Moeilijkheid is een moeilijk aspect om in videogames te balanceren. Sommige mensen geven de voorkeur aan videogames die een uitdaging vormen, terwijl anderen genieten van een gemakkelijke ervaring. Om dit proces gemakkelijker te maken, gebruiken de meeste ontwikkelaars dynamische moeilijkheidsaanpassing (DDA). Het idee van DDA is om de moeilijkheidsgraad van een spel in realtime aan te passen aan de prestaties van de speler. Als de prestaties van de speler bijvoorbeeld de verwachtingen van de ontwikkelaar voor een bepaalde moeilijkheidsgraad overtreffen, kan de DDA-agent van de game automatisch de moeilijkheidsgraad verhogen om de uitdaging voor de speler te vergroten. Hoewel nuttig, is deze strategie beperkt in die zin dat er alleen rekening wordt gehouden met de prestaties van de speler, niet met hoeveel plezier ze daadwerkelijk hebben.

In een recente studie gepubliceerd in Expert Systems With Applications , besloot een onderzoeksteam van het Gwangju Institute of Science and Technology in Korea een draai te geven aan de DDA-aanpak. In plaats van zich te concentreren op de prestaties van de speler, ontwikkelden ze DDA-agents die de moeilijkheidsgraad van het spel aanpasten om een ​​van de vier verschillende aspecten met betrekking tot de tevredenheid van een speler te maximaliseren:uitdaging, competentie, flow en valentie. De DDA-agenten werden getraind via machine learning met behulp van gegevens die waren verzameld van echte menselijke spelers, die een vechtspel speelden tegen verschillende kunstmatige intelligenties (AI's) en vervolgens een vragenlijst over hun ervaring beantwoordden.

Met behulp van een algoritme genaamd Monte-Carlo tree search, gebruikte elke DDA-agent werkelijke spelgegevens en gesimuleerde gegevens om de vechtstijl van de tegenstander zo af te stemmen dat een specifieke emotie of 'affectieve toestand' werd gemaximaliseerd.

"Een voordeel van onze aanpak ten opzichte van andere emotiegerichte methoden is dat het niet afhankelijk is van externe sensoren, zoals elektro-encefalografie", zegt universitair hoofddocent Kyung-Joong Kim, die het onderzoek leidde. "Nadat het is getraind, kan ons model de status van spelers schatten met alleen in-game functies."

Het team verifieerde - via een experiment met 20 vrijwilligers - dat de voorgestelde DDA-agenten AI's konden produceren die de algehele ervaring van de spelers verbeterden, ongeacht hun voorkeur. Dit is de eerste keer dat affectieve toestanden rechtstreeks worden opgenomen in DDA-agenten, wat nuttig zou kunnen zijn voor commerciële games.

"Commerciële gamebedrijven hebben al enorme hoeveelheden spelersgegevens. Ze kunnen deze gegevens gebruiken om de spelers te modelleren en verschillende problemen met betrekking tot gamebalancering met onze aanpak op te lossen", zegt universitair hoofddocent Kim. Vermeldenswaard is dat deze techniek ook potentieel heeft voor andere gebieden die kunnen worden 'gegamificeerd', zoals gezondheidszorg, lichaamsbeweging en onderwijs. + Verder verkennen

Uit onderzoek blijkt dat relaties tussen spelers en personages invloed hebben op de tevredenheid van videogames