前言
本文将探讨动态难度调整的定义、诞生过程以及设计标准。同时,还将介绍DDA的基础框架和常见手段。通过深入了解动态难度调整,游戏设计师可以更好地应用这一概念来提升游戏的可玩性和乐趣。
通过本文的阅读,您将能够更好地理解动态难度调整的概念和应用,为您的游戏设计提供有益的指导和启示。无论您是一名有经验的游戏设计师还是初学者,本文都将对你有所帮助。
一、动态难度调整
1.1 DDA的定义
动态难度调整(Dynamic game difficulty balancing)、动态游戏难度平衡(dynamic game balancing),以及常用的缩写DDA(dynamic difficulty adjustment)是指电子游戏根据玩家技能水平调整挑战水平的过程。这个过程可以确保游戏的难度与玩家的能力相匹配,从而提供更好的游戏体验。
动态难度调整(DDA)在电子游戏行业中越来越受欢迎,因为它能够帮助玩家持续沉浸在游戏中,达到一种被称为心流的状态。然而,目前玩家对于DDA在游戏中的影响持有不同的看法。一些玩家认为DDA能够增强玩家体验,使游戏更具挑战性和趣味性。而另一些玩家则认为DDA可能会阻碍他们的游戏体验,因为他们实际渴求一个更加简单或者困难的游戏体验。
1.1.1 DDA的诞生过程
游戏提供给玩家的挑战与游戏的乐趣息息相关。随着时间的推移,过于简单的游戏会变得枯燥乏味,而难度太大的游戏也不会让人感到鼓舞。
游戏开发者面临着一项艰巨的任务,即为玩家创造一个平衡的挑战,因为玩家的技能水平参差不齐。对一个玩家来说很难的障碍对另一个玩家来说可能很容易,反之亦然。设计师先选择使用静态难度的方式来保障玩家的游戏体验。
在动态难度调整诞生之前:静态难度
静态难度是指数字游戏通常要求玩家从几个预先设定的选项中选择自己喜欢的难度设置,例如简单、普通、困难。
难度选择完成后,游戏会采用不同的方法来增加或减少难度。根据游戏类型的不同,这可能意味着玩家的敌人更强大,或者玩家必须更快地做出决定。然而,这种原始的方法存在一些根本性的缺陷:不同难度级别的数量是有限的,级别之间的差异对于一些玩家来说可能过于陡峭,玩家更容易意识到体验的变化。
虽然有些游戏允许玩家在整个游戏过程中重新选择难度,但这是以玩家的游戏体验为代价的,破坏了游戏体验的完整性。
为了解决这些问题,动态难度调整出现了。
动态难度调整(DDA)可以让电子游戏衡量玩家的技能水平,然后改变游戏参数,为玩家提供适当的挑战。此外,DDA的主要理念是在游戏中设置能够衡量玩家表现和技能的设施,并在游戏过程中相应地调整难度,从而为玩家提供最一致(也最有趣)的体验。
1.1.2 DDA的设计标准
根据上文可以总结出DDA的三点核心诉求:
- 最低诉求:提供合适的挑战,降低玩家上手门槛。
- 标准诉求:提供不同玩家的一致性体验,让玩家能够按照设计师的预期节奏体验游戏。
- 最高诉求:通过合理的动态难度设置,让玩家始终保持在心流状态。
与此同时,DDA需要满足的三个前提条件:
- 能够快速了解玩家的初始技能水平。
- 能够追踪玩家在游戏中的技能变化。
- 动态调节后的参数确实符合玩家的技能变化。
动态难度也存在其适用场景:
- 根据调查,休闲玩家往往认为动态难度调整(DDA)是游戏中的理想元素,尤其是在刚开始玩游戏和学习曲线陡峭的时候。根据这些人的说法,DDA有可能使困难的游戏变得更有趣,从而使游戏变得更商业化、更成功。
- 此外,实力较强的玩家可能会同意DDA在未排名或非竞争性游戏中面对经验不足的玩家时出现,所以DDA非常适合这种情况。
1.2 DDA的基础框架
在做DDA框架设计时我们需要从玩家体验出发,考虑几个重要因素:
- 动机:
玩家为什么要玩这个游戏?他们是为了挑战吗?如果是,那么让游戏变得过于简单可能并不是一个好的选择。理解玩家的游玩动机对于设计游戏的动态难度非常重要。(当然对其他部分的设计也十分重要)
- 技能:
玩家的实际水平有多强?这将直接影响我们是否需要启用动态难度,并且决定适合玩家的难度程度。了解玩家的经验和技能水平可以帮助我们设计一个对他们来说既具有挑战性又不会过于困难或无聊的游戏。
- 时机:
游戏在什么时间点应该采取动态难度?是在特定的时间段还是在玩家对游戏产生某种情绪后?了解何时应该应用动态难度是至关重要的,因为这将直接影响玩家的游戏体验。我们需要确定游戏中的关键时间点,以及玩家在何种情绪下可能需要调整难度。
下面我们会用WWH(When\What\How)去描述一个DDA算法框架:
1.2.1 WHEN:DDA的触发方式
- 基于时间的触发
- DAA在游戏中的特定时刻/时间激活。在这个分类中,我们必须区分周期性定时触发和非周期性定时触发。
- 在周期性定时触发中,DAA每隔一段时间激活一次。例如,在FPS游戏中,每30秒检查一次玩家的弹药。纯周期性基于时间的触发的一个优点显然是它的简单性:只需要一个起始时刻和一个恒定的周期,就可以确定每次DAA将被激活的时间。
- 在非周期基于时间的触发中,DAA在时间上分离的特定时间点上激活。在许多类型的游戏中,一开始频繁调整游戏难度是很重要的,但随着游戏的发展,DAA将收集到足够的数据来确定游戏其余部分的难度水平,而DAA不需要频繁激活。这种情况的一个例子是在赛车游戏中检查玩家的平均速度:在开始时,平均速度的波动往往比游戏后期要大得多,而在游戏后期,平均速度往往是稳定的。
- 还有一种混合选择,即DAA会在特定时期激活,但这一时期的长度会随着游戏的不同阶段而变化。
2. 基于事件的触发
-
- 当游戏中发生某些事件时,DAA会被激活。可以认为,基于时间的触发是基于事件触发的一个子组,即”经过了X段时间”。然而,我们将排除经过时间的事件,并专门引用与时间无关的事件(否则”基于时间的触发”将只是”基于事件的触发”的具体化)。在这种分类中,我们将区分独立事件与链接或迭代事件。
- 前者的一个例子是每次玩家死亡时触发DAA(通常过去的死亡不会影响未来的死亡)。
- 后者的一个例子是每次玩家拾取一个关键对象时都会触发DAA,而所有的关键对象都是相互关联的——例如,如果玩家拾取一把锁,那么DAA就会被触发,但前提是玩家之前拾取过一把钥匙;否则,一旦玩家拿起钥匙,锁的DAA就会触发。
1.2.2 WHAT:DDA的调整标准
参数检测
- DAA观察一个或多个重要参数,以决定如何调整游戏。如果一个参数能够有效地衡量玩家表现的一个或多个特征,那么这个参数便是重要的,所以选择重要的参数便是DAA的有效性的关键。
- 可能重要参数的例子有:收集到的资源总量、造成的伤害、杀死的敌方单位数量……根据参数的值被比较的对象,我们可以区分比较标准参数探测和玩家进程分析参数探测。
- 对比标准,顾名思义,涉及到将参数值与标准值进行比较。如果参数值低于标准,DAA就应该尝试着让游戏变得更简单,而如果参数值高于标准,游戏的难度就应该增加。
- 决定一个参数的标准值应该是多少,这也是一个必须证明合理的设计决策。而分析玩家的进程,则是将参数的值与游戏中之前相同参数的值进行比较,并根据进程决定如何做出反应。例如,DAA探测玩家的分数。如果分数的增长速度比之前慢,也许DAA就会采取行动,让玩家再次加快速度。然而,分数本身并不会与给定的标准进行比较。
1.2.3 HOW:DDA的调整方式
- 反应/生成
- 反应性DDA:当玩家触发DDA的标准时立刻对游戏内容进行调整。它具有立竿见影的效果,但可能破坏玩家的信任感。
- 生成性DDA:随着玩家的游戏进程逐步的调整游戏未来的内容,但受距离因素的影响——如果未来的效果太远,DAA是否能达到预期的效果是不确定的,甚至可能产生意想不到的效果!
2. 离散/连续
-
- 许多DAA将涉及计算以产生其输出。根据输出,我们可以将DAA分类为离散的(输出只能取一组固定的值)或连续的(输出可以取无限值集中的任何值)。
3. 隐性/显性
-
- 当DAA的变化有意让玩家看到和察觉时,它就是显性的。直觉型玩家可能仍然会察觉到差异和变化,特别是当他们将自己玩的游戏与他人玩的游戏进行比较时,但使用隐性DAA,开发者的目标是让难度调整变得不那么明显,尽可能流畅,并尽量避免破坏玩家的信任感。
4. 暗示性/自动纠正
-
- 当DAA为了提高玩家的表现而提供提示和提示时,它具有暗示性,但并不会修改玩家的输入,即所有行动执行仍然只追踪到玩家。相比之下,自动纠正DAA可以修改重要参数和/或玩家的行动以提高表现。
- 例如,在许多RTS游戏中,一个关键因素是用工人单位收集资源,但有时工人被闲置。暗示性DAA可能会突出显示闲置工人,这样玩家就会意识到他们并命令他们开始工作,而自动纠正性DAA可能会在工人闲置时间过长时自动命令他们收集资源。
5. 标准化/渐进/预测
-
- 除了观察外,DDA还可以根据给定的标准或根据一个或多个参数的进展进行反应。标准化的DDA试图让玩家的表现更接近标准(如果玩家的表现低于标准,游戏将降低难度,如果高于标准,DDA将增加游戏难度)。标准化的DDA的有效性可以相对容易地衡量——在DDA激活的情况下,玩家的表现离给定的标准有多近?
- 渐进式DDA试图根据玩家之前在游戏中的表现维持其表现进程。它并不试图让玩家的表现更接近给定的标准,而是根据玩家迄今为止的表现推断出一个标准。
- 我们还必须考虑预测性DDA,即分析玩家到目前为止的表现并预测他在未来任务中的表现,从而了解如何做出反应。例如,如果玩家在迷你boss中表现不佳(失去太多生命值,被击中太多,错过几次攻击),DDA可能会模拟对抗boss的结果,并预测到目前为止的表现不足以击败最终boss,从而决定降低boss的难度。
6. 单人游戏/多人游戏
-
- 将DDA应用于协作游戏时,这种特性自然产生。DDA的行为可能直接影响一个玩家(单人游戏DDA)或几个玩家(多人游戏DDA)。如果游戏中存在不同的玩家团队,我们甚至可以添加”团队DDA”一词来指代影响同一团队中所有玩家的DDA。
1.3 DDA的常见手段
技术 | 描述 |
---|---|
橡皮筋 | 加强落后于玩家的AI,削弱领先于玩家的AI。 |
动态脚本 | 基于积极结果生成行为模式(基于动态难度的AI行为树)。 |
修改敌人 | 修改敌人的类型、基础属性。 |
修改场景 | 修改场景中物品的放置位置、敌人位置等。 |
修改反应时间 | 平衡敌人AI注意到玩家的反应时间和玩家发现AI的反应时间。 |
修改玩家 | 改变玩家控制角色的速度、生命、精度和伤害 |
技能分 | 根据玩家的表现在多人游戏中为玩家分组 |
机器学习 | 使用机器学习控制游戏AI |
下面是一些较为具体的案例:
1.3.1 生化危机4
《生化危机4:RE》是由卡普空开发的一款生存恐怖的第三人称射击游戏。玩家在游戏开始时可以选择一个难度,但该难度随后可以根据玩家的动作在一定的阈值内增减。
游戏会改变敌人的反应时间、生命值和力量,以及玩家收到的道具。如果玩家表现良好,敌人的伤害会增加,血量也会增加,反应时间也会减少。玩家会收到更少的道具,而在某些情况下敌人会更多。如果玩家表现不佳,敌人的伤害会减少,生命值也会减少,这样玩家就有更多时间对敌人的出现做出反应。玩家也会获得更多的道具奖励,敌人也会更多地出现。
提高难度的方式:获得物品、击杀敌人
降低难度的方式:消耗物品、受伤或死亡
其中死亡最有效,基本立即降低一级难度。
从设计目的出发:
生化危机4作为一款恐怖游戏,动态难度调整的目的在于始终让玩家保持一定的紧张情绪,并增加背包管理玩法的趣味性。这样做的原因是游戏设计师希望给予玩家更丰富的体验,而不是让玩家感到过分安全或绝望。
在游戏中,动态难度调整(DDA)扮演着十分关键的角色。通过DDA,游戏可以根据玩家的物资情况和通关进展,即时调整游戏的难度,以确保玩家始终面临一定的挑战。这种设计不仅能够增加游戏的可玩性,还能够给予玩家更加紧张刺激的游戏体验。
因此,生化危机4的动态难度调整是为了提供更加丰富、有趣且具有挑战性的游戏体验,让玩家在游戏中保持紧张情绪,并享受背包管理玩法带来的乐趣。
1.3.2 求生之路2
《求生之路》采用了一个名为”导演”的人工智能系统,它能够根据玩家的表现和行为来调整游戏元素,例如敌人类型和位置。这样一来,游戏可以增加或减少敌人的挑战,并通过分散玩家的位置来鼓励合作游戏方式。
为了确保玩家团队能够面对与他们的技能相匹配的挑战,游戏引入了一个名叫”AIDirector”(AID)的DDA系统。AID负责调整游戏的节奏和难度,通过选择不同的敌人位置和数量来实现。这些决策是根据玩家的情况、生命值和装备状态、技能以及地图上的位置等因素进行的。如果玩家移动得太慢或太快,AID会生成一群僵尸来迫使玩家改变位置或阻碍他们的前进。此外,AID还会鼓励玩家之间的合作,因为独自行动的玩家会成为AID放置敌人的首要目标。虽然某些道具在每张地图中是固定的,但AID可以决定在特定位置生成更多道具,或者用对玩家更有利的道具替换它们。最后,AID还可以决定给玩家一些休息时间,让他们从之前的游戏中恢复过来。
控制器使用此信息来切换状态机的三种状态:
- 首先,积累,它试图通过以下方式增加每个人的压力水平:根据增加压力的需要攻击不同的目标。
- 其次,有高峰,它想通过向你扔一切东西来使紧张达到顶峰。知道玩家团队在与无数不同的敌人原型战斗时都感受到了压力。
- 最后,还有冷却时间,导演在生成更多僵尸之前会等待一段时间。这给你一个机会来治愈、重新加载并将压力水平恢复到正常水平。
这款游戏非常注重惩罚那些不合作的玩家。如果你像一个团队一样玩——互相支持、提供物品、以良好的节奏通过关卡——实际上惩罚会少一些。但如果你移动得太慢,或者冲刺通过关卡,导演就会更加咄咄逼人,并试图击倒你。
此外,游戏还非常关注玩家之间的亲密程度和协作。因此,如果一名玩家擅自闯关并试图自行冲过关卡,导演将优先将他们作为目标,因为他们不遵守游戏规则。
1.3.3 雨中冒险2
雨中冒险2也采用了AI导演系统,导演系统分为三组:场景director、营地director、战斗director。
在地图生成时,场景director会立即生成地图所有内容。它会先生成玩家出生位置和BOSS所在位置,随后就会开始在地图上填充可交互的东西,然后是怪物。
营地director的主要职能和场景director类似,但是它只负责生成虚空内容,如虚空区域和虚空怪物。
战斗director负责生成非场景总监生成的所有怪物。
导演系统使用积分点来“购买”敌人。积分点是一种游戏内货币,可以用来获取敌人。敌人会在随机时间间隔后生成,而导演的积分点获取速度会随着难度计数器的提升而增加。每个敌人都有一个特定的积分值,越强大的敌人需要花费更多的积分。为了增加游戏的挑战性,导演会尽可能多地购买敌人。
然而,设计师们发现在短时间内生成过多的敌人会对游戏的帧数产生压力。为了解决这个问题,他们为导演引入了一种购买“精英”敌人的方法。这些精英敌人具有额外的属性,比如更高的攻击力,同时也提供了更难杀死的挑战。设计师将这种变通方法称为“游戏功能和游戏设计的融合”。
1.3.4 半条命
(Hamlet)系统是半条命游戏的导演系统名称。
该系统通过监控若干参数,评估玩家适应游戏未来情境的能力。如果系统确定玩家所选择的路径会导致他们反复失败,它就会相应地调整游戏。
对玩家情况的评估是通过观察他们的库存状态,追踪玩家到目前为止使用道具的情况,观察可能出现的不足,以及玩家在之前的遭遇中所受到的伤害来进行的。如果检测到不愉快的情况,哈姆雷特要么采取主动行动,要么采取被动行动。反应性行动会调整当前存在的元素,比如意识到玩家存在的敌人,通过修改精度,或者敌人攻击的伤害或者他们的生命值。主动行动会修改玩家尚未看到的元素,这可能需要改变出现的敌人的类型和数量,以及他们的准确性和伤害(在他们出现之前)。
每一个修改动作都有一个代价,这有助于确定采取所述动作对当前状态是否必要,避免将游戏体验变得过于琐碎和无聊。如果系统做出太多改变,而这些改变会被玩家察觉,那么玩家可能会失去对游戏体验的沉浸感。
1.3.5 虚幻竞技场
虚幻竞技场的Bot具有机器学习能力。
DRE-Bot使用基于表格Sarsa (λ)算法的三个强化学习器。
提出的架构包括三个主要模式,分别是危险模式、补充模式和探索模式。当检测到对手或机器人主动受到伤害时,该架构将激活危险模式。当机器人的弹药或生命值低于低(40%)或临界(20%)水平时,将出现补充模式。最后,当其他两种模式都未激活时,将激活探索模式。每个模式对应一个不同的强化学习代理。将智能体分为三个不同的智能体的背后思想是,拥有不同的学习参数、动作、状态和奖励将导致有利的学习过程。
此外,可以进一步扩展架构,引入更多的模式和智能体,以适应更复杂的环境和任务。例如,可以添加一个防御模式,当检测到对手的攻击时,机器人会采取防御措施。还可以添加一个合作模式,当与其他机器人合作时,机器人会采取合作策略。这些额外的模式和智能体将为机器人提供更多的适应性和灵活性,使其能够在不同的情况下做出更好的决策。
此外,还可以考虑引入更多的学习算法和技术,以进一步增强DRE-Bot的性能。例如,可以尝试使用深度强化学习算法,如深度Q网络(DQN)或策略梯度方法,以提高机器人的决策能力和学习效果。还可以探索使用分层强化学习方法,以处理多个层次的决策和任务。
总之,通过扩展架构、引入额外的模式和智能体,以及探索更多的学习算法和技术,DRE-Bot可以在各种环境和任务中展现出更强大的学习和决策能力。
这些内容都是游戏设计师为了让游戏中的AI对人类玩家始终具有一定的威胁性,让玩家在和电脑玩家对抗时始终具有挑战性和趣味性。
1.4 DDA的实现难点
- 测试成本
游戏设计师很多时候无法确定难度是否能够匹配相应的玩家,因为游戏设计师的体验只能作为自己水平玩家的参考。
一个高水平的游戏设计师有时候会(非刻意的)忽视低技能值玩家的基础诉求,这是因为他确实无法理解为什么这会是一个挑战。动态难度挑战系统进一步增加了设计难度,因为设计师不能仅仅通过3-4个典型玩家来判断游戏难度,而是需要更多的测试人员和测试反馈来判断动态难度设置是否合理。
- 性能消耗
首先,我们面临着可扩展性的挑战,不仅适用于合作游戏,也适用于一般的多人游戏。如果在只为单个玩家调整难度时,动态难度调整(DDA)会消耗大量的机器资源,那么同一台机器可能无法承受多个玩家的计算负担。简单的DDA可以从单人游戏安全地扩展到多人游戏,但需要注意的是,资源要求高的DDA可能会导致游戏崩溃或在线延迟,这些都是不受玩家欢迎的。
- 干扰
它可以有多种形式,但通常指的是由于意外因素影响而导致的DDA故障。
例如一款FPS合作游戏,当你造成伤害时,难度就会增加(你造成的伤害越多,你的射击越准,你就会被认为是一个更好的玩家)。
玩家投掷高伤害手榴弹来对付敌人,但爆炸也伤害到附近的队友。DDA检测到玩家造成了大量伤害,从而大大增加了游戏的难度,而实际上游戏应该变得更容易,因为团队整体状态更差!当然有一些方法可以解决这个问题:关闭友军火力,让DAA不把友军火力算作造成的伤害,或者在玩家受到伤害时降低游戏难度。
但这些内容的基本前提是:在执行DDA时,你需要意识到所有玩家操作可能对DDA产生的影响。
- 不同技能间的玩家合作
它指的是不同技能的玩家在某个团队中一起玩游戏时,修改游戏一般难度的困境。一个特定的团队可能包括一个有天赋的玩家和一个没有天赋的玩家,一个经验丰富的老手和一个新鲜的新人,一个专注的玩家和一个分心的玩家。如果游戏变得普遍简单,那么熟练的玩家就会变得更加无聊;而如果游戏变得普遍更具挑战性,技能较低的玩家会觉得游戏更具挑战性和挫败感(可能对他们来说根本不可能)。细分游戏并调整某些部分来避免这个问题并不是微不足道的,需要考虑和良好的设计。所以该部分内容我们会在MDDA环节去讨论。
1.5 DDA的总结
- 劣势
- 有些玩家讨厌DDA。对他们来说,玩并打败一款非常困难的游戏才是乐趣所在,即使这意味着在通往最终成功的道路上死亡500次。
- DDA可以被利用。玩家可能会假装自己比实际情况更糟糕,这样游戏就会变得更容易。
- 与理论相反,DDA可能并不适用于实践中的所有挑战。修改游戏中已经存在的谜题难度绝对不是件容易的事。然而,DDA仍然可以提示玩家解决谜题,或者为下一个关卡选择一个不那么复杂的谜题。
- DDA可以制造荒谬的体验。比如,在一些赛车游戏中,如果你的车撞坏了,游戏就会让其他司机减速,给你追赶的机会。然后就是臭名昭著的橡皮筋效应:如果你领先太多,对手总是会追上来,如果你落后太多,对手总是会放慢速度。
- DDA有可能破坏节奏,并妨碍优秀的关卡设计。假设完美的DDA系统总是将所有挑战保持在相同的感知难度水平上,这将破坏游戏的节奏,而游戏的目的是随着时间的推移而增加难度。
- 优势
- DDA简化了具有陡峭学习曲线或对初学者来说太难的游戏的学习过程。
- DDA可以简化平衡游戏难度的过程。传统上,平衡是通过迭代测试反馈来实现的,这允许开发者调整行为和设置,直到游戏达到合理的平衡。这是一个困难且耗时的过程。然而,尽管游戏平衡和调整不能完全自动化,一个有效的DDA系统可以在更短的时间内以更高的精度揭示游戏系统中更深层次的结构和关系,从而大大简化了平衡任务。
- 在合作游戏中,无论技能水平如何,同一团队的玩家都可以有效地协同工作。这实际上是这项工作的主要动机之一!
- 静态难度等级过于宽泛。对一些人来说”容易”的东西可能对另一些人来说”难”。玩家一开始应该选择什么关卡?
- 静态难度级别可能过于粗糙。如果中等模式太简单,而困难模式太难怎么办?或者最困难的难度模式太简单怎么办?(当我在某款游戏中变得有经验时,这种情况通常会发生在我身上)
- 静态难度等级太过持久。一个难度设置并不能适应玩家技能提升的速度,尤其是当他不被允许在之后改变设置的时候。无论在何种设置下,难度增长曲线对玩家来说都可能太陡或太浅。
二、多人动态难度调整
2.1 定义和创建MDDA框架
2.1.1 MDDA的定义
多人动态难度调整(MDDA)功能在竞争性多人电子游戏中变得越来越普遍。它是一种平衡不同技能玩家之间挑战的手段。
竞技多人电子游戏中的一种玩法功能,旨在通过调整某些玩家的潜在表现来减少所有玩家所经历的挑战差异。
MDDA的一个典型例子是《马里奥赛车8》中的道具系统。在该游戏中,排名落后的玩家往往能够获得更加有效的武器。通过使用更加有效的武器,排名较后的玩家可以降低提高自身排名的挑战难度,而排名较前的玩家为了维持其排名则会面临更大的挑战。
为什么需要MDDA?
- 在竞争性游戏中,能力感是游戏动机和重玩意图的驱动因素。满足玩家对能力感的需求对于玩家的长期粘性相当重要,而在无DDA环境中玩家对能力感的获取是不可控的。
- 在单人游戏中,动态难度调整(Dynamic Difficulty Adjustment)等反应性系统可以通过AI代理行为、计时器和游戏环境等操作元素在游戏过程中实时地动态平衡挑战。由于游戏障碍和可能的变量已经规划好了,并且设计师设定了它们的操作边界,因此可以预测玩家对这些系统的反应。而竞争性多人游戏中的挑战是通过玩家对玩家的冲突产生的。这对于设计师来说是一个问题,由于其他玩家的影响,玩家有可能体验到不同程度的不符合他游戏进度的挑战。
- 挑战难度和玩家技能之间的平衡一直被广泛认为是游戏最佳体验的关键组成部分,技能不匹配在多人合作游戏中也会导致相当大的负面体验。
- 因为较弱的对手提供的挑战很少,而较强的对手则会导致挫败感 。在这些情况下,内在动机很难优化,因为没有达到足够的能力感 。而能力感和改进的内在动机可以导致重返活动的欲望增加,这是电子游戏等娱乐产品的重要考虑因素。
- 探索MDDA技术影响的研究已经证实了一些技术的有效性,包括允许不同技能的玩家以更平衡的表现进行竞争,并在各种情况下对乐趣产生积极影响。这些技术包括赛车游戏中的操纵转向、速度和加速,以及第一人称射击游戏中的输入辅助。这些功能均一定程度上提升了玩家的游玩体验。
能力感是指个人对自己有效执行任务或技能的能力的看法。在电子游戏中,满足能力需求在推动游戏欲望方面起着核心作用。通过提供各种平衡挑战和持续的表现反馈,视频游戏可以培养成就感和能力感。满足能力需求的程度可以独立于其他需求,预测游戏乐趣、重玩意图以及短期内的自尊心状态的变化。它是决定玩家在电子游戏中动机和参与度的重要因素。
2.1.2 MDDA的框架搭建
下面通过对现代商业游戏中的MDDA框架实例进行正式审查,来创建一个全面的MDDA框架。
经过确认,竞技多人游戏模式比例最高的三种游戏类型确定为第一人称射击、竞速和格斗。我们从这三种类型中选择了60款具有竞争性多人游戏模式的游戏,总共有180款游戏作为样本。为了提供更多不同质量的游戏,每个类型中选择了30款获得”正面”评价的游戏(Metacritic评分高于75),以及30款质量为”混合”或”负面”的游戏(Metacritic评分低于75)。
通过游戏机制的主要组成部分对MDDA实例进行描述:
- 情景:激活MDDA的上下文关系,以及决定使用MDDA的方式。
- 过程:MDDA如何影响或修改游戏规则,从而影响了哪些挑战。
- 实体:MDDA的目标和效果。
例如:在《使命召唤:现代战争2》(2009)中,
情景:当玩家连续死亡一定次数而没有对对手得分时,游戏系统将为玩家提供“止痛药”死亡连胜。这个辅助功能在游戏过程中自动执行,无需玩家控制。
过程:当启用时,“止痛药”死亡连胜将显著增加玩家对抗对方玩家攻击的伤害抵抗能力。这伴随着激活界面通知,并保证在使用期间增加玩家的生存能力。
实体:“止痛药”只对单个玩家产生影响,包括在团队游戏模式中。提供的抗伤害效果在一段时间后会自动失效。
在统计上述的游戏后,可以确认一个初步的MDDA框架如下:
系统组件 | 属性 |
---|---|
时间(Determination) | 1. 游戏过程中 2. 开始游戏前 |
自动化(Automation) | 1. 系统启动 2. 玩家启动 |
影响范围(Recipient) | 1. 单个 2. 团体 |
技能依赖(Skill Dependency) | 1. 需要玩家具有技能 2. 不需要玩家具有技能 |
用户操作(User Action) | 1. 手动确认 2. 自动触发 |
持续时间(Duration) | 1. 一次性 2. 多次 3. 持续一段时间 |
可见性(Visibility) | 1. 只告知影响者 2. 只告知未受影响者 3. 告知全部玩家 4. 都不告知 |
下面简单介绍下MDDA框架的定义:
- 时间:Determination
该组件指的是使用MDDA实例做出决策的游戏状态或时间。这个组件具有以下属性:
- 游戏前期:使用实例的决策在多人游戏比赛开始之前做出。在这种情况下,需要根据玩家在过去游戏中的表现相对于当前对手来调整某些玩家的表现。例如,《真人快打10》允许玩家在比赛开始前调整玩家的健康值。
- 游戏过程中:使用实例的决策是在多人比赛中实时做出的。如果玩家在游戏过程中的表现明显高于或低于对手,那么这是合适的,无论在过去的比赛中表现如何。例如,《马里奥赛车8》使用算法根据实时排名来调整道具选择。
2. 自动化:Automation
该组件表明使用MDDA实例的决定是由游戏系统自动决定的,还是由玩家自己选择的。这个组件的属性是:
- 由系统应用(自动):游戏系统会自动决定是否需要一个MDDA实例并将其应用。这取决于游戏是否具有确定相对玩家表现的手段,可以通过简单的玩家得分差异或更复杂的方法(如TrueSkill玩家排名)来实现。例如,《马里奥赛车8》的道具选择是由系统自动选择的,无需玩家输入或禁用选择。
- 由玩家应用(手动):玩家根据自己的判断选择使用MDDA实例。这是目前在战斗中广泛应用的游戏类型。玩家可以在比赛开始前选择分配生命值障碍,为表现不佳的玩家提供增加的玩家生命值。例如,《地平线:极限竞速》允许玩家个人选择驾驶辅助,如刹车辅助。
3. 影响范围:Recipient
MDDA实例的影响范围是指打算受该实例影响的玩家。这个组件的属性有:
- 个人:该实例旨在影响单个玩家。这可以在个人和团队的游戏模式中使用,其中个人玩家的表现与对手玩家明显不同。例如,《任天堂全明星大乱斗》中如果落后其他玩家超过5个击杀,将提供一个特殊动作”Final Smash”。
- 团队:该实例旨在影响一组玩家。这只会在基于团队的游戏模式中出现。例如,《马里奥赛车8》的团队模式将考虑团队排名来选择道具,当排名相对于对手较低时,提高获得更好道具和武器的机会。
4. 技能依赖:Skill Dependency
这个组件表明表现不佳的玩家是否需要一定程度的技能来使用MDDA机制。这个组件具有以下属性:
- 技能依赖:玩家必须具备一定程度的技能来回应、反应或利用MDDA实例的效果,以影响他们的表现。这意味着实例效果并不直接影响玩家的表现,而是为玩家提供提升或降低性能的机会。例如,在第一人称射击游戏中,提供更高的移动速度并不能保证玩家能够”杀死”更多敌人,但如果玩家行动熟练,他们就有更好的机会做到这一点。在《使命召唤:现代战争3》中的”亡灵之手”机制允许倒下的玩家四处爬行并引爆绑在身上的炸药,这可能会让他们击败另一名玩家或杀手。这取决于玩家的技能,成功地追逐和伤害对方玩家才会对表现产生影响。
- 不依赖技能:玩家不需要以任何程度的技能行动,以使他们的表现受到MDDA实例的影响。在这种情况下,应用的效果通过调整玩家的表现与游戏的目标和获胜条件相关联,而不考虑他们的行为。例如,在射击游戏中,增加玩家的生命值(分数是击杀次数与玩家死亡次数的函数)可以确保玩家在不需要以熟练的方式行动的情况下承受更多伤害。例如,《使命召唤:现代战争2》中的”止痛药”机制在比赛中的重生后10秒内显著提高了玩家的抗伤害能力,提高了玩家的生存能力。
5. 用户操作:User Action
该组件指示是否需要MDDA实例的预期接收者与接口交互以启动实例的效果。这个组件的属性是:
- 需要操作:接收者必须与MDDA进行交互,以便发动效果。例如,极限竞速4的驾驶员辅助机制提供转向和制动辅助,但是它要求玩家手动打开这些机制,以便它们出现在游戏玩法中。
- 不需要操作:实例的效果将在没有玩家与界面交互的情况下开始。例如,马里奥赛车8的道具选择算法将提高低等级玩家获得更有效的道具和武器的机会,而无需用户输入或控制。
6. 持续时间:Duration
该组件指示MDDA实例的基于时间的属性。这个组件的属性是:
- 单次使用: 实例的效果在单一时刻发生。例如,《使命召唤:现代战争3》的”殉难”会在玩家死亡时扔下一枚手榴弹,潜在地伤害附近的对手玩家。该手榴弹会在玩家被打败的瞬间一次性掉落。
- 多次使用: 实例的效果可能会多次发生。例如《创意族赛车》可能会为表现不佳的玩家提供3枚巡航导弹,让他们随意使用它们来对付对手。
- 基于时间的: 实例的效果在一定的时间范围内持续发生。例如,《马里奥赛车8》可能会为表现不佳的玩家提供”子弹比尔”道具,从而显著提高他们的速度并增加无敌状态持续数秒。
7. 可见性:Visibility
这是指是否向游戏玩家提供有关MDDA实例存在的反馈。这个组件的属性是:
- 仅对接收方可见: 向实例的接收方提供反馈,目的是通知他/她实例制定的潜在性能调整。这可以通过游戏中的视觉、音频或触觉方式实现,例如当”连死”机制被激活时,《使命召唤:现代战争2》将在辅助玩家的屏幕上显著显示”连死效果”。
- 仅对非接受者可见: 向非接受者提供反馈,即目标玩家或团队受到实例的影响。这可以通过上面列出的相同方法发生,但可以额外包括接收者的身份。然而,接收者本身并没有得到反馈。
- 对所有玩家可见: 向比赛中的所有玩家(无论受益人与否)提供反馈,即某个玩家或团队是实例的接收者。例如,《真人快打10》会在屏幕上显示两名玩家的X射线特殊移动仪表,以便所有玩家都能看到其效果。
- 不可见: 不会向比赛中的任何玩家提供实例生效的反馈。虽然有经验的玩家可以通过观察游戏规则的变化推断出MDDA实例的存在,但没有向接收者或非接收者提供有意义的反馈。例如,《火爆狂飙3》不会根据玩家在当前比赛中的排名显示或告知玩家赛车速度的调整。
2.1.3 MDDA框架的修订
根据调查和访谈,越来越明显的是,参与者认为玩家对MDDA实例的存在和效果的意识对玩家体验有很大的影响。可见性属性在解决这个问题上是不够的,调查和访谈参与者对如何将该技术传达给玩家表示困惑。
在采访和调查中使用的一个MDDA例子是赛车游戏《马里奥赛车》中的道具选择机制。在游戏过程中,如果玩家触碰了一个道具箱,他们将获得一件道具,这似乎是随机选择的,但会受到他们当前在比赛中的排名的影响,因此更强大或更具攻击性的武器将被授予表现较差的玩家。虽然武器选择动画使选择看起来是随机的,游戏也没有提到MDDA实例,但大多数采访参与者都意识到,排名对武器选择的影响。
在初步的MDDA框架中,这将被报认为具有”不可见”的可见性属性级别,因为游戏没有故意告知玩家该技术。因此,该框架将无法解释玩家可以意识到没有故意传达给他们的技术的情况,以及玩家没有注意到或正确解释可见技术的类似情况。由于能见度属性不能保证玩家对MDDA实例的感知,能见度已经从框架中移除,取而代之的是一个新的”意识”属性。正如采访和调查结果所表明的那样,无论其他属性如何,意识都被怀疑对玩家体验有重大影响。为了弥补这一点,意识是每个玩家唯一不同的属性,必须根据玩家体验来衡量,而不是与系统或设计师定义的其他属性进行比较。
所以做如下修正:
可见性:Visibility → 意识:Awareness
意识指的是玩家是否知道MDDA的存在以及对其的了解程度。这个组件的属性是:
- 对效果的高度错误意识——玩家知道MDDA实例,但对其效果的理解完全错误。
- 对效果的错误意识较低——玩家知道MDDA实例,但对它的许多效果有错误的理解。
- 不知道——玩家不知道MDDA实例的效果。
- 对效果的正确意识较低——玩家知道MDDA实例的某些方面,但缺乏全面的理解。
- 高正确的效果意识——玩家完全意识到MDDA实例的效果。
于此同时,这个组件还有另一层结构,除了玩家外,我们需要知道玩家能否意识到MDDA的作用目标:
- 接受者的高度错误意识——玩家对哪些玩家是MDDA效果的接受者有完全错误的认识(即,他们认为接受帮助的玩家不是,反之亦然)。
- 对接受者的错误意识较低——玩家对某些他们认为是或不是MDDA接受者的玩家有错误的认识。
- 不知道——玩家不知道哪些玩家有MDDA。
- 低正确意识——玩家知道一些接收者。
- 高正确意识——玩家意识到或大部分或全部MDDA的接受者。
2.1.4 玩家对MDDA框架的倾向性
- 时间:Determination
大多数受访者认为,对于非接受者(高表现玩家)来说,MDA的时间并不重要,因为”得分低的人无论如何都会得到帮助,所以选择什么时候得到帮助并不重要,因为它无论如何都会发生”。对于低水平玩家来说,他们更倾向于在游戏中启用DDA,因为”如果你今天过得很好,或者你已经变得更好了,你仍然希望有机会凭借自己的技能获胜”。
2. 自动化:Automation
低水平和高水平玩家都倾向于由游戏系统自动激活MDDA实例,而不是由玩家选择。”更公平,因为它没有偏见”
3. 影响范围:Recipient
低水平和高水平玩家都倾向于将帮助范围仅限于受助者自身。”将任何帮助限制在需要帮助的人身上”。
4. 技能依赖:Skill Dependency
高水平的玩家可能不喜欢独立于技能的MDA,因为它”看起来有点像作弊,让玩家的分数变得更高,而他们实际上并没有玩得更好”。
5. 用户操作:User Action
低水平的玩家可能需要非手动触发的帮助,这是因为他们无论如何都需要帮助。而高水平玩家则更倾向于自己能够手动选择是否需要。
6. 持续时间:Duration
低水平的玩家会更倾向于多用途的DDA实例,这样”他们就有机会正确使用它”。而高水平的玩家则担心多用途的DDA被滥用,所以希望提供尽可能少的实例。
- 意识:Awareness
低水平的玩家更希望自己能够意识到DDA的存在并利用它,而他们不希望高水平的玩家知道自己是否具有帮助。而高水平的玩家则希望都能够意识到DDA的存在,从而能够选择避开或者追捕。
2.2 MDDA介绍
2.2.1 MDDA的实例介绍
常见的MDDA实例:
- 橡皮筋:Mario Kart 8
- 辅助瞄准:Apex
- 评价分:League of Legends
- 连死奖励:Call of duty
在动作游戏中,常见的提高自尊心的隐藏策略包括:能力平衡和分数平衡。
- 能力平衡:此策略涉及调整玩家在游戏中进行某些动作或事件的能力,以创造更加平衡的体验,让具有不同能力的玩家能够获得更多满足感,同时不影响整体游戏结果。
- 分数平衡:另一种隐藏的平衡方法是调整游戏中的得分系统,以考虑玩家能力的差异。这可以帮助减少玩家之间的分数差异,并提供更加平衡和公平的游戏体验。研究表明,它可以在不影响最终游戏结果的情况下提高自尊心。
上面两个策略的实例分别为:辅助瞄准和综合得分。辅助瞄准通过增强玩家的瞄准能力,使玩家感觉对局更加平衡。综合得分通过赋予游戏中的低难度行为适当的分数,以减小能力较差的玩家与其他玩家之间的差距,从而让玩家感觉游戏更加平衡。
以辅助瞄准为例,我们简单说明下MDDA的具体实现预期。
- 增加被辅助玩家的乐趣感。
在目标辅助技术并未被玩家察觉时,不会影响玩家对公平性的评价。最重要的是,在不影响非辅助玩家乐趣的情况下,提高了辅助玩家的乐趣感(参与感)。这为通过调整玩家在多人游戏中的表现来平衡挑战提供了强有力的论据。
2. 能够在对局中继续调整玩家体验。
TrueSkill等方法最初试图将技能相似的玩家匹配在一起,但该系统在比赛开始后不能采取行动,并假设玩家总是在他们过去的统计”平均”水平上表现。但很多游戏中,“手感“的影响十分关键,这会导致Tureskill的部分失效。
3. 并不会影响玩家的能力进步。
Gutwin、Vicencio-Moriera和Mandryk 在研究了第一人称射击游戏中的不同瞄准辅助方法作为影响表现的手段之后,指出了辅助对技能发展的未知影响,例如它在竞争性多人游戏环境中的潜在用途。虽然测试是使用单人游戏场景进行的,但他们发现与对照组相比,辅助组的玩家技能发展并没有受到阻碍,而能力感则在辅助下得到了提高。这为多人游戏中辅助的潜力提供了令人鼓舞的结果。
2.2.2 MDDA如何影响不同水平的玩家体验
- 玩家的兴奋程度
与缺乏MDDA的情况相比,使用MDDA时,参与者的兴奋程度显著增加。
对这一结果的一种解释是:玩家对于较为合理的挑战难度的正面反应。
另一种解释是:意识到这一新规则对游戏玩法的影响可能会增加参与者的表现压力。没有得到帮助(表现出色)的参与者会对得到帮助(表现欠佳)的参与者感到更大的威胁;另一方面,由于意识到接受辅助表明他们的表现低于其他参与者,被辅助的参与者可能会感到压力。
- 玩家的得分差异
在不被告知的情况下:所有参与者之间的得分差异减小,因此表现更接近。但结果并不会使受MDDA帮助的参与者和无帮助的参与者之间的表现更接近。
在被告知的情况下:由于能力强的玩家更加会利用游戏机制,所以在已知MDDA的情况下,游戏平衡性会变得更差。
2.2.3 MDDA的作用
提高玩家的能力可以降低他们在游戏中的经验紧张感,并最终减少负面影响。当玩家意识到动态难度调整(MDDA)对游戏的效果时,它也可能成为一种有效的方法。这种意识可以帮助玩家更好地适应游戏,并增加他们的参与度。根据之前的研究,提高玩家的能力可以鼓励他们重新参与竞技游戏,因此,MDDA的效果可能有助于提高玩家的留存率。
研究表明,玩家即使知道MDDA的存在,被帮助的玩家也会将成就归功于自己的表现。
2.3 MDDA的最佳使用状态
下面是一些关于MDDA的评论:
对于非接受者(高表现玩家)来说,MDDA实例的决定并不重要,因为”得分低的人无论如何都会得到帮助,所以选择什么时候得到帮助并不重要,因为它无论如何都会发生”。
在游戏开始前应用的MDDA可能会降低自尊,”如果你在比赛开始前就已经被标记为需要帮助,那就好像它已经告诉你你不够好”。
系统应用的MDDA可能比玩家应用的更公平:系统可能”更公平,因为它没有偏见”,而玩家对MDDA需求的评估可能”不准确”;一些玩家可能”试图通过给予来利用它”,给自己一个提升,这样他们就能赢。
如果我在一个队伍里,表现不太好,如果因为我的分数不好而让整个队伍都得到帮助,那将是一件很尴尬的事情。
总结完这些评论,我们可以得知玩家对MDDA的预期:增加低技能玩家的参与感。
- 非竞技模式
有辅助和无辅助的参与者都表示,在“当你玩得很开心,赢不重要的时候”,MDDA是最合适的,并且MDDA会很有用。我的意思是你试着去玩,但这都是为了好玩。
例如,当故意选择与可能具有不同技能水平的其他人(例如朋友)一起玩时,或者当基于技能的结果不那么重要时。
- 告知玩家
使用MDDA可以提高被辅助玩家的信心,而玩家无需有意识地改变策略。然而,这可能会降低无辅助玩家的信心,导致他们采取更加谨慎的游戏策略。
- 无法被恶意利用
MDDA特性不应该通过故意改变行为的方式来获得帮助,特别是当这种帮助对游戏的影响很大时。
- MDDA应当可以被控制
当玩家能够自主选择是否需要MDDA内容时,能够有效的改善他们对于MDDA公平性的看法。
- MDDA不应影响最终结果
技能值仍然应该在比赛结果中起决定性作用,而MDDA的帮助力度不应该对最终的比赛”赢家”产生太大的影响。
玩家所陈述的偏好可能与实际的游戏体验并不直接一致。从辅助和非辅助玩家的角度来看,调查参与者的偏好是让MDDA对他们”可见”,以改善体验。然而,发现无辅助球员的体验更积极,这与辅助参与者的意识和随后的表现改善条件相一致。这与MDDA中无辅助参与者所表达的负面印象形成对比。这与之前讨论的个人利益价值有关,因为在游戏玩法之外,玩家对允许最大个人表现的配置的偏见可能会影响偏好。总的来说,这些都表明玩家的意见和偏好可能是有用的和有益的,但在能够在实际游戏玩法中得到证实之前,应该谨慎解释。
2.4 MDDA的总结
动态难度调整(MDDA)作为一种游戏设计技术,在现代游戏制作中正在起着越来越重要的作用。
设计师在使用MDDA时,有一些关键因素需要考虑。首先是MDDA的公平性。系统应用的MDDA可能比玩家应用的更公平,因为系统没有偏见,并且根据玩家的实际需求进行调整。然而,玩家对MDDA的需求评估可能不准确,有些玩家可能试图通过滥用MDDA来获得优势。因此,在使用MDDA时,需要权衡公平性和滥用的可能性。
另一个考虑因素是玩家的偏好。不同的玩家对MDDA有不同的看法。一些玩家可能希望MDDA仅应用于需要帮助的玩家,以避免因为个别玩家的表现不佳而影响整个团队的表现。高水平的玩家可能不喜欢与技能无关的MDDA,因为这可能会让他们感觉像作弊一样得到了帮助。而表现不佳的玩家可能无论如何都需要帮助,所以可能更倾向于自动的MDDA。
此外,MDDA的透明度也是一个重要的问题。玩家希望知道他们是否得到了帮助,以便能够更好地利用它。然而,他们可能不希望高水平的玩家知道他们得到了帮助,因为这可能会让他们成为目标。因此,在设计MDDA时,需要平衡透明度和隐私性。
除了MDDA本身,还有一些衍生品和相关技术也可以用于游戏设计。例如,HVA技术可以根据玩家的行动和选择来评估他们的技能水平,并提供相应的挑战。另外,一些AI策略如CSAS、ROSAS和ATROSAS可以用于调整游戏中的AI行为,以提供更好的游戏体验。
总的来说,MDDA是一种有潜力提高玩家体验和参与度的游戏设计技术。通过合理应用MDDA和相关技术,可以增加低技能玩家的参与感,并提高玩家在游戏中的能力和自信心。然而,在使用MDDA时,需要平衡公平性、玩家偏好、透明度和隐私性等因素,以确保最佳的游戏体验。
参考
The Impact of Dynamic Difficulty Adjustment on Player Experience
Crowd-Pleaser: Player Perspectives of Multiplayer Dynamic Difficulty Adjustment in Video Games
A Framework of Dynamic Difficulty Adjustment in Competitive Multiplayer Video Games
Balancing Act: The Effect of Dynamic Difficulty Adjustment in Competitive Multiplayer Video Games
The Effect of Multiplayer Dynamic Difficulty Adjustment on the Player Experience of Video Games
Measuring Player Skill Using Dynamic Difficulty Adjustment
Dynamic Difficulty Adaptation for Heterogeneously Skilled Player Groups in Collaborative Multiplayer Games
Dynamic Difficulty Adjustment via Fast User Adaptation