏性设计元素和每个组的内部可靠性,每组只有3到4个元素

此外,个人对每个小组的偏好的评估也可以告知 HCI
研究,目的是研究不同元素的机制和效果。通过了解不同的参与者可能有不同的倾向来享受多样的游戏性设计元素,每个设计元素组的参与者的分数可能被作为研究效果的控制变量。

你最可能喜欢的是:MMO,开放式RPG,扩展型游戏。

了解玩家动机的另一个途径就是询问动机的来源。先来了解下心理学上关于动机的分类:内部vs外部。内部动机是指由活动本身产生的快乐和满足所引起的,它不需要外在条件的参与。外部动机是由外部因素引起的,个体追逐的奖励来自动机活动的外部,如赚钱或是赢得拼字比赛等。

游戏性设计元素的类别

通过对8个小组和3大类别的游戏性设计元素进行分类,并将该模型与之前的游戏动机相关文献进行比较,我们可以了解到用户在游戏性应用中使用的体验与游戏相比有显著的差异。人为构建的挑战是游戏设计的核心。因此,以游戏为导向的模型,比如
Yee 的 gamer motivation profile
[43],展示了玩家对不同类型挑战的偏好,比如行动、社交、成就或创造力。同样,社会化和沉浸只有在
Hamari 和 Tuunanen
[20]提出的维度和我们的框架中都存在,另外社会化和探索在只有 BrainHex
[27]
和我们的框架中都存在,而这些模型中剩余的动机是指游戏挑战的类型在游戏化中并不常见。不同的是,用户在一个充满游戏性的应用程序中所面对的挑战通常是真实的任务,而不是人为创建的任务。因此,游戏性应用通常旨在帮助用户克服这些自然的挑战。所以,游戏性设计元素的组合反映了为用户提供这种帮助的不同方法,而不是创建不同类型的人为挑战。在接下来的内容中,我们解释了从分析中产生的设计元素的类别,与人为的挑战相比,这是自然的。

个人动机

这一类型的两个小组都包含了在个体层面上帮助用户的元素,这样可以成功地实现他们的目标。沉浸让用户有更丰富的体验,让他们觉得自己是比自身更宏大事物的一部分。另一方面,进度帮助用户跟踪完成的步骤,并计划下一个步骤以实现他们的目标。因此,这两种设计元素都是为了提高用户在一个游戏系统中的自我效能(即他们相信自己的能力)。

外部动机

这些小组包括一些旨在提供外部激励的因素,以实施构成游戏性系统的部分活动。在这个意义上,激励是最清晰地确定不同类型的外部激励的类别,这些激励通常被作为外部激励的来源。

相比之下,风险和回报更难被理解为一组游戏性设计元素。这个组中的元素看起来很多样化,比如获得独有的功能,游戏的机遇,和挑战。然而,Caillois
[11]之前曾描述过这一组合,包括游戏的技能和机遇(在 Caillois
的游戏风格分类中为 agôn 和 alea
)。在这种情况下,两种类型的游戏都代表了不同的方式,玩家可以在现实生活中克服他们所面临的限制。在游戏中,每一个玩家都有均等的机会通过提高游戏中所需要的技能或者通过机遇来获得。因此,获胜是用户在面对挑战或彩票时寻求的感觉。即使游戏是基于技能的,仍然有赌博的成分,因为胜利取决于自己的技能,就像面对一个技能较差的对手一样。因此,意想不到的惊喜也出现了,尽管它的形式不同于运气型游戏完全取决于运气。

最后,自定义可能也不像是一个明显的外部动机。但是,这个组中包含的元素对用户来说意味着使系统行为对他们有利。因此,可以让用户修改影响他们实现目标能力的外部因素。

社交动机

该类别中的小组包括允许用户在游戏型系统中进行活动时与他人交互的元素。因此,社会化使用户能够相互交流,协作完成任务,或者与他人进行比较。利他主义让用户觉得自己是有意义事物的一部分,并为有价值的事业做出贡献。最后,援助允许用户从其他用户或系统中获得帮助,从而减少他们在执行任务时可能遇到的困难。

与之前的游戏化元素框架相比,我们的框架与之前的游戏化元素框架有很大的不同,因为它是根据用户偏好对设计元素进行分类的首次方法。Robinson
和 Bellotti
[37]提出了一种基于用户体验角色的六类游戏化元素模型。相比之下,只有社会化和激励在他们的框架和我们的框架中存在,而其余的类别则完全不同。Exton
和 Murray
[16]仅仅认为每个元素都有可能承担不同类型的动机,所以没有任何类别的分组;因此,我们的方法与他们的截然不同。最后,Phillips
等人[34]和 Rapp
[36]只专注于对游戏中的奖励和激励进行分类;因此,他们的研究提供了更深入的研究设计元素,这些设计元素是我们框架中激励小组的一部分。由于每个框架都侧重于不同的分类标准,所以它们是互补的,并且每个框架都可以为游戏性设计过程提供重要的信息。值得注意的是,我们的框架是第一个考虑不同用户偏好的结构,而现有的框架侧重于不同的结构或动机方面,而不考虑单个用户的差异。

所以,理想的游戏概念可能是一些街机风格的赛车游戏。这类游戏需要高度物理性环境,使玩家可以直接精确地操作赛车(但为了顺利得到奖励,玩家必须技艺精湛)。要让游戏的核心机制既强调紧张的操作动作,又注重简单的满足感、清楚的奖励收集目标、就必须保证所有针对这两种游戏类型的对象参与其中。尽管,高度调强物理性和物品丰富的动作、同时取悦技师/杀手和守护者/成就者的游戏,非常少见。根据上例,统一模型的作用就是促进新游戏的设计,因为它强大的测试的建设性作用可能会启发开发者考虑到不太常见的游戏业型组合。

释放压力

介绍

关于游戏动机的研究表明,玩家对自己的游戏方式有着不同的个人喜好[20,33,44]。研究人员已经开发出了玩家类型模型[20,27]或玩家动机量表[43,44],以捕捉不同玩家展示的不同风格。这一信息已被越来越多地用于游戏化—在非游戏环境中使用游戏设计元素[14]—对用户行为进行建模,设计更有吸引力的游戏性系统。

游戏性系统在帮助用户实现目标时是有效的。这通常包括教导用户他们所缺乏知识的话题,支持他们的态度或行为的改变,或者在特定的领域中与他们接触[10]。为了使游戏性系统更有效,一些研究人员尝试在这些系统中对用户的偏好进行建模,比如用户类型[40],说服策略[31],或根据个性特征选择不同的游戏元素[21]。然而,这些模型都没有研究过在游戏性设计中使用的元素。为了选择能够吸引不同动机的设计元素,设计师们仍然依赖于玩家模型—比如
Bartle 的玩家类型[3,4],或者是 BrainHex
玩家类型[27]—或者是游戏元素的分类,比如玩家动机简况[43]。

然而,这些模型在游戏化过程中的适用性还没有得到经验证据的支持。所有这些都是通过询问参与者在玩游戏时的经历来开发的。因此,它们不能被逐个转移到游戏性产品中。Tondello
等人[40]研究了 HEXAD
类型的游戏性设计中所使用的几个设计元素之间的关联性。然而,他们并没有提出一种对游戏性设计元素进行分类的方法。因此,我们仍然缺乏在游戏化中常用的设计元素的概念框架。当前研究的目的就是为了填补这一空白。因此,我们提出了一种新的概念框架,基于参与者的自我报告偏好,将游戏性设计元素分类,以理解游戏化过程中的用户行为。虽然
HEXAD
框架[40]描述了用户的心理特征,但这一工作提出了一种新颖的方式来组织游戏性设计元素。

为了使这个提议的框架可实施,我们询问参与者有多少人喜欢在游戏化中经常使用这59个设计元素(从文献综述中收集)。接下来,我们进行了探索性因素分析,将这些设计元素集中到八个组中。我们采用了与
Deterding
等[14]相同的元素的概念定义。因此,我们认为“游戏设计元素”是游戏的组成部分,它是游戏性系统的特点,在许多游戏性系统中都是存在的(但不一定是全部),并且在系统的用户体验中扮演着重要的角色。此外,Deterding
和同事们认为,游戏化和游戏性设计是相互关联的概念,通过不同的内涵属性对现象进行相同的扩展。因此,这些游戏性设计元素在游戏化和游戏性设计中都可以互换使用。

此外,在建立了一种游戏性设计元素的模型之后,我们进一步分析了这些数据,寻找可能被用来明确游戏性设计的模式。因此,我们也给出了描述总体参与者对每一组设计元素的偏好结果,以及与
HEXAD 用户类型、个性特征、年龄和性别的设计元素组之间的关系。

这一贡献对于人机交互(HCI)和游戏化是非常重要的,因为它展示了设计元素的第一个概念框架,这些设计元素是在游戏性设计的特定背景下构建的,并且基于用户的喜好。游戏化的研究人员和实践者们已经重新开始了——直到现在——在游戏的背景下建立的模型,假设他们可以在没有经验证据的情况下推广到游戏化当中。我们的工作使未来的研究和行业应用能够建立在一个基于经验所建立和验证的模型上。

此外,当前的游戏性设计实践通常涉及从列表中选择设计元素,以尝试重现游戏中发现的模式,对于每个设计元素如何影响用户体验的指导却很少[13,25,28]。设计元素通常根据其动机意义或结构特征进行分类[13],但这些分类并不能帮助设计者选择最佳的模式来解决特定的用户需求。因此,设计人员通常依赖于一些设计元素的组合,比如积分、徽章和排行榜,仅仅因为这些是最容易实现的元素。因此,需要更好地理解每个设计元素的效果,以促进选择用于解决特定需求的更广泛的元素的使用。我们的工作为满足这一需求,提出了一种基于用户偏好的新颖的游戏性设计元素分类,从而让设计师更好地理解每个元素对用户享受的潜在影响,并做出更明智的设计决策。

与Relentless
Software合作共同进行游戏开发,采取区分不同社交互动形式的方法能够帮助开发者明确地是哪些元素引起玩家的不同反应。在开发过程中使用这一方法论能够帮助设计者针对特定的互动形式或者不同的玩家类型而定制游戏。

关于内部/外部行为的问题中,一个明显的结论就是:一旦你给予了奖励,那你就得永远地保持这个奖励循环下去。这个结论表明了游戏化的归属问题的总成本以及这应该是你需要计算中一部分(尽管你不需要立即做出预算)。

影响用户偏好的因素

要了解哪些因素影响了8个游戏性设计元素组的用户偏好,我们分析了参与者的用户类型得分、个性特征、年龄和性别对每个组的得分的影响。

益智游戏 3

表2、对游戏性设计元素组的描述性统计和它们之间的二元相关性

益智游戏 4

表3、游戏性设计元素组与HEXAD用户类型之间的二元相关性。

益智游戏 5

表4、游戏性设计元素组与五大人格特征之间的二元相关性。

用户类型

表3给出了游戏性设计元素组与参与者用户类型得分之间的二元性相关系数。结果得出以下结论:

  1. 社会化元素是社交家的首选。此外,成就者和玩家也对这些元素表现出适度的偏好。

  2. 援助元素只显示了社交家的微弱偏好。除此之外,用户类型的分数不会影响对接受援助的偏好。

  3. 自由主义者和成就者强烈推荐沉浸元素。此外,慈善家和破坏者也对这些因素表现出较弱的偏好。

  4. 风险/奖励因素是有成就者和玩家的适度偏好,而被破坏者则略微偏好。

  5. 自定义元素的偏好似乎不受参与者的用户类型评分的影响。

  6. 进度元素只是成就者和慈善家们的优选。

  7. 慈善家们强烈推荐利他主义元素。此外,社交家倾向于适度的偏好,而成就者则较少的偏好。

  8. 激励因素是玩家最喜欢的。

人格特征

表4给出了游戏性设计元素组与参与者的个性特征得分的二元相关系数。结果表明,外向性可以部分解释社会化和援助的偏好,开放性可以部分解释对自定义的偏好,而情绪稳定性可以部分解释对激励的偏好。然而,这些相关性只有中等强度。

年龄和性别

表5展示了游戏性设计元素组与参与者年龄和性别之间的关系。结果表明,对风险和奖励、自定义、利他主义和激励的偏好随着年龄的增长而略有下降。社会化和沉浸似乎也随着年龄的增长而略有下降,而援助似乎随着年龄的增长略有增加,但效果并不明显。最后,无论年龄大小,对进度的偏好都是最稳定的。

我们只分析了两种主要性别(女性和男性)的数据,因为与其他性别相鉴别的参与者数量太少,无法进行统计测试。在援助、沉浸、自定义和激励方面,女性的得分明显高于男性。另一方面,男性在社会化和利他主义方面得分明显更高。这些研究结果表明,男性更善于社交和合作,而女性则更专注于叙事,更频繁地自定义自己的体验,而且通常更愿意接受援助。

益智游戏 6

表5、基于游戏性设计元素和年龄和独立样本和 T
test,以及在群体和性别之间的双变量之间的关联性

分层聚类

为了验证是否可以将游戏性设计元素组进一步组合到更高级的类别中,我们进行了分层聚类分析。这对于理解团队之间的关系是很重要的。结果表明,八组游戏性设计元素可以进一步的集中到三个高层次的动机类别中(见表6)。图1显示了对应的树状图。

益智游戏 7

表6、高级别的游戏性设计元素

益智游戏 8

图1、游戏性设计元素的树状图

以下是关于各个组合的简要描述,表现了Keirsey和Bartle如何根据相同的基本动机总结出各种性格/玩家类型。

游戏设计者必须谨慎地建立游戏和玩家之间的交互,并且不遗余力地测试以找到焦虑和无聊的平衡点。下图1描述了玩家技能水平与游戏挑战水平的关系:当游戏挑战已经超过玩家技能时,玩家会感到焦虑(即焦虑区域);相反,玩家的水平远远超过游戏挑战时,玩家会觉得无趣;两者平衡时,即达到心流水平。这种广泛的心理现象在玩家游戏系统中十分重要。

作者的关键字

游戏化;游戏性设计;游戏用户研究;用户类型;游戏设计元素

无论最终结果是用《FarmVille》中的农作物拼出《蒙娜丽莎》的造型、一个极具吸引力的《上古卷轴:天际》角色还是《Minecraft》中精心构建的城堡,建设呈现的是用户自定义的“完成”,游戏只是实现这种完成的平台。

那些过去几年来深深地影响我们思维的电子游戏,其实只是个别而非主流。从20世纪70年代初现代电脑/电子游戏的开端一直到21世纪00年代,大部分电子游戏是单机游戏或是两人对战游戏。因此,当下流行的”社交游戏“,如鼎鼎大名的开心农场或是有点年头的魔兽世界,本身并不是什么新概念,跟过去的游戏类似:要求其他玩家参与。

文摘

一些研究已经开发出了用于解释玩家偏好的模型。这些模型是为数字游戏开发的;然而,在没有经验验证的情况下,它们被频繁地应用于游戏化设计中(即用游戏元素来设计非游戏应用程序)。目前还不清楚用户是否会在应用中体验到游戏元素,类似于玩家在游戏中的体验。因此,我们仍然缺乏专门为游戏化背景而构建的设计元素的概念框架。为了填补这一空白,我们提出了一种基于参与者自我报告偏好的探索性因素,来分析产生的八组游戏化设计元素的分类。我们描述了用户的特点,他们更倾向于按性别、年龄、游戏化用户类型和个性特征来看待每一组设计元素。我们的主要贡献是提供了一个概述,哪些设计元素最适合于人群,以及我们如何应用这些知识来设计有效的游戏化系统。

纯技能、精致而讲究速度的游戏对你最有吸引力,你喜欢精通一款游戏,并在其中获得最记分的感觉。如果你们抱怨游戏太难,你却会感叹:“接受挑战吧!”然后你会煞费苦心地想出最怜惜的解决方法,保存体力并积累点数。

来源:

益智游戏:玩家动机。局限

虽然我们的研究设计是有效的,并且得出的结果是显著的,但是我们有一些小小的限制。首先,所有的测量方法都是自我报告的,因此,根据参与者对调查中的陈述的理解程度,以及他们自身对多样的游戏性设计元素的偏好的认识。此外,短期的测量受制于默认的问题。这可能是一个问题,因为我们的调查已经相当长了,所以我们使用了一个简短的10项
BFI 量表。尽管如此,BFI-10
还是被几项研究所采用。因此,我们认为我们的调查对于研究的目标是足够的,这是为了探究可能影响用户偏好的因素,而不需要测试任何特定的假设。因此,这项研究的结果应该是对未来研究的邀请,可以验证集中研究的具体要求。

此外,虽然我们的样本量足以进行统计分析,但我们的研究是一项探索性的试验,目的是建立一种初步概念框架的游戏性设计元素。因此,我们打算用更大更多样的样本量进行额外的研究,以验证我们的发现,并确认我们的框架的有效性。

最后,我们没有观察参与者在与游戏性系统互动时的行为,以验证他们在每一组游戏元素中的分数是否能预测他们的真实行为。因此,未来的研究需要研究个体的自我报告偏好与他们在游戏性系统中的实际行为之间的关系。

篇目4,以四种玩家类型衡量游戏的社交互动性

图1玩家技能水平与游戏挑战水平的关系

作者 | Gustavo F. Tondello、Alberto Mora、Lennart E. Nacke
来源 |
ResearchGate

游戏风格对应的玩家类型(from gamasutra)

杀手型玩家

附录、调查中包含的游戏性设计元素

益智游戏 9

附录、调查中包含的游戏性设计元素

相关文献

  1. Yu-kai Chou. 2017. Yu-kai Chou: Gamification & Behavioral Design.
    (2017).
    http://yukaichou.com/

  2. Enterprise Gamification. 2017. Gamification Design Elements.
    (2017).
    http://enterprise-gamification.com/mediawiki/index.php?title=Gamification\_Design\_Elements

  3. Lauren S. Ferro, Steffen P. Walz, and Stefan Greuter. 2013. Towards
    personalised, gamified systems: an investigation into game design,
    personality and player typologies. In Proceedings of the 9th
    益智游戏:玩家动机。Australasian Conference on Interactive Entertainment: Matters of
    Life and Death - IE ’13
    . 1–6. DOI:
    http://dx.doi.org/10.1145/2513002.2513024

  4. Yuan Jia, Bin Xu, Yamini Karanam, and Stephen Voida. 2016.
    Personality-targeted Gamification: A Survey Study on Personality
    Traits and Motivational Affordances. In Proceedings of the 34th
    Annual ACM Conference on Human Factors in Computing Systems - CHI
    ’16
    . DOI:
    http://dx.doi.org/10.1145/2858036.2858515

  5. Andrzej Marczewski. 2015. Gamification Mechanics and Elements. In
    Even Ninja Monkeys Like to Play: Gamification, Game Thinking &
    Motivational Design
    . CreateSpace Independent Publishing Platform,
    165-177.

  6. Gustavo F. Tondello, Rina R. Wehbe, Lisa Diamond, Marc Busch,
    Andrzej Marczewski, and Lennart E. Nacke. 2016. The Gamification
    User Types Hexad Scale. In Proceedings of the 2016 Annual Symposium
    on Computer-Human Interaction in Play - CHI PLAY ’16
    益智游戏:玩家动机。. ACM, Austin,
    TX, USA. DOI:
    http://dx.doi.org/10.1145/2967934.2968082

  7. Kevin Werbach and Dan Hunter. 2015. The Gamification Toolkit:
    Dynamics, Mechanics, and Components for the Win
    . Wharton Digital
    Press, Philadelphia, PA.

  8. Gabe Zichermann and Christopher Cunningham. 2011. Gamification by
    design: Implementing game mechanics in web and mobile apps
    .
    O’Reilly Media, Inc.

颠覆

20% 杀手型

探索性因素分析

我们使用主成分分析(PCA)将59个被调查的游戏性设计元素分类到各组中。PCA是
根据项目的协方差和相关性创建数据分组的一种标准方法。这使我们能够建立一个分类并分析用户偏好,并使用更易于管理的类别。

由于我们的调查是探索性的,第一步是评估所有包含的游戏性设计元素是否可以成功地组合成集群,因为我们没有理论来证明包含或排除每个元素是合理的。PCA
要求变量之间至少有部分关联,以便能够减少组件的数量。因此,我们首先分析了所有59个变量之间的关联矩阵,并仅用3个或更少的相关性分析了这些变量。我们认为与
r > = 0.3 相关性是关联的,如[18] (p.
648)所建议的。此外,我们还执行了一个初始的
PCA,并注意到在其中一个组件中出现的变量——也就是说变量是在一个组件中高度加载的惟一项——并删除它们。我们执行了三次这个过程,直到我们没有发现更多的变量。

在去除完后,我们从分析中删除了10个变量(16.9%):非线性游戏,匿名,无政府的游戏,教程,厌恶损失,时间压力,稀缺,光环效应,保护和虚拟世界。这意味着这些变量不能与数据中的任何其他变量聚集在一起。

对于剩余49个变量的最终数据集,KMO检验度量验证了分析的样本充分性,KMO =
0.77(一个很好的样本,根据[18])。此外,Bartlett
的球形测试是重要的(X²1176 = 3486.2, p <
0.001),表明项目之间的相关性对于 PCA 来说是足够大的。

我们使用平行分析和 Velicer
的最小平均部分(MAP)测试来确定在最终分析中保留的组件数量,因为这些过程是经过验证的,因此比简单的特征值检验更合适[29]。分析建议我们应该保留八个组件。此外,我们使用了一个斜交转轴法(Oblimin
rotation),因为我们期望某些元素可以出现在多个组件中。表1给出了最终的结构矩阵。

益智游戏 10

表1、游戏性设计元素的探索性因素分析(结构矩阵)

文档 [18] (p. 644)建议考虑因素的负荷大于0.36,样本容量为200,alpha
值为0.01。因此,我们计算了每个组件的得分和内部可靠性系数,使用了在组件中负载高于0.36的所有设计元素。所有组件显示足够的可靠性,当
α > = 0.674(见表1)。

各个类型概念联系表1(from gamasutra)

Daniel H. Pink认为现金对于需要完成复杂任务的玩家来说,吸引力很小。他的研究发现, 当人们被要求执行横向思维任务时,现金奖励没有任何促进作用。甚至,更糟糕的是,现金作为外部奖励时,人每年在创造性和复杂性任务上的表现反而下降了。因此,他认为现金奖励会破坏创造性思维。 当然,我们同意,现金并非总是具有激励作用,在某些条件下甚至具有破坏性。令人惊讶的是,某些外部奖励对玩家却很有吸引力。例如,长期的社会地位奖励对培养创造力和游戏兴趣是很有效的。

相关工作

HCI
和游戏的研究人员已经研究了不同的动机和游戏风格超过十年,并对他们的玩家类型进行了重新定位。Hamari
和 Tuunanen
[20]对这些模型进行了系统的审查,以调查它们的共性。作者指出,大型多人在线游戏(MMOs)和其他类型的网络游戏比其他类型的游戏更容易被覆盖。这降低了这些模型的普遍性和适用性。此外,他们比较了所有被分析的模型,并提出它们可以在五个关键维度上组合:成就、探索、社交、控制和沉浸。

最古老的玩家类型之一是 Bartle
的玩家类型[3]。他研究了玩家希望从多人地下城堡(MUD)中获得的东西,这是基于数十名资深玩家之间的讨论,并在两个轴上识别出了四种玩家类型,这表达了玩家想要与虚拟世界或其他玩家互动的意愿:成就者(在世界中的行为),探险家(与世界互动),社交家(与其他玩家互动)和杀手(作用于其他玩家)。Bartle
后来扩展了该模型,增加了第三维度[4]:隐式或显式(即,玩家的行为是否自动和无意识,或经过考虑和计划)。Bartle
的模型由于其简易性,经常被游戏化的实践者使用。然而,它从来没有经过经验的验证,也不打算在
MUDs 领域之外使用。

Yee [42, 44]基于对最初的 Bartle
玩家类型所激发的问题的因素分析,确定了玩家动机的三个主要组成部分:成就(进步、机制、竞争)、社交(社交、关系、团队合作)和沉浸(发现、角色扮演、定制、脱离现实)。最近,Yee
[43]扩展了他之前的工作,通过对14万参与者进行了一个因素分析,并开发了一个由6个小组和12个维度所组成的“玩家动机概要”:行动(破坏和兴奋)、社会(竞争和社区),掌握(挑战和策略),成就(竞争和权力),沉浸(幻想和故事),和创造力(设计和发现)。最近的一项大众调查旨在捕捉玩家对许多不同游戏的动机,并通过因素分析得到了经验的支持。然而,一个标准的评估工具并不是公开的,而且是现成的。

采用不同的方法,第一个“人口游戏设计”模型(DGD1)[7]试图通过整合迈尔斯布里格个性类型测量表
(MBTI)[26]到游戏,来包含更广泛的玩家类型的视角。第二个“人口游戏设计”模型(DGD2)[5]探索了休闲维度、不同技能集以及对单一和多人游戏的偏好。这两种模型是
BrainHex 玩家类型构建的基础。BrainHex [5,
27]是一种自顶向下的玩家类型学,它从神经生物学玩家满意度研究中获得灵感[6]、之前的类型学方法、游戏模式的讨论以及游戏情绪的文献中获得灵感,构建了7种不同的游戏体验的原型。7个
BrainHex
原型(及其相关的玩家动机)是:成就者(完成)、征服者(挑战)、冒险者(兴奋和冒险)、策划者(战略推理)、探索者(探索和好奇心)、社交家(社交互动)和幸存者(可怕的精力)。BrainHex
为现有的研究提供了多种多样的玩家类型。然而,对其心理测量特性的初步实证调查显示,可靠性得分较低[9]。

虽然这些模型经常用于个性化的游戏性系统,但它们是为游戏而设计的。然而,在游戏性设计中,只有游戏的元素被包含在非游戏应用中。因此,没有证据表明游戏动机模型可以进行游戏性设计,因为用户可能只会体验到游戏中嵌入到应用程序中的游戏元素,而不是游戏中的体验。因此,最近的研究提出了新的模型,专门用来解释游戏性系统中的用户偏好。

在游戏化的环境中,Marczewski
[22]建立了游戏中的玩家类型和自我决定论的文献[38,39],以创建用户类型的
HEXAD 模型,该模型将不同的用户偏好进行分类。HEXAD
用户类型(以及他们所代表的动机)分别是:慈善家(利他主义)、社交家(关联)、自由主义者(自主权)、成就者(能力)、玩家(奖励)和破坏者(改变)。

此外,Ferro
等人[17]研究了人格模型和玩家类型。目标是找出它们之间的相似之处,并将它们与不同的游戏设计元素联系起来。他们的工作将个性特征、玩家类型和游戏元素分为五大类:主要的、客观的、人文的、好奇的、有创造力的。Jia
等人[21]研究了大五人格(FFM)的个性特征[19]和个体的游戏化元素之间的关系,发现了几个重要的关联。Orji
等人[31]研究了在游戏化中使用的大五人格特征与几种具有说服力的策略之间的关系,并发现了显著的相关性。Barata
等人[1,2]基于游戏化的大学水平课程,对学生的表现和游戏偏好进行了研究,并确定了学生行为的不同模式,作者建议在未来的游戏化教育项目中,可以使用这些模式来为不同的学生量身定制课程。

虽然这些模型提供了关于用户体验的有用信息,但是它们并没有提供关于用户对不同游戏性设计元素的偏好的详细信息。在这方面,Tondello
等人[40]测试了 HEXAD
的每个用户类型与游戏化中常用的32个游戏元素的相关性。它们的结果为理解用户与游戏性设计元素的关系提供了一个起点。然而,他们并没有开发一个模型来将不同的设计元素聚集在一起,也没有研究不同的因素(比如性别、年龄或个性)如何影响用户对不同设计元素的偏好。因此,本研究将提出一个游戏性设计元素的框架,并研究哪些因素会影响用户对其的偏好,从而推动现有文献对这一主题的研究。

由于采用了不同的方法,一些作者提出了基于其他特定标准的关于游戏性设计元素的分类。Phillips
等人[34]提出了基于先前的文献和焦点小组研究的电子游戏奖励的分类。Rapp
[36]还讨论了游戏奖励的分类,基于对魔兽世界的种族研究[8],并讨论了他的模型对游戏性设计的潜在应用。虽然这两种模型都提供了有价值的信息,有助于游戏化奖励系统的设计,但它们仅限于特定的设计元素,而我们想要的是广泛的,包含了许多设计元素(包括奖励),而不涉及其中的任何细节。不同的是,Exton
和 Murray
[16]提出了一种基于用户预期的预期承诺的游戏化元素的初步分类。每个元素都按照他们所预想的潜在能力进行分类[38]:能力、自主或关联性。Robinson
和Bellotti
[37]提出了游戏化元素的初步分类,基于用户期望的承诺是多少。然而,这些分类法都没有考虑到我们在贡献中所做的不同用户偏好。

同样值得注意的是,尽管现有的关于游戏化和游戏的文献都提及用户偏好,但大多数的游戏性设计方法都不考虑用户偏好作为其过程的一部分[24,25]。对设计方法中用户偏好缺乏考虑的一种解释可能是,将现有模型直接转换为设计指导的困难。尽管如此,有几项研究表明,用户偏好可以显著影响工具性游戏系统的有效性(例如,[10,30,31,32]);因此,我们可以预期这也会发生在游戏性系统中。我们的工作将有助于改进设计方法,提供一种游戏性设计元素的分类,帮助设计师更好地理解用户偏好,并将这些信息转化为设计指导。

下图是Keirsey性格模型和Bartle分类法的结合版:

探索型玩家

ACM 分类关键字

H.1.2. 用户/机制系统:人类因素;k.8.0 个人电脑:游戏。

理解社交互动

如果你使用Bartle的模型来评估你的玩家类型时,你会注意到我们提到过的,玩家类型时可重合的。换句话说,一名玩家可能具备所有四种类型的玩家属性。然而,大多说的玩家则不是这样。对于普通玩家来说。各类型玩家属性的分布大致如下:

调查工具

这项调查是在2017年2月至3月期间使用 LimeSurvey
软件作为在线工具进行的。所有的问题都是基于英文的形式,分组如下:

  • 用户类型:24项 HEXAD 用户类型量表[40]。

  • 偏好的游戏性设计元素:我们基于5点选项的李克特量表,询问了多少参与者喜欢59种不同的设计元素。

  • 个性:10项大五[19]人格特征量表(BFI-10)[35]。

  • 人口信息:参与者的国家、语言、年龄、性别、教育程度、游戏习惯和偏好。

这项调查可以匿名完成,并且在决定参与之前,参与者要提交一份在线知情同意表格。此外,长问题组(用户类型和游戏性设计元素)都有注意力检测问题(例如,“请在这个项目中选择‘3’,以显示你正在仔细阅读所有问题”),以验证参与者是否阅读了所有的注意事项。

创造者

1.3 强化(reinforcement)

结论

目前的研究调查了玩家在游戏化过程中频繁使用的游戏性设计元素的偏好。这是第一次探索在游戏化系统中使用的设计元素的探索性研究,而不是试图将以前在游戏用户研究中的工作推广到游戏化。具体地说,本文对
HCI
和游戏化社区做出了贡献是提出了一种新型的八组游戏性设计元素模型,分为三大类别:个人动机(沉浸和进度);外部动机(风险/回报、自定义和激励);以及社交动机(社会化、利他主义和援助)。

此外,我们还描述了每个组的定义特征和组成它们的游戏性设计元素,以及那些更喜欢那些小组的用户典型特征。最后,我们提出了不同的方法来使用这个框架来描述游戏性设计。这可以通过观察用户的行为来自动地分析用户的偏好,或者通过明确地向用户询问他们对一组简化的元素的偏好,并推断他们对其余元素的偏好。

这些发现拓展了我们对游戏化的用户偏好的理解,并将使研究人员和实践者能够在未来设计出更好的定制游戏性系统。

所以,我们应当认识到玩家的确从这些游戏中获得了所需的东西,这样玩家才愿意体验这些游戏。尽管许多传统玩家批判Wii游戏并没有充分发挥体感技术的优势,但是该系统的销售势头依然不减。即便是那些最简单的Wii游戏,也让玩家在客厅中获得娱乐和放松。

在2004年的另外一篇论文中,致力于游戏的玩家体验和情感的专家Nichole Lazzaro提出了4种不同的乐趣:

参与者

我们通过电子邮件(学术和非学术环境)、社交网络(Facebook、Twitter 和
Reddit)和在线游戏论坛的方式招募参与者。参与者必须至少年满15岁才能参加,并且是没有直接报酬的,但他们获得了抽奖的机会,以赢取两个50美元的奖金。

共有196名参与者完成了调查。但是,我们去除了8个参与者,因为他们没有完成所有的问题组,或者在至少一个注意力检查项目中没有选择正确的答案。因此,最终的数据集包含了188个(124个男人,53个女人,4个跨性别者,3个非二元性别,4个没有显示他们的性别)。参与者的年龄从15岁到71岁不等(M
= 26.7, SD =
9.7),并且向更年轻的参与者倾斜(74%都是30岁以下的人),可能是因为调查的主题更吸引年轻观众。参与者分布的地理位置:北美为60.6%,欧洲为25.5%,南美为5.3%,大洋洲为4.8%,亚洲为2.7%,非洲为1.1%。然而,98.9%的参与者报告说他们对英语有很好的或母语般的理解。因此,我们的假设是,英语水平的缺乏对我们的调查并没有什么影响。

在 HEXAD
用户类型中,参与者的分数与之前的报告(23,40)类似,使用以下方法和标准偏差:自由主义者:23.1
(2.8);慈善家:22.8(3.6);成就者:22.4(3.4);玩家:21.1(4.0);社交家:18.3(4.8);和破坏者:15.4(4.6)。

这里,我从Mitch
Krpata的说法处获得灵感,区分了完成和完善。在我自己的调查中,完成是激发玩家赚取《光晕3》中每项成就的吸引力,但激发他们尽量提升多人游戏排名的则是完善。统治也是后者中的一个因素,但是玩家打败其他玩家时总是会产生满足感,即便玩家并没有提升自己的技能(游戏邦注:比如骨灰级玩家有时以碾压差劲的对手为乐)。

1 强大的人类动机

参考文献

  1. Gabriel Barata, Sandra Gama, Joaquim Jorge, and Daniel
    Gonçalves. 2016. Studying student differentiation in gamified
    education: A long-term study. Computers in Human Behavior (2016).
    DOI:
    http://dx.doi.org/10.1016/j.chb.2016.08.049

  2. Gabriel Barata, Sandra Gama, Joaquim A.P. Jorge, and Daniel J.V.
    Gonçalves. 2014. Relating gaming habits with student performance in
    a gamified learning experience. In Proceedings of the first ACM
    SIGCHI annual symposium on Computer-human interaction in play - CHI
    PLAY ’14
    . ACM, New York, NY, USA, 17–25. DOI:
    http://dx.doi.org/10.1145/2658537.2658692

  3. Richard Bartle. 1996. Hearts, Clubs, Diamonds, Spades: Players who
    suit MUDs. Journal of MUD Research 1, 1 (1996).

  4. Richard Bartle. 2005. Virtual Worlds: Why People Play.Massively
    Multiplayer Game Development* 2, 1 (2005).

  5. Chris Bateman, Rebecca Lowenhaupt, and Lennart E Nacke. 2011. Player
    Typology in Theory and Practice. Proceedings of DiGRA 2011 (2011).

  6. Chris Bateman and Lennart E Nacke. 2010. The Neurobiology of Play.
    In Proceedings of Futureplay 2010. ACM, Vancouver, BC, Canada,
    1–8. DOI:
    http://dx.doi.org/10.1145/1920778.1920780

  7. Chris Mark. Bateman and Richard Boon. 2006. 21stCentury Game Design
    (Game Development Series)
    . Charles River Media.

  8. Blizzard Entertainment. 2004. World of Warcraft. Game [Windows/OS
    X]. (2004).

  9. Marc Busch, Elke Mattheiss, Rita Orji, Peter Fröhlich, Michael
    Lankes, and Manfred Tscheligi. 2016. Player Type Models – Towards
    Empirical Validation. In Proceedings of the 2016 CHI Conference
    Extended Abstracts on Human Factors in Computing Systems
    . ACM.
    DOI:http://dx.doi.org/10.1145/2851581.2892399

  10. Marc Busch, Elke Mattheiss, Rita Orji, Andrzej Marczewski, Wolfgang
    Hochleitner, Michael Lankes, Lennart E. Nacke, and Manfred
    Tscheligi. 2015. Personalization in Serious and Persuasive Games and
    Gamified Interactions. In Proceedings of the 2015 Annual Symposium
    on Computer-Human Interaction in Play - CHI PLAY ’15
    . ACM, 811–816.
    DOI:
    http://dx.doi.org/10.1145/2793107.2810260

  11. Roger Caillois. 1961. Man, Play, and Games. University of Illinois
    Press.

  12. Yu-kai Chou. 2017. Yu-kai Chou: Gamification & Behavioral Design.
    (2017).
    http://yukaichou.com/

  13. Sebastian Deterding. 2015. The Lens of Intrinsic Skill Atoms: A
    Method for Gameful Design.
    Human-Computer Interaction* 30, 3-4 (2015), 294–335.
    DOI:http://dx.doi.org/10.1080/07370024.2014.993471

  14. Sebastian Deterding, Dan Dixon, Rilla Khaled, and Lennart E
    Nacke. 2011. From Game Design Elements to Gamefulness: Defining
    “Gamification”. In Proceedings of the 15th International Academic
    MindTrek Conference
    . ACM, ACM, Tampere, Finland, 9–15. DOI:
    http://dx.doi.org/10.1145/2181037.2181040

  15. Enterprise Gamification. 2017. Gamification Design Elements. (2017).
    http://enterprise-gamification.com/
    mediawiki/index.php?title=Gamification_Design_Elements

  16. Geraldine Exton and Liam Murray. 2014. Motivation: A Proposed
    Taxonomy using Gamification. (2014).
    http://hdl.handle.net/10344/4279

  17. Lauren S. Ferro, Steffen P. Walz, and Stefan Greuter. 2013. Towards
    personalised, gamified systems: an investigation into game design,
    personality and player typologies. In Proceedings of the 9th
    Australasian Conference on Interactive Entertainment: Matters of
    Life and Death - IE ’13
    . 1–6. DOI:
    http://dx.doi.org/10.1145/2513002.2513024

  18. Andy Field. 2009. Discovering Statistics Using SPSS (3rd ed.).
    Sage Publications, London, UK.

  19. Lewis R Goldberg. 1993. The structure of phenotypic personality
    traits. American Psychologist 48, 1 (1993), 26.
    DOI:http://dx.doi.org/10.1037/0003-066X.48.1.26

  20. Juho Hamari and Janne Tuunanen. 2014. Player types: A
    meta-synthesis. Transactions of the Digital Games Research 1, 2
    (2014).
    http://todigra.org/index.php/todigra/article/view/13

  21. Yuan Jia, Bin Xu, Yamini Karanam, and Stephen Voida. 2016.
    Personality-targeted Gamification: A Survey Study on Personality
    Traits and Motivational Affordances. In Proceedings of the 34th
    Annual ACM Conference on Human Factors in Computing Systems - CHI
    ’16
    . DOI:
    http://dx.doi.org/10.1145/2858036.2858515

  22. Andrzej Marczewski. 2015. Even Ninja Monkeys Like to Play:
    Gamification, Game Thinking & Motivational Design
    . CreateSpace
    Independent Publishing Platform.

  23. Andrzej Marczewski. 2017. User Types in Gamification. SlideShare.
    (Feb 2017).
    https://www.slideshare.net/
    daverage/gamification-player-types-talk-2017

  24. Alberto Mora, Daniel Riera, Carina González, and Joan
    Arnedo-Moreno. 2017. Gamification: a systematic review of design
    frameworks. Journal of Computing in Higher Education (23 May
    2017). DOI:
    http://dx.doi.org/10.1007/s12528-017-9150-4

  25. Benedikt Morschheuser, Karl Werder, Juho Hamari, and Julian
    Abe. 2017. How to gamify? A method for designing gamification. In
    Proceedings of the 50th Annual Hawaii International Conference on
    System Sciences (HICSS)
    . IEEE, Hawaii, USA. DOI:
    http://dx.doi.org/10125/41308

  26. Isabel Briggs Myers. 1962. The Myers-Briggs Type Indicator.
    Consulting Psychologists Press, Palo Alto, CA.

  27. Lennart E Nacke, Chris Bateman, and Regan L Mandryk. 2014. BrainHex:
    A Neurobiological Gamer Typology Survey. Entertainment Computing
    5, 1 (2014), 55–62.
    DOI:http://dx.doi.org/10.1016/j.entcom.2013.06.002

  28. Scott Nicholson. 2014. A RECIPE for Meaningful Gamification. In
    Gamification in Education and Business, Torsten Reiners and
    Lincoln C. Wood (Eds.). Springer, 1–20. DOI:
    http://dx.doi.org/10.1007/978-3-319-10208-5

  29. Brian P O’Connor. 2000. SPSS and SAS programs for determining the
    number of components using parallel analysis and Velicer’s MAP test.
    Behavior Research Methods, Instruments, & Computers 32, 3 (2000),
    396–402.
    DOI:http://dx.doi.org/10.3758/BF03200807

  30. Rita Orji, Regan L. Mandryk, Julita Vassileva, and Kathrin M.
    Gerling. 2013. Tailoring persuasive health games to gamer type. In
    Proceedings of the SIGCHI Conference on Human Factors in Computing
    Systems - CHI ’13
    . 2467–2476. DOI:
    http://dx.doi.org/10.1145/2470654.2481341

  31. Rita Orji, Lennart E. Nacke, and Chrysanne DiMarco. 2017. Towards
    Personality-driven Persuasive Health Games and Gamified Systems. In
    Proceedings of the SIGCHI Conference on Human Factors in Computing
    Systems
    . ACM. DOI:
    http://dx.doi.org/10.1145/3025453.3025577

  32. Rita Orji, Julita Vassileva, and Regan L. Mandryk. 2014. Modeling
    the efficacy of persuasive strategies for different gamer types in
    serious games for health. User Modeling and User-Adapted
    Interaction
    24, 5 (2014), 453–498. DOI:
    http://dx.doi.org/10.1007/s11257-014-9149-8

  33. Nicole Peever, Daniel Johnson, and John Gardner. 2012. Personality &
    Video Game Genre Preferences. In Proceedings of The 8th
    Australasian Conference on Interactive Entertainment: Playing the
    System
    . ACM, 20.
    DOI:http://dx.doi.org/10.1145/2336727.2336747

  34. Cody Phillips, Daniel Johnson, Peta Wyeth, Leanne Hides, and Madison
    Klarkowski. 2015. Redefining Videogame Reward Types. In Proceedings
    of the Annual Meeting of the Australian Special Interest Group for
    Computer Human Interaction
    . ACM, 83–91. DOI:
    http://dx.doi.org/10.1145/2838739.2838782

  35. Beatrice Rammstedt and Oliver P. John. 2007. Measuring personality
    in one minute or less: A 10-item short version of the Big Five
    Inventory in English and German. Journal of Research in
    Personality
    41, 1 (2007), 203–212. DOI:
    http://dx.doi.org/10.1016/j.jrp.2006.02.001

  36. Amon Rapp. 2017. From Games to Gamification: A Classification of
    Rewards in World of Warcraft for the Design of Gamified Systems.
    Simulation & Gaming 48, 3 (2017), 381–401. DOI:
    http://dx.doi.org/10.1177/1046878117697147

  37. David Robinson and Victoria Bellotti. 2013. A preliminary taxonomy
    of gamification elements for varying anticipated commitment. In
    Workshop on
    Designing Gamification: Creating Gameful and Playful Experiences.

  38. Richard M. Ryan and Edward L. Deci. 2000.
    Self-determination theory and the facilitation of intrinsic
    motivation, social development, and well-being. The American
    Psychologist
    55, 1 (2000), 68–78. DOI:
    http://dx.doi.org/10.1037/0003-066X.55.1.68

  39. Richard M. Ryan, C. Scott Rigby, and Andrew Przybylski. 2006. The
    motivational pull of video games: A self-determination theory
    approach. Motivation and Emotion 30, 4 (2006), 347–363. DOI:
    http://dx.doi.org/10.1007/s11031-006-9051-8

  40. Gustavo F. Tondello, Rina R. Wehbe, Lisa Diamond, Marc Busch,
    Andrzej Marczewski, and Lennart E. Nacke. 2016. The Gamification
    User Types Hexad Scale. In Proceedings of the 2016 Annual Symposium
    on Computer-Human Interaction in Play - CHI PLAY ’16
    . ACM, Austin,
    TX, USA. DOI:
    http://dx.doi.org/10.1145/2967934.2968082

  41. Kevin Werbach and Dan Hunter. 2015. The Gamification Toolkit:
    Dynamics, Mechanics, and Components for the Win
    . Wharton Digital
    Press, Philadelphia, PA.

  42. Nick Yee. 2006. Motivations for Play in Online Games.
    CyberPsychology & Behavior 9, 6 (dec 2006), 772–775.
    DOI:http://dx.doi.org/10.1089/cpb.2006.9.772

  43. Nick Yee. 2015. Gamer Motivation Model Overview and Descriptions.
    Quantic Foundry. (Dec 2015).
    http://quanticfoundry.com/2015/12/15/handy-reference/

  44. Nick Yee, Nicolas Ducheneaut, and Les Nelson. 2012. Online gaming
    motivations scale: development and validation. In Proceedings of
    the 2012 ACM annual conference on Human Factors in Computing
    Systems - CHI ’12
    . ACM, New York, New York, USA, 2803. DOI:
    http://dx.doi.org/10.1145/2207676.2208681

  45. Gabe Zichermann and Christopher Cunningham. 2011. Gamification by
    Design: Implementing game mechanics in web and mobile apps
    .
    O’Reilly.

GNS+和MDA+

难度乐趣:玩家试图赢得某种胜利

讨论

这项研究的结果显示,49个最常用的游戏性设计元素可以根据用户偏好组合成8个主要小组。此外,我们发现在我们的调查中包含的59个元素中有10个不能与其他元素组合在一起。关于用户偏好的组件之间的总体差异并不太多,但仍然明显,在最低和最高评分组之间大约有20%的差异。此外,通过分析参与者的性别、年龄、用户类型和性格特征对每个群体得分的影响,我们建立了一个明确的用户偏好模型:

  1. 社会化元素是男性、社交家和外向者的首选。

  2. 女性和外向者更喜欢援助元素。

  3. 女性、成就者和自由主义者都偏爱沉浸元素。

  4. 年轻的成就者和玩家更喜欢风险/奖励因素。

  5. 自定义元素更受年轻女性的青睐,她们更愿意体验。

  6. 任何研究的变量都不能清楚地解释关于进度的偏好,尽管成就者和慈善家往往比其他人更喜欢它们。

  7. 年轻人、慈善家和社交家更喜欢利他主义。

  8. 激励因素更倾向于年轻玩家,他们在情绪稳定性方面得分更高。

上表使用提出者挑选出的词来表示各种游戏类型或人格模型的基本概念。该表旨在一目了然地展现游戏类型和游戏设计层次模型之间的关联。另外,本表也参考了其他活动团体(办公室等工作场所)成员的性格模型,我还在后面列了三个独立项(动机、问题解决和目标),作为对各个类型的意义解读。

50% 探索性

当遇到新挑战,如选择新一回合的主题,发现回合中的机制或者遇到新问题时,都会呈现出较高级别的互动性。除此之外,探索者也对游戏中的视觉要素非常感兴趣,如关于某个时间段其角色在游戏中做了些什么的描写等。与社交家一样,他们不会被《Buzz!》中明显的成功目标所吸引,探索者甚至会说“我并不在乎自己的成败。”

从希腊神话到现代肥皂剧,毫无疑问,性会驱动人们去做任何事。帕里斯对海伦一见钟情带着美女离开,致使斯巴达王发动了特洛伊战争。性的这种非同寻常的魔力驱使人们去做不符合长期利益的傻事。但是不同于游戏的是,性吸引力是难以预测和控制的,谁能保证甲一定会爱上乙呢?这也就使得性在娱乐化活动中并不能成为有利的工具。

无论是Caillois的“眩晕”说还是Lazzaro的“困难的乐趣”论,其在概念上都接近Bartle(成就者)和Keirsey(守护者)所主张的安全导向型动机。“眩晕”和“困难的乐趣”都是关于在遵守游戏竞争规则的前提下得到实在的、外在的奖励——这是成就者/守护者的确凿特征,他们坚信,游戏世界必须有一套完备的规则、且在遵守这种规则的条件下,玩家的付出与收获必须成正比。

游戏设计领域中,有关内部与外部动机的理论有以下三种学术思想:

在像《Buzz! Quiz
World》这类型的小游戏中,如果对手不知道问题的正确答案,对于玩家来说便具有优势;但是对于成就者来说,他们希望能够大声说出答案,以此显示自己的知识渊博,即使必须以游戏失败为代价。显然,对于这类型玩家来说,声望比起任何游戏目标都重要。

大多数游戏开发者和设计师们与游戏玩家并不一样,甚至没有可比性。他们也许会如你一样是成就导向型玩家,相比普通玩家成就动机更高。这在游戏设计中是需要克服的偏见。在设计游戏时,你会考虑积分累积、等级提高、甚至是通过杀戮来获胜。但这并不是一个普通玩家想要的(这一点必须要克服)。

篇目3,分析8种游戏玩家人格的类型及特点

这类玩家游戏的主要目的是获得社交互动。为社交玩家设计的很多游戏属于经久不衰,譬如多米诺骨牌、扑克、桥牌,还有麻将。它们每一样都是充满社交体验。不过,这并不是说,社交型玩家不关心游戏本身或是取胜,他们也很在意成败。对他们来说,游戏本身只是一个背景,一个和其他玩家交互的平台,与他人建立长期的社交关系才是最重要的。

建议:当社交家在与其他玩家进行交谈时将会呈现出较高级别的情绪反应,所以那些针对于社交家的游戏设计必须强调玩家间的交流,即使是在竞争类游戏中。设计者可以通过创造游戏情节或者在游戏中添加幽默元素体验出来。

强化在游戏中非常重要,它研究的是如何通过奖励的数量和发放周期(玩家预期回报)的变化来塑造玩家的行为。强化研究的鼻祖是斯金纳以及提出条件反射的巴甫洛夫,将他们的成果扩展到了岁人类的研究上,即了解强化作用的关键是构建河埒的奖励系统。

你最喜欢的可能是:RPG、MMO和具有挑战性的游戏。

1.1 性和暴力

以下表格表现了各个类型的信息。这不仅反映了各个分类法之间的概念联系,还可以充当特定游戏玩法要求的设计指导。

根据奖励时间不同,强化的种类有:固定比例强化、固定时间间隔强化、可变比例强化、可变时间间隔强化。老虎机的原理就是可变比例强化,玩家不知道什么时候会得到奖励,但他知道如果继续玩下去,就可能在某个时刻得到奖励。

统一模型促进新游戏设计

毫无疑问,喜欢获胜的玩家是任何游戏的核心。他们完成大量的任务,获得勋章等。对于这类玩家,游戏设计者面临的问题是:很难设计一款每个人都能获胜的游戏。成就者如果在游戏中落败很有可能马上就对这款游戏丧失兴趣。

Caillois描述的“眩晕”(ilinx)的乐趣、亢奋,对应感觉导向型动机,即Bartle和Keirsey各自对杀手和技师的形容。

容易乐趣:玩家专注于探索游戏

你最可能喜欢的是:休闲游戏、益智游戏、平台游戏、街机类游戏。

某个较好的理论阐述了为何人们如此积极地玩游戏,它提出玩游戏主要是出于4个动机(可看做集体动机或个人动机):

游戏操作类型–玩法特征(from gamasutra)

社交型玩家

Mitch Krpata的《New Taxonomy of
Gamers》区分了不同种类的挑战、沉浸度和娱乐。Michael Abbott的《Fun Factor
Catalog》提供了一套基于数据得出的吸引力,但是目前还未被严密和系统化地组织起来(游戏邦注:仍处在总结过程中)。

社交乐趣:与其他玩家的互动

这一研究主要呈现了社交小游戏《Buzz! Quiz
World》中不同玩家类型,包括喜欢嘲弄别人的高度竞争型杀手玩家,夸夸其谈的成就者,以及重视团体协作的社交家等所体现出的不同社交互动形式。而不同游戏类型,从第一人称射击游戏到角色扮演游戏对于这一方法的使用也将体现出不同玩家类型的不同交互特征。同时这一方法也能够帮助开发者更好地探索更大群体玩家间的社交互动变化。

成就型玩家

4、娱乐:用于调整身体、精神或情感状态的吸引力。

本文摘自《Gamification by Design:Implementing Game Mechanics in Web and
Mobile Apps》,作者Gabe Zichermann 和 Christopher
Cunningham,由天翼阅读用户研究员张晓雯翻译。

站在实时动作/竞技游戏类型对立面的是冒险游戏,如《神秘岛》、《无尽的旅程》和创意游戏,如《Minecraft》或回合制策略游戏《文明》。这些游戏的内在特征既强调剧情,又注重与情绪和思考有关的元素,正是强调动作和竞争积累的外向型FPS的实例。我们有理由认为,大多数带有强烈的FPS倾向的游戏玩家不喜欢冒险游戏,而大多数自认为是冒险游戏玩家的人并不待见典型的FPS。这正是标准模型,结合互相对立的硬核(剧情/益智)和休闲(动作/积宝)倾向,根据游戏类型分析做出来的预测。

状态改变乐趣:玩家感受到的游戏变化

所以,我的目标是专注于小群体玩家或单个题材来揭示问题。玩家在不同的游戏或不同的社交背景下会展示出不同的个性和行为,所以不能以个性和内在的“类型”来作为愉悦的根源。我的弟弟们以特定的方式来玩游戏,不只是因为他们属于何种玩家,当时的情境背景也很重要:所有人都是同自己熟识的其他玩家分享游戏,而且他们在玩的是一款允许他们采取不同玩法的游戏。

图2Bartle的玩家类型划分

《Buzz! Quiz World》的“Pie
Fight”回合特别强调了这一点,即玩家如果回答错误便会遭到馅饼的袭击;以及在“Over
the Edge”回合中,当玩家落向烂泥槽时,其情绪反应级别便会明显地向上窜升。

2.1玩家类型

Keirsey性格模型的四种性格类型

80% 社交型

益智游戏 11

玩家是游戏系统的根基。在任何系统里,玩家动机都是结果的最终驱动力。因此,了解玩家动机是构建成功游戏系统的关键。

许多基于团队合作的动作游戏都仰赖于队友间的对话,玩家之间不只谈论每天的生活(游戏邦注:虽然有些玩家会借助游戏作为与他人探讨日常生活的工具),而且还会分享战术信息,规划对抗对手的方式。

游戏设计者们处心积虑地试图去创造心流状态。他们总是在寻找去引导新手用户成为玩家的方法。引导玩家享受无缝的心流体验,这是设计者孜孜不倦的追求所在。但是,该怎么做呢?

这就解释了为什么守护者/成就者热衷于“重复刷任务”的行为,而其他玩家丝毫看不出这种行为的乐趣所在。对守护者/成就者而言,所谓一分耕耘一分收获,奖励应该与投入成正比。当某款游戏围绕简单明确的、能够积累地位标识的任务设计时,它必定能吸引安全导向型玩家的目光。

1.2 心流(flow)

想象

不过,游戏,却是完美之选。它既拥有如性欲般强大的吸引力,又可以像使用暴力一样具有预测性,自然地沉浸在游戏之中。不过,正像硬币的反面一样:游戏使人成瘾,魔兽玩家就曾被控诉,沉迷于虚拟现实中而忽略了真实生活中的责任。好的一面是:游戏提高让人们保持健康,改善人们的学习和生活方式。

当然,我也会遵循学术传统,借鉴我最喜欢的理论来组成自己的理论。Bart
Stewart的统一模型在识别某些玩家行为上似乎很有用,呈现具体化的玩法风格,可以指导游戏的设计。“悲伤”不只是种情绪,也可以构建到游戏中来吸引某些需求和兴趣。

你对游戏玩家(包括当下和未来)了解得越多,越容易设计出完美的游戏体验,引导玩家行为向期望的方向发展。最知名的玩家分类是由Richard Bartle研究大型多人在线游戏MMOG玩家时提出的。他定义了四种类型的玩家。自那时起,玩家类型已增加到8种,又增加到了16种。然而,图2中呈现的四种类型仍然是最棘手的,对我们的设计宗旨来说也是最有趣的。

Bartle分类法(from gamasutra)

若是上述百分数之间是互斥的,玩家只能属于某一类,那么大部分玩家——达到75%——可能是社交型玩家。而在诸如开心农场、扑克这些游戏中,社交型玩家的比例可能会更高。探索型和成就型玩家大约各占总体的10%,杀手型占5%。

“违犯”往往被视为是这三者中攻击性最小的,它打破的只是广义的文化准则,这种行为往往被其他玩家和游戏规则所默许。然而,我将这种违犯与其他颠覆吸引力相并列,是因为这种行为背后的趣味来源也是“成为恶棍”。以上这些行为的基本吸引力都是做某些被认为不应当做的事情。

游戏成功的核心其实是获得心流状态。心流概念是由心理学家Mihaly Csikszentmihalyi提出的,Csikszentmihalyi在创造力和积极心理学领域卓有建树。心流是一种将个人精神力完全投注在某种活动上的感觉;心流产生时同时会有高度的兴奋及充实感。

我们发现了什么?

社交

你最可能喜欢的是:平台游戏,街机游戏。

再来看看暴力,它无疑可以催生各种强迫的结果:把瓜强扭在一起。缺点就是:强扭的瓜不甜。被枪指着脑袋时他们一定会按你的要求做。但是,这绝不是享受的过程,谁会愿意再来一次呢?暴力的谬误所在就是——惩罚能够造就伟大的结果——这是一个及其错误的理念。

游戏后,玩家需要在一张空白的方格纸上写下自己的游戏体验,并进行评注。这个过程是采访玩家未给予提示的行动,以此确保玩家能够即时准确地回忆起游戏过程中的感受以及各种互动事件,并对此进行客观的评估。

2.3内部vs外部动机

在多人游戏中,社交互动成为了一种越来越重要的主题。Wii的成功以及它所强调的休闲多人游戏,如《Wii
Sports》或者《Just
Dance》,都证明了让玩家与好友一起玩游戏,能够让游戏获得更广泛的用户基础并创造出更深刻的体验。

2 人们为何要游戏

探索者总喜欢不断摸索并理解游戏的广度和深度以及游戏机制,同时他们还具有较高级别的合作互动性,就像社交家那样,愿意与其他玩家在游戏中相互协作前进。

2.2 社交游戏

益智游戏 12

过度合理化/替代偏差则解释了外部动机可以很容易地代替内部动机。研究发现,当一名出于兴趣和热爱而弹琴的儿童被要求去参加具有竞争性的钢琴大赛,很多行为就改变了。例如,如果她开始时赢得了很多比赛,后来却遭遇滑铁卢,她很有可能会放弃弹琴。也就是说,外部动机彻底摧毁了内部动机,并且这是不可逆的。对于游戏设计师来说,过度合理化带来的后果是:他们不关心那些在游戏中总是失败的玩家,何必去保护他们的内部动机呢?过度合理化并不会影响那些表现优异或是个人动机非常强烈的玩家。但是仍要注意:某些外部奖励在某些情境下,反而会产生负面效果。

有些人当然会反对统一模型的某个方面,或甚至否认所有“把人框架化”的性格模型的整个概念。
我不指望这些人承认该模型的巨大启发价值。毫无疑问,许多人也各自观察得出不少独特的关联组合,如Ethan
Kennerly探索Bartle分类学和David Keirsey性格模型之间的相似性。Christopher
Bateman也在他的DGD分类法中详述许多游戏类型模型的组合。

我们在与游戏公司共事的过程中观察到了一个常见错误:大多数网站、系统、游戏产品设计师自己是成就动机强的人,他们很自然地推测大多数玩家也是如此。但事实上,这完全是错误的。大多数玩家是社交型的。

不幸的是,这样的系统被开发商视为营销工具而不是吸引力,结果玩家的好友经常会收到不想看到的Facebook信息,通知他们好友向其赠送“礼品”。有些MMORPG还提供正式化的“导师系统”(例如《Shadow
Cities》或《最终幻想11》),这表明确实这种吸引力确实存在发展空间。

精通

对于MDA游戏设计模型,我打算“故计重施”。与GNS+模型的描述似类,MDA模型只缺少一个着重于直接的动作欣赏的设计类型,也就是游戏设计师想从玩家身上引出的精神层面上的感觉。我主张把“运动”作为MDA+模型中的第四种风格的名称,运动再次对准了Caillois的“眩晕”偏好,即寻找动作导向型游戏中的乐趣(有趣的是,最初的GNS和MDA模型都缺少概念来描述操作如何产生紧张的感觉)。

2014-12-20译文游戏设计、用户研究zhaofeng

典型游戏:《Morrowind》、《天际》、《SWTOR》、《Baldur’s
Gate》系列、《无冬之夜》、《Cave Story》。

因为,普通玩家看起来更想社交,而不是取胜。尽管获胜的感觉也很美妙,但这并不是他们的主要游戏动机。如果设计者开始将游戏限定为获得成就,那他就得有所放弃:一大波玩家已经被排除在外了。魔兽世界的普通玩家依赖他们所在的公会一起打魔兽,而不是自己单打独斗。大多数公会玩家主要是为了游戏中的社区和其中的兄弟情谊在战斗,而不是真的非赢不可。

以上解释并没有提及原始的感觉性。第四种设计风格(即我所谓的经验主义者)强调游戏产生强烈的体验的功能——这是我对感觉导向型的技师/杀手的描述。如果经验主义者的有效性受到与游戏者、叙述者和模拟者相同的认可,那么,我们就得到了一个与Keirsey/Bartle模型及其他相关游戏模型完全平齐的GNS+模型。

John Houston博士,长期致力于研究竞争性,他发现那些极其具有竞争性的人有时却是自我破坏性的。他的研究发现,玩家,尤其是成就型和杀手型,他们具有很强的竞争意识,即使在无利可图的情况下也会拼命竞争。

典型游戏:《Minecraft》、《Tycoon》系列,《Terraria, X3: Albion
Prelude》、《Dwarf Fortress》、《Spore》和《Hinterland》。

杀手只是所有玩家中的小部分,但是却很值得研究。从获胜的意愿讲,他们很像成就型玩家;但是,不同的是,光赢是不够的。他们必须获胜,同时某些人必须失败。杀手希望看见尽可能多的人被杀,并且接受受害者表达的敬意。

有效的模型应该能够解释为什么某种游戏能满足某类玩家的喜好要求。以热门的FPS游戏,如《使命召唤》或《战场》系列为例,这些游戏强调高仿真的面面、在高压情形下做出快速的战略行动、真实的敏捷操作、快感时刻、清楚标记的内部线路、令人眩目的部件组合、可收集的成就/战利品、(多人模式下)激烈的竞争、基于角色的合作、团体领导的地位标记。所有的这些特征都与外向性(大多是直接的真实体验)有关,而与抽象的内向品质(如思考或感觉)关系不大。

Bartle认为对游戏玩家施加作用的倾向,映射到性格理论上,就是偏向于内向或外向改变。以此类推,在Bartle分类法中,关注游戏玩法的倾向,在性格理论中的描述是,关注动态的玩家或静止的游戏世界的倾向。我个人版本的Keirsey性格模型认为,玩家通常倾向于改变或构建。我认为因为Bartle分类法和Keirsey性格模型之间存在两种基本的价值动机的类比,所以由这些动机产生的类型和性格之间也存在类比。

近些年来,流行游戏并没有专注于挑战性,出现了更多能够引人思考而不是单纯提供娱乐的“严肃”游戏,所以此刻似乎是时代将行业注意力吸引到更宽广概念上。

在游戏过程中,开发者使用了基于Processing的特定工具以记录不同形式的社交互动,并自动为这些数据进行分类,从而帮助开发者做进一步分析。

益智游戏 13

统一模型的另一个潜力是,通过玩家声称的在玩游戏来定位玩家自然游戏类型。这一定程度上受到个体玩家对“游戏玩家”文化的投入程度的影响。玩家越是积极地把玩新游戏当成生活习惯,统一模型就越能准确地推断他们的一般性格类型。

成就指来源于“胜利”或在游戏中所获成功的奖励感。相关吸引力包括完成(完成游戏,获得所有的奖杯、成就和解锁内容)、完善(玩游戏的技能获得提升)、统治(成为所有玩家中的最强者)、财富(通过努力获得奖励)和建设(使用游戏来创造艺术或对象)。

本文综合参考了多个游戏心理学系统,旨在制定一个统一的模型,以帮助游戏开发者针对特定的玩家类型设计游戏。

但是,除了理论解析游戏吸引力之外,我还希望以上的讨论能够引导我们设计出更多种类的有想法和创新的游戏。当设计师和开发者将游戏定位为主要目标是提供“趣味性”的产品时,便自然忽视了参与度和体验成分。当我们将玩家描述为只接受与自己玩法相符的游戏时,我们不仅忽视了可以从多种层面上触发和取悦玩家的问题,而且还有失去部分玩家的危险。

在Bartle的原文中,他对“杀戮者”的描述并不恰当。他认为,从根本上说,杀戮者是种无法与他人和谐相处的玩家类型。Bart
Stewart的综合模型将这类玩家的行为视为多数游戏不愿考虑的玩法类型,但是事实在于,原本的分类方法确实将这类玩家魔鬼化。同时,《战争机器》之类游戏的发布表明,鼓励“杀戮者”玩法的游戏的确存在一定的市场,此类游戏提供了各种击败对手的残忍方法。

如果参与者需要听什么人的慷慨陈辞,那个人肯定是操作者。他们只是等待着时机出现,然后在精心设计的社交游戏规则中引起一点小混乱。(详见Ryan的第一手描述,个人认为这是个研究技师/杀手的经典视角。)

5种吸引力类型

作者提出的新Keirsey性格模型(from gamasutra)

5、颠覆:涉及打破社交或技术规则的吸引力。

相比之下,《黑色洛城》和《杀出重围3:人类革命》等游戏中的对话场景拥有额外的挑战层面,要求玩家根据角色的面部表情和肢体语言来选择最有效的回应。

为了明确不同玩家类型的社交互动,并呈现我们是如何使用这一方法衡量社交互动,我们进行了8次实验测试,每次安排2名相对的游戏玩家,规定他们共有30分钟的游戏时间,并通过三角测量法和生物计量法以及所获得的玩家访问信息更好地理解他们在游戏期间的社交互动形式和效率。

我有意从游戏和玩法特征的角度来描述这个理论,而不是玩家自身的特征。无论你讨论的是区别“休闲”和“硬核”的常识还是利用社交心理学的更科学化的方法,玩家个性模型和人口统计学都因其简单性而极具吸引力。

比如,在Bartle分类法中,称注重社交互动的人为“社交家”是合情合理的,但对于偏好单人游戏的内向空想家,似乎担不起”社交家“之名。这些不太讲社交的社交家更喜欢个人化的娱乐方式或抽象游戏,在这点上有些贴近理性者/探索者,因此很难将他们各自区别出来。进一步研究通常需要考虑他们玩游戏的主要原因是找乐子(理想主义者倾向)还是训练思维技巧(理性者倾向)。

典型游戏:《反恐精英:起源》、《Day of Defeat》、《Red
Orchestra》、《Company of Heroes》、《StarCraft 2》、《Planetside
2》、《Age of Chivalry》和《Battlefield 3》。

益智游戏 14

(注:作者在本文中引用的Richard Bartle、David Keirsey、Christopher
Bateman等人的文献参考,是其本人的理解。因此,读者不必将其当成原作者的本意。)

算是不断探索游戏系统和故事世界的探索者吗?他们试图进入游戏内的足球场,想知道游戏逻辑是否允许他这么做,他们想要知道足球场中究竟有什么。

娱乐

社交家具有较高级别的“共享意识”,愿意进行口头互动并共同讨论问题的答案。与成就者不同,社交家的互动具有协作性,主要关于两名玩家一起思考并想出问题的正确答案。同时,社交家对于游戏进程并不感兴趣,并且比起其他玩家类型,他们关于游戏内部事件的GSR情绪反应程度较不明显。

四种性格各自综合了两种元素(from gamasutra)

我认为统一模型给我们提供的是一种深刻的研究视角,即不止是一两种知名的游戏操作或游戏设计理论互相或与一般性格模型之间存在紧密的关系,无数种理论都是相辅相成的。

Bartle对成就者的描述是这样的:“成就者把积分和升级当作主要目标,……成就者为自己在等级制度森严的游戏世界占据正统地位而感到自豪,为自己能在如此之短的时间内达到这样的地位而骄傲。”升级、领导和积累大量掉落物品等行为都受到安全导向型动机的驱使,而其他动机,如强大的觉察力、对自我成长的理解则没有这样的激励作用。

同时我们还必须注意到,杀手在GSR测试下的情绪反应和社交互动级别会在他们即将获得胜利时出现明显的下滑——因为他们只对那些“实力相当”的对手感兴趣,这点将在后来的访问中得以证实。

将这些人的研究与Relentless
Software早前关于可用性测试所得的数据结合起来,得到了以下关于互动性的分类:

他们试图颠覆游戏的规则,算是杀戮者吗?如果他们没有使用作弊码的话,就不能以这种方法来体验游戏。

统一模型

坦诚地说,有些研究确实在不同的玩家类型中观察到不同的特征,有些人也曾试图解释这种差异,比如男性和女性间天生的认知偏差。但是,重点还是要考虑到,情境在玩家感觉中所占的位置。或许换个环境和背景,这些玩家就不愿意尝试游戏。

如果游戏要求获得更高的分数,或者呈现新的冒险路径,你总会想法让自己找到最佳选项。你很在意游戏提供的所有内容,并从中找到最合心合意的东西,时常发现自己对取得进展的过程颇为上瘾。你就是那种在《天际》中挑战“硬核模式”,只是为了一看究竟的群体。无论游戏是线性还是开放性,只要它存在目标,你都将永往直前。

建议:他们希望游戏能够采用嘲弄机制,以此更明显地突出自己的胜利,就像战士那样。对于这类型的玩家,开发者可以通过提供给玩家更多获得胜利的机制而确保游戏的用户粘性。早前游戏,如《马里奥赛车》或者《Buzz!
Quiz World》决赛中的“rubber
banding”机制便都体现了这一点,即在最后游戏关卡中将玩家之前所获得的分数变成其最后一回合的抢先优势。

我还认为,旁观者不仅包括玩家参与到正在玩的游戏的故事中,还包括在观看其他人玩游戏时参与到故事中。虽然“胜利”在玩家享受游戏的乐趣中扮演着重要角色,但游戏的故事和进程同样具有非凡的吸引力。

比如,以本文开头的故事为例,我的弟弟们不断地驾驶汽车从悬崖飞下。那么,根据Bartle的玩家分类,他们属于何种玩家类型呢?

尽管如此,从玩游戏的角度来描述参与度似乎更加有效,主要原因有3点。

益智游戏 15

我们在这项研究中使用了Bartle
Test,即在明确不同Bartle玩家类型之前先问玩家30个问题。并通过分析结果而确定玩家的类型。

在这本书的第二版本《Please Understand Me II》中,作者和Richard
Bartle一样,把他的4种性格类型划分为四个象限,以体现四者在内部结构上的联系。然而,在他提出这个模型时,我已经得出另一个稍微不同的分类版本。

完成主义者

杀手和成就者的兴趣主要是对物品或人物施加行为,他们把物品和人物当作外部目标。而探索者和社交家更倾向于与物品或其他玩家建立更深刻的互动关系,即更关注内在品质。

附录

成就者希望能够获得游戏更深层次的奖励,就像他们希望其他玩家能够在游戏中高颂自己的名字那样。

转载本站文章请注明出处:金沙糖果派对网站 https://www.1212home.com/?p=1403

上一篇:

下一篇:

相关文章