Saturday, April 30, 2011

Balanceamento dinâmico de jogos massivos 2

Inúmeras teorias existem voltadas para entender o que faz um jogo divertido [6] assim como que aspectos contribuem para outros tipos de experiência do jogador. Csikszentmihalyi [4] define o conceito de flow, a experiência ótima. Quando no estado de flow, uma pessoa está completamente concentrada executando uma tarefa que o faz perder o senso de ser mantendo um senso de controle total. O requisito chave para o estado de Flow é que o nível de dificuldade da tarefa deve ser exatamente igual ao nível de habilidade do executor: nem muito difícil, nem muito fácil.
Spronck [10] e Lankveld[11] focam na adaptação das regras do jogo para escalonamento do nível de dificuldade. No entanto, as regras adaptadas são sempre da inteligência artificial (IA) do jogo não mencionando maneiras de adaptação da regra para o caso de jogos com muitos jogadores. Ambos baseiam-se no ajuste da dificuldade a habilidade do jogador para criar jogos melhores. [2] utiliza aprendizagem por reforço para fazer o ajuste na dificuldade mas tem como base os mesmos princípios básicos de Csikszentmihaly.
Recentemente, a pesquisa para o balanceamento automático como em [13][14] preocupa-se com a medição empírica do impacto da mudança de vários aspectos de um jogo na experiência do jogador. Essa linha tenta criar modelos de satisfação dos usuários.
Nesse tipo de estudo o critério de diversão utilizado é gerado a partir de aprendizagem de máquina por meio de questionários e medidas fisiológicas. O jogador é exposto a certo tipo de situação onde medições, como a de batimentos cardíacos e sinapses nervosas, são feitas e depois o mesmo responde um questionário avaliando a experiência do jogo com relação a critérios como diversão e frustração. Um modelo então é gerado com aprendizagem supervisionada que tenta concluir que aspectos do jogo o deixam mais ou menos frustrantes, por exemplo.
Podemos concluir, assim como Togelius[12] que a maioria dos trabalhos se preocupam, exclusivamente, na criação de estágios, ambientes, estratégias ou habilidades de um oponente virtual que casem com a habilidade do jogador para um jogo existente. No entanto, nenhum deles se preocupa com a possibilidade de vários jogadores humanos fazerem parte de um mesmo ambiente compartilhando a mesma fantasia e curiosidade. Togelius, no entanto, preocupa-se com a geração automática do jogo em si e utiliza funções de fitness também baseado nas teorias de entretenimento e curiosidade para sessões individuais de jogo.
Por outro lado, [5] é o trabalho mais relevante e recente voltado para o balanceamento de jogos com muitos jogadores. No entanto, todo o trabalho consiste em uma série de conceitos, guidelines e estudos de caso voltados para o balanceamento estático de jogos. Ou seja, é voltada para o balanceamento comum feito na indústria. Apesar disso, esse trabalho possui informações valiosas indicando que requisitos devem ser levados em consideração na criação de modelos de balanceamento tornando-se uma fonte importante para a geração de heurísticas e funções de fitness.
Na indústria, alguns jogos, como Halo, possuem sistema de ranking de jogadores para a criação de partidas somente entre jogadores de habilidades compatíveis. No entanto, em jogos massivos esse ranking não é suficiente visto que os jogadores não compartilham partidas de curta duração, mas sim toda a experiência do jogo. Além disso, cai no problema da divisão de amigos em diferentes sessões de jogo. E isso é indesejável para jogos com muitos jogadores[8][9].
Podemos concluir que apesar de vasta pesquisa e desenvolvimento nos campos do balanceamento automático, modelagem de satisfação do usuário e de jogos massivo de muitos jogadores, os trabalhos são ainda paralelos e sem uma interseção. Esse trabalho pretende criar essa interseção e identificar pontos de melhorias tanto no balanceamento automático de jogos como no processo de produção desses jogos.