موازنة صعوبة اللعبة الديناميكية

موازنة صعوبة اللعبة الديناميكية ( DGDB )، والمعروفة أيضًا باسم تعديل الصعوبة الديناميكية ( DDA ) أو الصعوبة التكيفية أو موازنة اللعبة الديناميكية ( DGB )، هي عملية ضبط تلقائي للمعايير والسيناريوهات والسلوكيات في لعبة فيديو في الوقت الفعلي بناءً على قدرة اللاعب. والهدف منها هو منع اللاعب من الشعور بالملل إذا كانت اللعبة سهلة للغاية أو الإحباط إذا كانت صعبة للغاية. تهدف موازنة الصعوبة الديناميكية إلى الحفاظ على اهتمام اللاعب طوال اللعبة من خلال توفير مستوى مناسب من التحدي.

تتضمن بعض عناصر اللعبة التي يمكن تغييرها من خلال موازنة الصعوبة الديناميكية ما يلي:

• سرعة الأعداء
• صحة الأعداء
• تواتر الأعداء
• تواتر التعزيزات
• قوة اللاعب
• قوة الأعداء
• مدة تجربة اللعب

أثناء لعب اللاعبين، ينبغي أن تعكس نتائجهم تحسناً مطرداً. يجب أن يتمكن المبتدئون من إحراز بعض التقدم، ويحصل اللاعبون المتوسطون على نتائج متوسطة، بينما يحصل اللاعبون ذوو الخبرة على نتائج عالية... من الناحية المثالية، يكون التقدم تلقائياً؛ حيث يبدأ اللاعبون من مستوى المبتدئين، وتُضاف الميزات المتقدمة عندما يتعرف الكمبيوتر على مستوى اللعب المتقن.

تتنوع المناهج المستخدمة في الأدبيات لمعالجة موازنة صعوبة الألعاب الديناميكية. في جميع الأحوال، من الضروري قياس مستوى الصعوبة الذي يواجهه المستخدم في لحظة معينة، سواءً بشكل ضمني أو صريح. يمكن إجراء هذا القياس باستخدام دالة استدلالية ، يُطلق عليها بعض الباحثين اسم "دالة التحدي". تربط هذه الدالة حالة معينة من اللعبة بقيمة تُحدد مدى سهولة أو صعوبة اللعبة بالنسبة للمستخدم في لحظة محددة. من أمثلة الدوال الاستدلالية المستخدمة:

• معدل التسديدات أو الإصابات الناجحة
• عدد القطع المربوحة والمفقودة
• نقاط الحياة
• تطور
• حان وقت إنجاز بعض المهام

... أو أي مقياس يُستخدم لحساب نتيجة اللعبة . قال كريس كروفورد : "لو رسمتُ رسمًا بيانيًا لنتيجة لاعب نموذجي كدالة للوقت الذي يقضيه في اللعبة، لكان هذا الرسم البياني يُظهر منحنىً يتجه بسلاسة وثبات نحو الأعلى. أصف هذه اللعبة بأنها ذات منحنى رتيب موجب". وأضاف أن الألعاب التي لا تحتوي على مثل هذا المنحنى تبدو "إما صعبة للغاية أو سهلة للغاية". ^{[ 1 ]}

يتحكم نهج هونيك وتشابمان ^{[ 2 ]} في إعدادات بيئة اللعبة لتسهيل التحديات أو تصعيبها. فعلى سبيل المثال، إذا كانت اللعبة صعبة للغاية، يحصل اللاعب على المزيد من الأسلحة، ويستعيد نقاط حياته بشكل أسرع، أو يواجه عددًا أقل من الخصوم. ورغم فعالية هذا النهج، إلا أن تطبيقه قد يُسبب مواقف غير منطقية. يتمثل أحد الحلول المباشرة في دمج "التلاعب بالمعلمات" مع بعض الآليات لتعديل سلوك الشخصيات غير القابلة للعب (الشخصيات التي يتحكم بها الحاسوب، والتي تُصمم عادةً كوكلاء أذكياء ). مع ذلك، ينبغي إجراء هذا التعديل باعتدال لتجنب تأثير "الشريط المطاطي". ومن أمثلة هذا التأثير في ألعاب السباق، أن تصبح سيارات السائق الذكي أسرع بكثير عندما تكون خلف سيارة اللاعب، وأبطأ بكثير عندما تكون أمامها، كما لو أن شريطًا مطاطيًا كبيرًا يربط بين السيارتين.

تتمثل إحدى الطرق التقليدية لتطبيق ذكاء هذا النوع من الذكاء الاصطناعي في استخدام قواعد سلوكية تُحدد أثناء تطوير اللعبة . على سبيل المثال، تنص قاعدة نموذجية في لعبة قتالية على "توجيه لكمة للخصم إذا كان في متناول اليد، ومطاردته إن لم يكن كذلك". ويمكن توسيع هذا النهج ليشمل نمذجة الخصم من خلال البرمجة الديناميكية التي طورها سبرونك وآخرون ^{[ 3 ] [ 4 ]} ، والتي تُخصص لكل قاعدة احتمالية اختيارها. ويمكن تحديث أوزان القواعد ديناميكيًا طوال اللعبة وفقًا لمهارات الخصم، مما يؤدي إلى التكيف مع المستخدم المحدد. وبآلية بسيطة، يمكن اختيار قواعد تُولد تكتيكات ليست قوية جدًا ولا ضعيفة جدًا بالنسبة للاعب الحالي.

يقسم أندرادي وآخرون ^{[ 5 ]} مشكلة DGB إلى بُعدين: الكفاءة (التعلم بأفضل شكل ممكن) والأداء (التصرف بالقدر اللازم). هذا التباين بين الكفاءة والأداء معروف ومدروس جيدًا في علم اللغة ، كما اقترحه نعوم تشومسكي ^{[ 6 ]} . يتناول نهجهم كلا البُعدين باستخدام التعلم المعزز . يُستخدم التدريب غير المتصل بالإنترنت لتهيئة عملية التعلم. يمكن تحقيق ذلك من خلال السماح للوكيل باللعب ضد نفسه (التعلم الذاتي)، أو وكلاء آخرين مُبرمجين مسبقًا، أو لاعبين بشريين. بعد ذلك، يُستخدم التعلم المتصل بالإنترنت لتكييف هذا الذكاء المُدمج في البداية باستمرار مع كل خصم بشري على حدة، وذلك لاكتشاف أنسب استراتيجية للعب ضده. فيما يتعلق بالأداء، تكمن فكرتهم في إيجاد سياسة مناسبة لاختيار الإجراءات التي تُحقق توازنًا جيدًا في اللعبة، أي الإجراءات التي تُبقي كلاً من الوكيل واللاعب البشري عند مستوى أداء متقارب. وفقًا لصعوبة اللعبة التي يواجهها اللاعب، يختار الوكيل إجراءات ذات أداء متوقع عالٍ أو منخفض. في حالة معينة، إذا كان مستوى اللعبة صعبًا للغاية، فإنّ الوكيل لا يختار الإجراء الأمثل (الذي يوفره إطار التعلم المعزز)، بل يختار إجراءات أقل دون المستوى الأمثل تدريجيًا حتى يصبح أداؤه مماثلًا لأداء اللاعب. وبالمثل، إذا أصبح مستوى اللعبة سهلًا للغاية، فإنه سيختار إجراءات ذات قيم أعلى، ربما حتى يصل إلى الأداء الأمثل.

قام ديماسي وكروز ^{[ 7 ]} ببناء وكلاء أذكياء باستخدام تقنيات الخوارزميات الجينية للحفاظ على الوكلاء الأنسب لمستوى المستخدم. ويُستخدم التطور المشترك عبر الإنترنت لتسريع عملية التعلم. يعتمد هذا التطور على نماذج مُحددة مسبقًا (وكلاء ذوو خصائص جينية جيدة) كآباء في العمليات الجينية، مما يجعل التطور مُوجهًا بها. تُبنى هذه النماذج من خلال التدريب غير المتصل بالإنترنت أو يدويًا عندما يكون الترميز الجيني للوكيل بسيطًا بما يكفي.

تستند أعمال أخرى في مجال ألعاب الفيديو الرقمية إلى فرضية مفادها أن تفاعل اللاعب مع خصمه - وليس الميزات السمعية والبصرية، أو سياق اللعبة، أو نوعها - هو الخاصية التي تُسهم في معظم خصائص الجودة الترفيهية في ألعاب الكمبيوتر. ^{[ 8 ]} وانطلاقًا من هذا الافتراض الأساسي، تم تقديم مقياس لقياس القيمة الترفيهية الآنية لألعاب المفترس/الفريسة، وثبتت كفاءته وموثوقيته من خلال التحقق من صحته بمقارنته بالتقييم البشري.

أظهرت دراسات أخرى أجراها ياناكاكيس وهالام ^{[ 9 ]} أن الشبكات العصبية الاصطناعية والشبكات العصبية الضبابية قادرة على استخلاص تقدير أفضل لرضا اللاعب مقارنةً بالتقديرات المصممة يدويًا، وذلك عند توفر تقديرات مناسبة للتحدي والفضول (وهما عاملان نوعيان جوهريان لجذب اللاعبين وفقًا لمالون) ^{[ 10 ]} ، بالإضافة إلى بيانات حول تفضيلات اللاعبين. يُعرف أسلوب بناء نماذج المستخدم للاعب في لعبة ما، والتي يمكنها التنبؤ بمدى متعة كل نسخة من اللعبة ، بنمذجة الترفيه . عادةً ما يُبنى النموذج باستخدام تقنيات التعلم الآلي المطبقة على معايير اللعبة المستمدة من تفاعل اللاعب مع اللعبة ^{[ 11 ]} و/أو الخصائص الإحصائية للإشارات الفسيولوجية للاعب المسجلة أثناء اللعب ^{[ 12 ]} . ينطبق هذا النهج الأساسي على مجموعة متنوعة من الألعاب، سواءً كانت حاسوبية ^{[ 9 ]} أو واقعية.

يُعدّ تصميم لعبة عادلة دون أن تكون قابلة للتنبؤ أمرًا صعبًا. ^{[ 13 ]} يذكر أندرو رولينغز وإرنست آدامز مثالًا على لعبة تُغيّر صعوبة كل مستوى بناءً على أداء اللاعب في المستويات السابقة. لاحظ اللاعبون ذلك، وطوّروا استراتيجية للتغلب على المستويات الصعبة من خلال اللعب بشكل سيئ عمدًا في المستويات التي تسبقها. ويؤكد المؤلفان على أهمية إخفاء آلية تعديل مستوى الصعوبة بحيث لا يلاحظها اللاعبون. ^{[ 14 ]}

يشير مصطلح الصعوبة الديناميكية (DDA) إلى التعديلات التلقائية التي تجعل اللعب أسهل أو أصعب بناءً على أداء اللاعب، بينما ينطوي الذكاء الاصطناعي الغشاش على تجاوز اللعبة لآليات اللعب الواقعية، مما يمنح الذكاء الاصطناعي مزايا غير عادلة. قد تجمع بعض الألعاب بين هذين النظامين معًا.

يُمكن إيجاد مثال مبكر على موازنة مستوى الصعوبة في لعبة زاناك ، التي طورتها شركة كومبايل عام 1986. تميزت اللعبة بذكاء اصطناعي تكيفي فريد ، حيث كانت اللعبة تُعدّل مستوى الصعوبة تلقائيًا وفقًا لمهارة اللاعب، ومعدل إطلاقه للنار ، وحالة/قدرة السفينة الدفاعية الحالية. ويمكن إيجاد مثال أقدم على ذلك في لعبة غان فايت ، التي أصدرتها شركة ميدواي عام 1975. كانت هذه اللعبة، التي تعتمد على إطلاق النار المباشر، تُساعد اللاعب الذي أُصيب للتو بوضع عنصر إضافي جديد، مثل نبتة صبار، في نصف ساحة اللعب الخاص به، مما يُسهّل عليه الاختباء.

يتكيف خصم Archon الحاسوبي تدريجيًا مع مرور الوقت لمساعدة اللاعبين على هزيمته. ^{[ 15 ]} صممت دانييل بونتن كلاً من MULE و Global Conquest لتحقيق توازن ديناميكي في أسلوب اللعب بين اللاعبين. يتم تعديل الأحداث العشوائية بحيث لا يكون اللاعب في المركز الأول محظوظًا أبدًا، ولا يكون اللاعب في المركز الأخير غير محظوظ أبدًا. ^{[ 16 ]}

تستخدم لعبة كراش بانديكوت الأولى وأجزاؤها اللاحقة نظام "تعديل الصعوبة الديناميكي"، الذي يُبطئ حركة العوائق، ويمنح نقاط صحة إضافية، ويضيف نقاط استمرار بناءً على عدد مرات موت اللاعب. ووفقًا لمصمم اللعبة الرئيسي ، جيسون روبين ، كان الهدف هو "مساعدة اللاعبين الأقل مهارة دون تغيير اللعبة للاعبين الأكثر مهارة". ^{[ 17 ]}

تستخدم سلسلتا ألعاب Insomniac Games ، Spyro the Dragon و Ratchet & Clank، نظام صعوبة ديناميكي يُعرف باسم ضبط التحدي التلقائي (ACT). في بعض الأحيان، في الإصدارات الأولى من هذه الألعاب، تسببت أعطال في هذا النظام في عدم قدرة اللاعب على إكمال اللعبة بنسبة 100% نتيجةً لأخطاء برمجية. ^{[ 18 ] [ 19 ]}

اشتهرت لعبة الفيديو " فلو" بنشرها لتطبيق مفهوم الانغماس الذهني (المعروف أيضاً باسم " التدفق ") في ألعاب الفيديو، وذلك من خلال إصدارها بتقنية فلاش عام 2006. وقد استند تصميم اللعبة إلى رسالة الماجستير لأحد مؤلفيها، وتم تعديلها لاحقاً لجهاز بلاي ستيشن 3 .

تضمنت لعبة Sin Episodes: Emergence، التي صدرت عام 2006، نظام "التحدي الشخصي" حيث يختلف عدد الأعداء وقوتهم بناءً على أداء اللاعب لضمان مستوى التحدي وسرعة التقدم في اللعبة. وادّعت الشركة المطورة، Ritual Entertainment ، أن اللاعبين ذوي مستويات القدرة المختلفة يمكنهم إنهاء اللعبة في فترة زمنية متقاربة. ^{[ 20 ]}

في عام ٢٠٠٥، استخدمت لعبة Resident Evil 4 نظامًا يُسمى "مقياس الصعوبة"، وهو نظام غير معروف لمعظم اللاعبين، إذ لم يُذكر إلا في دليل الاستراتيجية الرسمي . يُقيّم هذا النظام أداء اللاعب على مقياس رقمي من ١ إلى ١٠، ويُعدّل سلوك الأعداء/الهجمات المستخدمة، بالإضافة إلى قوة الأعداء/مقاومتهم، بناءً على أداء اللاعب (مثل عدد الوفيات، والهجمات الحاسمة، إلخ). تُثبّت مستويات الصعوبة المُختارة اللاعبين عند مستوى مُعين؛ فعلى سبيل المثال، في مستوى الصعوبة العادي، يبدأ اللاعب من المستوى ٤، ويمكنه الانتقال إلى المستوى ٢ إذا كان أداؤه ضعيفًا، أو إلى المستوى ٧ إذا كان أداؤه جيدًا. قد تتداخل المستويات بين مستويات الصعوبة. ^{[ ٢١ ]}

لعبة God Hand ، وهي لعبة فيديو صدرت عام 2006 من تطوير استوديو Clover وإخراج شينجي ميكامي ، مخرج Resident Evil 4 ، ونشرتها شركة Capcom لجهاز PlayStation 2 ، تتميز بوجود مؤشر أثناء اللعب يتحكم في ذكاء الأعداء وقوتهم. يزداد هذا المؤشر عندما ينجح اللاعب في المراوغة ومهاجمة الخصوم، وينخفض ​​عندما يتلقى اللاعب ضربة. ينقسم المؤشر إلى أربعة مستويات، وأصعبها يُسمى "المستوى DIE". تحتوي اللعبة أيضًا على ثلاثة مستويات صعوبة، حيث يسمح المستوى السهل للمؤشر بالوصول إلى المستوى 2 فقط، بينما يُبقي المستوى الأصعب المؤشر عند المستوى DIE. كما يوفر هذا النظام مكافآت أكبر عند هزيمة الأعداء في المستويات الأعلى.

تستخدم لعبة الفيديو Left 4 Dead الصادرة عام 2008 تقنية ذكاء اصطناعي تُعرف باسم "مُدير الذكاء الاصطناعي". ^{[ 22 ]} يُستخدم مُدير الذكاء الاصطناعي لتوليد تجربة لعب مختلفة للاعبين في كل مرة تُشغّل فيها اللعبة. فهو يراقب أداء كل لاعب على حدة، ومدى تعاونهم كمجموعة، لتنظيم وتيرة اللعب، وتحديد عدد الزومبي الذين يهاجمون اللاعبين، ومواقع مواجهات الزعماء المصابين، بناءً على المعلومات المُجمّعة. كما يُحدد المُدير سرعة تقدم اللاعبين في المراحل نحو كل هدف؛ فإذا اكتشف أن اللاعبين قد بقوا في مكان واحد لفترة طويلة جدًا، أو أنهم لا يُحرزون تقدمًا كافيًا، فإنه يستدعي حشدًا من المصابين العاديين لإجبار أي لاعبين أو شخصيات ذكاء اصطناعي موجودة على التحرك من مواقعهم الحالية ومواجهة التهديد الجديد. إلى جانب تنظيم وتيرة اللعب، يتحكم المُدير أيضًا في بعض عناصر الفيديو والصوت في اللعبة لخلق جو مناسب لمواجهة الزعيم، أو لجذب انتباه اللاعبين إلى منطقة معينة. ^{[ 23 ]} تُطلق شركة Valve على طريقة عمل المدير اسم " السرد الإجرائي "، لأنه بدلاً من وجود مستوى صعوبة يتصاعد تدريجيًا إلى مستوى ثابت، يقوم الذكاء الاصطناعي بتحليل أداء اللاعبين في اللعبة حتى الآن، ويحاول إضافة أحداث لاحقة تُضفي عليها طابعًا سرديًا. ^{[ 24 ]}

تقدم لعبة Madden NFL 09 ميزة "Madden IQ"، التي تبدأ باختبار اختياري لمعرفة اللاعب بالرياضة وقدراته في مختلف المواقف. ثم تُستخدم النتيجة للتحكم في مستوى صعوبة اللعبة. ^{[ 25 ] [ 26 ]}

في لعبة Fishdom ، وهي لعبة مطابقة ثلاثية، يتم تعديل الوقت المحدد بناءً على أداء اللاعب. يتم زيادة الوقت المحدد في حال فشل اللاعب في مستوى معين، مما يُمكّن أي لاعب من اجتياز المستوى بعد عدة محاولات.

في لعبة الفيديو "هوم وورلد" الصادرة عام ١٩٩٩ ، يتحدد عدد السفن التي يبدأ بها الذكاء الاصطناعي في كل مهمة بناءً على قوة أسطول اللاعب وفقًا لتقدير اللعبة. يمتلك اللاعبون الناجحون أساطيل أكبر لأنهم يتكبدون خسائر أقل. وبهذه الطريقة، يواجه اللاعب الناجح في عدد من المهمات تحديات متزايدة مع تقدم اللعبة.

في لعبتي Fallout: New Vegas و Fallout 3 ، مع ازدياد مستوى اللاعب، تظهر أنواعٌ أقوى من الأعداء، أعداءٌ بإحصائياتٍ أعلى وأسلحةٍ أفضل، أو أعداءٌ جدد يحلون محل الأعداء القدامى للحفاظ على مستوى صعوبة ثابت، يمكن رفعه باستخدام شريط تمرير، مع مكافآت خبرة، والعكس صحيح في Fallout 3. يمكن فعل ذلك أيضًا في New Vegas ، ولكن لا توجد مكافأة لزيادة أو تقليل مستوى الصعوبة.

تتميز سلسلة ماريو كارت بوجود عناصر خلال السباقات تُساعد السائق على التفوق على منافسيه. تُوزّع هذه العناصر بناءً على مركز السائق، ما يُعد مثالًا على موازنة صعوبة اللعبة الديناميكية. على سبيل المثال، من المرجح أن يحصل السائق في مؤخرة الترتيب على عنصر يزيد سرعته بشكل كبير أو يُقلل سرعة منافسيه بشكل حاد، بينما نادرًا ما يحصل السائق في المركز الأول أو الثاني على هذه العناصر (وربما يحصل على العناصر الأضعف في اللعبة). كما يتكيف المتسابقون الآليون في اللعبة مع سرعة اللاعب، حيث يُبطئون سرعتهم عندما يتأخر اللاعب المتصدر كثيرًا عن أفضل متسابق آلي، والعكس صحيح، عندما يلحق المتسابقون الآليون المنافسون باللاعب المتصدر.

• مستوى الصعوبة
• أسلوب لعب غير خطي
• توازن اللعبة
• الذكاء الاصطناعي للألعاب
• التدفق (علم النفس)
• نينتندو صعب
• فيفا (سلسلة ألعاب الفيديو)

• هونيك، روبن (2005). "حجة تعديل الصعوبة الديناميكي في الألعاب". وقائع المؤتمر الدولي لعام 2005 لجمعية ACM SIGCHI حول التطورات في تكنولوجيا الترفيه الحاسوبي . نيويورك: ACM. الصفحات 429-433 . doi : 10.1145/1178477.1178573 . 
• بيرن ، إدوارد (2004). تصميم مستويات الألعاب . تشارلز ريفر ميديا. ص 74. ISBN  1-58450-369-6.
• تشين، جينوفا (2006). "التدفق في الألعاب" .

• "تعديل الصعوبة الديناميكي" . ويكي أنطولوجيا الألعاب . مؤرشف من الأصل بتاريخ 13-08-2010.