为什么“精心”设计的剧情玩家不看?

 前言:很多人在看电影的时候会很自觉地去认真了解剧情,但是在玩游戏的时候则是能跳过剧情就跳过,直接进入到升级打怪的模式,游戏除了给你游戏体验外,也某种程度上是在传递制作者的思想和诉求,但是这种载体是小说,电影互动性更强,互动手段更丰富,更有利于玩家/观众吸取其中的信息的介质,怎么传达信息反而更难了呢?


  关于游戏剧情和游戏的结合,游戏界有很多相关的理论和讨论。

  首先要明白的是,没有玩家是不关心剧情的,只是这剧情没用而已。原因有很多,不一一列举。

  但总的来说,电影和游戏身为一种媒介,其作用于玩家的认知方式有根本的区别。

  电影作为一种媒介,观众是作为“上帝”去观看的,观众本身不会参与进电影中,也就是说,一部精彩的、优秀的电影依靠的是人共情的能力去打动观众的。

  所谓共情,指的是一种能深入他人主观世界,了解其感受的能力。这是基于双方有共同的价值观、经历或者别的什么共同点所引起的共鸣。

  电影可以通过连续的画面灌输情感,但游戏中的剧情只能通过破碎的、不连续的文字片段去影响玩家,而不能直观的引发共情。

  但游戏这种媒介和传统的媒介区别就在于,游戏可以被玩家所影响,玩家是一个参与者,而不仅仅是一个观众。当剧情没用的时候,作为一个参与者,玩家自然不会为了一个没用的东西去浪费时间。

  所以,游戏机制同剧情的关联度决定了一个玩家能不能沉浸其中。

  为了说明机制与剧情结合的重要性,让我们来看一下以下两个例子中剧情对于玩家的影响:

  例子1:

  1.玩家看到NPC头上的感叹号。

  2.玩家点击了NPC然后一路跳过到最后一页,上面写着“任务目标:杀死bossA。”

  3.玩家直接自动寻路到了bossA所在地。

  4.玩家直接砍死了bossA。

  5.任务完成,玩家获得奖励。

  这是一个典型的不关心剧情的例子。

  我们可以发现这个例子中很多东西都没有和剧情结合起来。

  1.思考一下,在现实中我们不可能看见一个人的头上有感叹号,所以也不可能知道这个人有麻烦了需要我们的帮助。我们必须通过交谈、通过向他人打听情况或者他主动请求帮助才能知道这有一个任务。

  而头上的感叹号完全忽略了这些细节,玩家不需要了解情况、也不需要从某个路人口中知道这个人有麻烦,也不需要这个NPC主动告诉你我有麻烦了,只要玩家看见了感叹号,玩家就知道这有任务,我可以接。

  在这个过程中,剧情完全没有与玩家的目的有交互,自然玩家不可能关心你的剧情,因为你的剧情对他的任务没有任何影响。

  2.和第一条完全一样的问题,这个NPC说了一段又一段的话,结果其目的只需要一句话就可以概括,那身为玩家的我为什么要看你说的一大堆没用的废话呢?

  3.现在玩家知道要杀死bossA了,如果没有自动寻路,玩家需要问其他人或者NPC从而找到boss的所在地,这就加强了玩家对剧情的了解——好歹我知道了bossA的所在环境。但是自动寻路完全破坏了这一点:我不需要了解boss在哪,我只要点一下鼠标就够了。

  4.boss就这么被玩家直接砍死了,剧情在这中间完全没发挥出一点作用。

  5.玩家完成了任务找NPC交任务,NPC也不需要确认、玩家也无法和NPC讨价还价,就这么直接给玩家奖励了。这个过程同样不需要剧情参与。

  这就是一个游戏机制和剧情关联度低的表现——剧情完全不会影响玩家的判断、操作,玩家在整个游戏过程中,剧情都完全是装饰品,甚至是绊脚石——我看剧情不是在浪费我时间么?

  那么一个成功的设计应该是怎么样的呢?

  例子2:

  1.玩家通过上一个任务,知道了一个叫X的人在找打手,如果玩家没有注意该信息,他有可能错过该任务。

  2.玩家找到了X,X告诉玩家杀死bossA,带回物品B,他愿意付给你一些报酬。

  3.X只告诉你bossA经常在地点C出没,具体的所在地他并不知道。玩家来到地点C,地点C的NPC正在谈论bossA洗劫了某个村庄。于是玩家来到了该村庄。

  4.玩家遇到了bossA,玩家在与bossA战斗时发现每当bossA喝酒的时候就会变的更强,所以玩家先打碎了地上的酒坛,从而令bossA没法喝酒,击杀了bossA。

  5.玩家击杀bossA后没有获得物品,经过一番搜索,玩家在bossA的临时住所床下发现了物品B,玩家将物品B带回给X,X没有给玩家报酬,反而告诉玩家报酬就在bossA的住所里,给了玩家一把钥匙。玩家带着钥匙来到临时住所,打开了箱子获得了报酬。

  整个流程其实和例子1没有太大出入。

  但是玩家却在整个流程中知道了许多关于剧情的东西:

  1.玩家知道了X缺人手,否则他不会找打手。

  2.玩家知道了之所以X要杀了bossA是因为X需要物品B。

  3.玩家知道了bossA经常出没于地点C,并且bossA是个强盗或者马贼的头目,洗劫了某个村庄。

  4.玩家知道了bossA喜欢喝酒,而且喝酒之后能够越战越勇。

  5.玩家知道了这个头目把重要的物品藏在床下,把金币放在箱子中,并且物品B很重要,否则bossA不会拼命。

  在这两个例子中,玩家依旧有跳过剧情的自由,但在例子2中,玩家会在不知不觉中得知许多剧情信息,这是因为游戏机制与剧情紧密的结合在了一起。

  如果玩家不注意NPC所给与的信息,那么玩家就可能花费更多的力气去寻找boss,如果玩家不注意战斗中boss的动作,那么玩家就很难击败boss,如果玩家不观察boss的住所,那么玩家就发现不了物品B,如果玩家只获得了钥匙而不注意提示,那么玩家就无法获得报酬。

  正因为如此,玩家不得不主动的注意剧情,从而在不知不觉就知道了许多讯息,沉浸其中。

  所以这个问题的答案就是:

  将游戏机制和剧情结合起来,让剧情能够推动游戏进程的发展。

 

 

via:GamerBoom

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值