首页小游戏 › 【金沙9159app】玩家动机

【金沙9159app】玩家动机

金沙9159app 1

来源:

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

导读:用户类型与游戏设计定向之间的相互影响分析(下篇)

玩家动机

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。

篇目1,探索性格模型分类对游戏设计的指导作用

2014-12-20译文游戏设计、用户研究zhaofeng

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。

作者:Bart Stewart

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。

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

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。

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。

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。

过去十多年相继出现了不计其数的玩家心理模型。在早期的简单模型中,
Bartle分类法被认为是最有参考价值、最具持久性的模型之一。我认为,这是因为Bartle分类法能够反映玩家的游戏性格(即游戏状态下所表现出来的个性)。换而言之,Bartle之所以长期被引以为参考,是因为它借鉴了其他有效的一般性格模型。

1 强大的人类动机

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。

事实上,一些流传已久的游戏类型和游戏设计模型在概念上可谓“资源共享”。所以,我的第一个主张是,无论是Bartle分类法,或者Caillois、
Lazzaro、 Bateman提出的游戏类型模型、
还是Edwards、Hunicke/LeBlanc/Zubek等人提出的游戏设计模型,都是本文所谓的统一模型的变体。

1.1 性和暴力

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。

(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。)

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。

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[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。

Bartle分类法的四种玩家类型

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。

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。

最初的四种Bartle分类法(提出者在他的书《Designing Virtual
Worlds》中已将其拓展成8种)的正式描述出现在游戏Multi-User Dungeon
(MUD)的联合制作人Richard Bartle所写的文章《Hearts, Clubs, Diamonds,
Spades: Players Who Suit MUDs》中。

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。

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)。

提出这个分类法的基础是,观察和分析玩家在多人游戏模式下所表现出来的行为。根据Bartle分类法的描述,可以把玩家分成四种类型,即杀手、成就者、探索者和社交家:

1.2 心流(flow)

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)。

  • 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。

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。

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。

金沙9159app 2

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)。

这四种类型的玩家是根据“内容”和“控制”,这两种主要的游戏玩法喜好分化而来的。“内容”和“控制”具有两种相互排斥的形式——“内容”强调单纯而直接地对游戏世界中的物品施加行为,或与游戏系统的深入互动;“控制”着重于玩家通过两条途径,即其他玩家的动态行为或相对静止的游戏本身,来体验游戏。

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?

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)。

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。

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。

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。

金沙9159app 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

金沙9159app 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。

金沙9159app 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。

金沙9159app 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。

金沙9159app 7

表6、高级别的游戏性设计元素

金沙9159app 8

图1、游戏性设计元素的树状图

与此类似,杀手和社交家热衷于与游戏中的其他玩家之间的动态互动;而成就者和探索者的主要关注点是控制存在于游戏世界本身的、由开发者定义的游戏内容物。

图1玩家技能水平与游戏挑战水平的关系

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。

Bartle分类法的理论基础是两组互补的玩家目标:动作或互动(内容)和玩家或游戏世界(控制)。Bartle据此画出了一个四分坐标图,每个象限对应一种玩家类型。玩家可以根据以上四种类型的描述和四分坐标图找到自己的对应类型。例如,偏好动作且更关注游戏世界的玩家在游戏时,更可能属于游戏中的成就者。

1.3 强化(reinforcement)

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。

以下是Bartle分类法的四分坐标图(注:本图实际上是把原图顺时针旋转了90度,原图出自《Players
Who Suit MUDs》,至于原因,请读者耐心往下读,自会明白)。

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。

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。

金沙9159app 9

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。

金沙9159app 10

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。

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。

Bartle分类法(from gamasutra)

2 人们为何要游戏

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。

Keirsey性格模型的四种性格类型

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):

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【金沙9159app】玩家动机。 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. 【金沙9159app】玩家动机。Gabe Zichermann and Christopher Cunningham. 2011. Gamification by
    Design: Implementing game mechanics in web and mobile apps
    .
    O’Reilly.

上世纪70年代,心理学家David
Keirsey把Myers-Briggs人格模型中描述的16种类型提炼成四种一般类型。在他的(合作者Marilyn
Bates)《Please Understand
Me》一书中,Keirsey描述了这4种“性格”,同时给出名称:

精通

附录、调查中包含的游戏性设计元素

金沙9159app 11

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
    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. 【金沙9159app】玩家动机。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. 【金沙9159app】玩家动机。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

  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.

  • 技师(感觉+理解):现实主义、策略、操作(对像为人或物)、实用主义、冲动、行动导向、感觉导向
  • 守护者(感觉+判断):务实、逻辑、等级、组织、注重细节、占有、过程导向、安全导向
  • 理性者(直觉+思考):创新、战略、逻辑、科学/技术、前景导向、结果导向、知识导向
  • 理想主义者(直觉+感情):想象、交际、情绪、关系导向、引人注目、“以人为本”、身份导向

释放压力

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。

获得乐趣

我认为最基本的人类行为分类是,内在(偏向可能性和抽象性) vs.
外在(偏向具体性和现实性)和改变(自由和机遇) vs.
构建(规则或组织)。如此一来,四种性格就各自综合了外在/内在和改变/构建这两对元素:

社交

金沙9159app 12

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:

四种性格各自综合了两种元素(from gamasutra)

难度乐趣:玩家试图赢得某种胜利

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:

容易乐趣:玩家专注于探索游戏

金沙9159app 13

状态改变乐趣:玩家感受到的游戏变化

作者提出的新Keirsey性格模型(from gamasutra)

社交乐趣:与其他玩家的互动

Keirsey和Bartle

2.1玩家类型

本文我主要探讨的是Keirsey 和Bartle主张的分类模型。首先,我们谈谈David
Keirsey描述的四种性格类型——技师、守护者、理性者和理想主义者——分别对应
Richard Bartle描述的四种玩家类型:

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。

金沙9159app 14

图2Bartle的玩家类型划分

Keirsey和Bartle对应的玩家类型(from gamasutra)

探索型玩家

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。

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。

下图是Keirsey性格模型和Bartle分类法的结合版:

成就型玩家

金沙9159app 15

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。

标准模型——Keirsey-Bartle模型(from gamasutra)

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。

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。

社交型玩家

理想主义者/社交家:Bartle如此描述社交家:“……对人感兴趣,他们认为游戏玩家之间的关系很重要……玩家的成长是个体性的,随着不断成熟,唯一基本上有意义事就是……渐渐知道他人、理解他们、形成美妙持久的关系。”

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。

以上描述与Keirseian对理想主义者的描述颇有联系:理想主义者充分意识到他人是自我发现(内在改变)的生命之旅中的一部分。一定程度上,想象力丰富的理想主义者总是在进行角色扮演——他们不断地创造自己的(或他人的)意象,为了达到自己渴望的感觉,他们觉得应该通过自己的行动来模拟。

杀手型玩家

守护者/成就者:对于守护者而言,游戏世界是一个危机四伏的地方,所以有必要通过积累物质财富来保护好自己……只是为了以防万一。因此,守护者注重收集金钱、争夺稀有资源、购买和储备上好货物、形成稳定而持久的团体关系、利用财富(外向构建)锁定自己与游戏世界的联系,从而保持自己在游戏世界的地位。

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。

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。

♦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。

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。

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:

理性者/探索者:理性者的处世行为一成不变——探索原始数据(内向构建)背后的组织性结构能给他们带来快乐。这些原始数据可以是空间(地理)或时间(形态)特征,也可以是因果特征(要求)或关系特征(联系)。基本上,理性者的快感来自从战略的高度上理解作为整体的游戏系统。

80% 社交型

Bartle对探索者的描述如下:“真正的乐趣来自探索和收集最齐全的游戏地图。”在核心动机——找感觉、找安全、找知识和找身份中,作为“发现”的探索最接近于理性者的知识引导倾向。对理性者/探索者而言,一旦数据背后的规则水落石出了,这就足够了——理解本身就是一种奖励。这些玩家可以从知识分享中得到乐趣,但他们向别人传授知识并不需要或期望得到额外奖励。

50% 探索性

技师/杀手:最后,我们再说说杀手(或者我更偏向于称他们为“操纵者”)。就游戏玩法而言,这些人非常难理解,因为大多数虚拟世界的编码规则已经把他们的操作风格作为“不安定因素”(即使其他玩家焦虑不安)给边缘化了,且试图扑灭杀手风气。正如Bartle所言:“杀手的快感是建立在把自己的行为强加给别人的基础上。”他还指出,杀手“希望只表现他们凌驾于他人之上的一面。”

40% 成就型

这种渴望掌控一切的力量与Keirseian
对技师的描述遥相呼应。技师(如他们的性格标签所示)喜好技术型操作。技师/杀手是工具使用者、亢奋狂人、天生的政治家、战斗专家、冒险的赌徒和卓越的谈判者。无论是什么战略情形,找到并表现出优势几乎是他们的本能。为了保持最大限度的个人自由(外向改变),他们表现出统治自己世界的要求。

20% 杀手型

在2011年的GDC的游戏开发者演说上,Ryan
Creighton展示了他的硬币收集游戏,其中有个“社交工程”部分(“social
engineering”),我们可以从中找到以上描述的力证。为了获得游戏的胜利,守护者/成就者会在遵守游戏规则的前提下,满屋子地找别人要硬币;理性者/探索者会淡定地坐看硬币的交易,试图发现游戏的本质;技师/杀手会不断地研究如何缩短游戏时间,并且,作为天生的谈判专家,他们很轻易地能说服别人把一袋子金币拱手相让。看吧,事情就是这样。

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%。

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。)

2.2 社交游戏

最后注意一下Keirsey/Bartle的结合版模型:Keirsey性格模型和Bartle分类法在某些方面的视角可能并不一致。这是因为Bartle分类法来源于多玩家环境,倾向于外向型玩家,而性格模型则兼顾了外向型和内向型两种玩家。

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。

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)。

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)。

Chris Bateman的DGD1模型

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。

即使考虑到了内向性和外向性,并非所有玩家都能在四种基本性格类型中把自己对号入座。
Bartle分类法和Keirsey性格模型都没有好好解决这个现实问题。有些人认为自己既像内向型玩家,但也有外向型的表现,既重视改变也不忽视构建。

2.3内部vs外部动机

由Christopher Bateman编写的书《21st-Century Game
Design》,探究了游戏玩法设计的“集群游戏设计”模型(”demographic game
design” model (DGD1)),我认为这个模型有利地配合了Keirsey/Bartle模型。
Bateman
提出的模型虽然没有匹配各个性格类型,但形成了次级游戏类型,从而填补了主要游戏类型之间的空白地带。

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。

Bateman 所定义的四种游戏类型元素和硬核/休闲模式一样,不直接映射
Keirsey/Bartle模型,但对应了四种
Keirsey/Bartle类型之间的空白段。下图反映了这种叠加关系(返回看前面几张图,这下明白为什么我说是顺时针旋转90度了吧?):

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:

金沙9159app 16

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。

标准模型:Keirsey-Bartle模型叠加上Bateman 的DGD1模型(from gamasutra)

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。

Bartle分类法存在“绝对化玩家类型”的缺陷,DGD1的价值(除了实用性和本身作为性格模型的价值)就在于填补这个不足。有些玩家知道自己的类型介于探索者和成就者之间,或混合了策略(理性者)和逻辑(守护者)两种表现,往往“不适合”用Bartle分类法归类,但现在他们可以借助DGD1模型,知道自己倾向于征服者类型。DGD1模型并没有摒弃Bartle分类法的价值,相反,DGD1模型深化、升华了这个分类法,从而引出Keirsey/Bartle/Bateman模型(结构如图4所示)。

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。

注:《21st-Century Game
Design》出版后,DGD2模型的问卷随之出现在iHobo网站上。DGD2模型由基于Myers-Briggs的DGG1模型衍生出来,更加明确地围绕Keirsey性格模型构建。DGD2没有破坏或更改DGD1所提出的游戏类型模型,而是采纳了Keirsey性格理论的某些概念,在Keirsey性格模型(和Bartle分类法)的DGD1模型中突出了征服者、管理者、漫游者和参与者类型。(即后来的BrainHex六分模型。)

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)。

统一模型

在我研究关于玩家类型和游戏玩法模型的文献时,我很惊讶地发现,许多其他模型也各自提出了三分或四分法。更引人注目的是,不同作者对各自的分类法的说辞非常贴近Keirsey/Bartle模型描述的核心游戏类型。

因此,我的第二个主张是,不仅Bartle分类法是Keirsey性格模型的子类,还有无数个其他知名的游戏和游戏设计模型也是四种基本性格类型的变体。

当然,还存在其他性格和游戏模型并不是四种基本风格的变体,这也是我们必须承认的事实。我明白这个道理,所以我没打算把我见到的所有性格类型都凑成一个。作为一名资深系统设计师,我充分意识到“把各种现象都当成既定理论的实例”是很危险的——我已经尽力避免这种错误,我所做的不过是把各种分类模型的元素对应地列成一个表:

金沙9159app 17

各种分类模型的元素对应列表(from gamasutra)

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。

当Caillois和Lazzaro遇到Keirsey和Bartle

统一模型的第一部分把Keirsey的人类性格一般理论与Richard Bartle、Roger
Caillois和 Nicole Lazzaro描述的四种基本游戏类型联系起来。

注:尽管Roger
Caillois表示他不认为他所描述的四种类型是完整的分类,我个人倒是认为,他的理论比他所想的更好。他提出的六个概念完整地填补了其他人得出的四种核心类型之间的“空隙”。因此,我主张把他提出的模式归入标准模型中,当然,允许读者持有不同的意见。

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。

Lazzaro的“严肃的”或“深沉的”乐趣(游戏邦注:她在关于游戏条件下的情绪反映的群集分析文中,定义四种核心情绪类型,这是其中之一)也指向感觉导向,特别是,寻找来自积极游戏的内在奖励——兴奋和轻松的感觉。再者,这种定位非常接近于技师/杀手在熟练操纵人物或物品(外向改变)时产生的感觉。

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。

Caillois显然把模仿与“模拟”,或者对二次元现实的积极建设相关联。这正是富有创造力的理性者/探索者的所作所为。对于理性者,探索或建立新世界的乐趣反映了他们作为探索者的独一无二的个性,从而使他们能够理解新世界的内部构建。热衷于模仿的理性者/探索者就这样与Lazzaro的“容易的乐趣”搭上了关系。
“容易的乐趣”,描述的是沉浸于游戏体验的玩家偏好。

Caillois描述的第四种游戏模式,即机会,因为是建立在随机性和机遇性的基础之上,所以根据随机的死亡名单或卡片变化,决定结果,就能把公平性加储于所有玩家。对理想主义者/社交家而言,这种方式无可厚菲,因为这与游戏的规则几乎没有关系,运气不仅是可以接受的,甚至可以说是必须公平地散布在结果中。规则是人定的,为的是保证玩家之间(与人类或NPC)的互动。这几乎与Lazzaro构想的“人的乐趣”不约而同,在游戏世界中,这种随机乐趣不仅是可使用的工具,也是要克服的挑战、要理解的系统,还是玩家彼此享受有意义的关系的社交背景。

GNS+和MDA+

除了这些游戏类型模型,还有两种重要的游戏设计模型,在定义上,与
Keirsey的性格模型有关。它们就是:游戏者/叙述者/模拟者(GNS)游戏设计模型(由Ron
Edwards最先提出,简称为GNS+模型,但后来被弃置不用了)
和机制/动态/美学(MDA)框架(由Hunicke、LeBlanc和Zubek阐述,简称为MDA+模型)。

三分法的GNS+模型与Keirsey/Bartle的三种分类形成紧密的对应。游戏者设计的风格,注重游戏的操作机制或规则,显然是对应了以规则导向、竞争、难度的乐趣引导为关键词的守护者/成就者。与此类似,理性者/探索者最可能被模拟者的设计风格所吸引,即为建设和投入到复杂而逻辑上一致的游戏世界而到快乐。而“以人为本”、“人的乐趣”的剧情叙述则受到理想主义者/社交家的青睐,而这也是叙述者使游戏有趣的主要手段。

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。

在我看来,把这种类型补充到GNS模型中未尝不可。在Robin
Laws提出的游戏类型模型中,经验主义者的倾向与“亢奋”玩家类型非常相似。另外,喜欢享受激烈的游戏体验正好类比
Caillois所描述的“眩晕”乐趣。

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)。

和最初的GNS模型一样,MDA模型的三个类型对应了统一模型所描述的游戏类型和性格类型。作为约束玩家行为的规则,机制是守护者/成就者的首要选择,他们自然而然地欢迎游戏者的设计方法。
“但你在游戏里到底玩什么?”的最实际的回答就是机制。动态是模拟型理性者/探索者最主要的兴趣所在,他们不由自主地把注意力放在游戏的功能性行为上,因为这能给他们带来独特的二次元生活体验。理想主义者/社交家总是对他人抱着理想的观念,并以此作为游戏的态度,他们能够以最快的速度觉察到某款游戏是否满足美学要求——即这款游戏好不好。

解释完了理论,接下来我们准备研究统一模型的用途。

以统一模型解读当前游戏

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。

在FPS中,高速、激亢的战略行动的直接受众是外向型的技师/杀手。外向型的守护者/成就者的喜好是处理写得一清二楚的操作规则、收集游戏内物品和成就(这是他们采取行动的目的)。一定程度上,如果一款游戏高度强调以上两方面元素,那么这款游戏既能受到技师/杀手的青睐,也能博得守护者/成就者的好感。这种混搭组合放在Chris
Bateman的DGD1模型中的休闲游戏模式中,可能有些奇怪——纯FPS的游戏通常是非常紧张刺激——但它符合Chris
Bateman描述的“休闲”游戏的概念,根据这种概念,玩家在游戏中没有投入多少情绪,所以想玩就玩,想退就退,游戏主题很实在,也很容易理解,且针对的是大众市场。

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。

如果统一模型有效,那么它应该也能够解释“出乎意料”成功的游戏(如《Minecraft》)的吸引力所在。在我写这篇文章时,《Minecraft》仍在测试阶段,现在它已经为开发商积累了数千万美元的收益。该作的着力点有二:创意探索和刺激求生。当玩家探索洞穴或搭建筑物(都是探索导向型的活动)时,玩家的角色可能会突然被猛兽攻击。杀手最看好这或战或逃的刺激反应,另外,搞破坏、从高处跳下、(被推)落入致命的岩浆中等实实在在的感觉也颇讨杀手的欢心。

理性者/探索者和技师/杀手的结合相当于Chris
Bateman的DGD1模型所描述的强调策略/战略的“管理者”游戏类型。Chris
Bateman将“管理者”描述为,可以在自己确实喜欢的游戏上奋战数小时的“复杂引导型玩家”,他们的类型“与精通和系统有关”。这几乎解释了《Minecraft》为什么能够对那些喜欢按自己的设计重置游戏的玩家群体产生强大的吸引力。

(有趣的是,《Minecraft》的主设计师在游戏中增加了成就系统,将以“冒险升级”为名发布。这些新的功能特征可能受到守护者/成就者的欢迎,因为当前的守护者/成就者从他们的角度出发,抱怨《Minecraft》高度非指向性的游戏玩法很无聊很难讨喜。吸引成就者的新功能特征发布后,《Minecraft》能否保持探索型杀手的忠实,是个值得探讨的问题。)

在下表中,我列出了各种游戏在统一模型中的对应类别:

金沙9159app 18

游戏风格对应的玩家类型(from gamasutra)

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。

另一方面,如果一个人只是玩一点轻型的或大众化的游戏(如《大富翁》),要判定他的性格类型,统一模型的预测性的精度可能极低。在这种情况下,没有任何模型能够起作用,因为做推断的信息实在不足。
即使是强调多人游戏的Bartle分类法也很难对那些偏爱单人游戏的玩家作出判断。

【金沙9159app】玩家动机。此外,个人的游戏选择有可能不能完美地对应到四种主要类型中。此时,可以考虑他们可能是DGD1模型所描述的四种类型之一。在DGD1模型中,各个类型都是Keirsey/Bartle模型描述的两种主要类别的组合。

通常情况下,玩家玩的游戏越多,他们对游戏玩家文化的投入程度就越高——统一模型对他们的性格类型的定位就越精确。反之也成立:玩家玩的游戏越少,统一模型的推断精度越差。这不是统一模型的缺陷,而只是缺少足够的归类信息。

统一模型促进新游戏设计

统一模型本身并不涉及游戏玩法功能特征。但它有可能把玩法功能特征与特定的游戏类型倾向联结起来——不同的活动显然满足不同的需要。这样,设计师就可以根据各种功能特征的适应性来制定有针对性的设计目标。

下表反映了游戏玩法功能和游戏类型的对应:

金沙9159app 19

游戏操作类型–玩法特征(from gamasutra)

假如,你将设计一款令人兴奋的、“有大量奖励”的游戏。根据上表,你可以看到“令人兴奋的”对应的应该是技师/杀手风格,而“奖励”显然偏向守护者/成就者。那么你所需要的就是,一种综合了两种元素(如果可能)的游戏玩法,但至少确保涉及其中之一。

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。

转载本站文章请注明出处:金沙9159app https://www.hf8420.com/?p=663

上一篇:

下一篇:

相关文章