前沿交互技术在游戏中的应用

• 获取数据的挑战

不过，生物特征识别的数据收集并不简单。在成本和时间承诺方面，它几乎是折扣可用性的极端对立。所有这些方法都需要专门的设备和软件来收集测量值并记录数据。对数据的分析也可能很耗时，并且需要比调查和可用性方法更高的统计复杂度。Pernice和Nielsen（2009）描述了正确收集眼睛跟踪数据的各种考虑因素。Figner和Murphy（2010）以另一个例子详细描述了EDA数据的设置和分析；其他方法也有类似的指南。这些指南显示了生物识别方法在技术和分析上是多么复杂，而不是轻而易举。应该注意的是，目前有几家公司为生物识别数据收集提供现成的解决方案。这些解决方案通常不便宜，但它们确实提供了数据收集所需的软件和硬件，并且经常提供对结果的直接分析（条件A是好的，条件B是坏的）。这样的系统也有缺点，即将原始数据隐藏在摘要可交付结果之后。如果您正在进行游戏用户研究，那么您有责任了解您的数据来自何处以及它们的含义。这样做可以使您进行更深入的分析，并简单地检查您的结果是否对您的设计合作伙伴有意义和有用。

我们自己研究的一个案例研究说明了这一挑战。我们的任务是确定用户在执行一系列典型行为时，查看Xbox应用程序中特定位置的频率。应用程序团队有两个让他们感兴趣的不同条件，这创造了一个2×2的因子设计；当我们平衡了参与者之间的条件时，我们对两个条件的交互作用的关注不如对主要影响的关注。对于定量眼球跟踪研究（产生视觉上吸引人的热图的那种），尼尔森诺曼小组建议每种情况下30名参与者；在这种情况下，120名参与者。为了有一个合理的转变，我们将这个数字减少到90，并接受我们在交互分析中会减少功率（如前所述，这是不那么关键的）。最后，这90名预定的参与者得到了72名参与者的可用数据，这足以进行可靠的主要效应分析。

由于我们的研究问题受到限制，我们能够创建一个用户场景，可以在30分钟的会话中完成（包括校准）。我们依靠超额预订会议来缓冲参与者，以防任何一个人与跟踪器不兼容，并在多个房间中与多个跟踪器一起运行。此外，我们还能够使用支持人员（两名全职员工、七名轮班合同人员、所有接受TOBII软件培训的人员）来立即处理会议，因为他们特别进来，他们定义了会议期间参与者在应用程序主屏幕上的时间段，这是有趣的部分。这项研究。所有这些因素都允许我们在一周内收集数据，并同时处理数据，大大缩短了周转时间。有这样一组虽然有限的研究问题也让我们在几天内得到一份报告给团队。

注释：对于某些人和追踪器来说，这是不可避免的风险，因此无法获得良好的校准和可靠的数据。更现代的追踪器往往更坚固，有适当的环境条件（灯光、迫使人们直立的椅子、追踪器的可调节桌子）可以帮助实现这一点。但重要的是要考虑到有时，有些参与者只是不能提供好的数据。

我们描述这一点是为了说明正确组织的定量研究是如何需要大量的努力和资源的。在决定是否参与这类数据收集之前，重要的是要考虑它将提供的信息是否超出了您从更传统的方法中获得的足够的成本。在这里，了解人们在应用程序中查看的位置（以及他们花了多少时间查看不同的东西）是团队需要了解的核心内容。

• 解释数据的挑战

所有这些都提出了这样一个问题：为什么有必要对这么多的参与者进行研究。一个答案与简单的可靠性有关。Pernice&Nielsen（2009）描述了低数量的参与者对跟踪热像图的影响及其解释。有了这些度量，运行6-10个参与者使单个异常值更有可能以不准确的方向扭曲结果。除此之外，这些数据流通常都很嘈杂。一个人在EDA或心率变异性方面的范围可能与另一个人大不相同（事实上，一些参与者没有表现出这样的反应！）.收集足够的数字是使数据可解释的必要条件。

在一个小的玩家样本中，一个人一次检查数据的可用性如何？当然，许多关于游戏中生物识别的研究和文章都使用了这种方法。这里的困难在于，这些演示通常对基本的意见数据采用折扣的可用性方法。回想一下游戏测试，很清楚为什么你不会问一个人（或两个人，或五个人）他们认为你的游戏有多有趣，然后就这么做吧。有必要收集一个统计上可靠的样本，以便更好地估计更广泛的受众对您的标题的看法。这与传统的可用性形成了鲜明的对比，在传统的可用性中，单个参与者的失败会指出您的设计存在问题。

生物特征数据通常测量（参与度、享受度、挫折感）的构造基本上是意见测量。他们描述了玩家对游戏的“感觉”。为了使这些措施有意义，它们必须能够估计人口水平的反应。虽然这在调查表中相对容易实现（在有意义的游戏周期或一定时间后问足够多的人问题），但是聚合生物特征响应要困难得多，因为这些测量值很嘈杂，而且随着时间的推移，数据量比调查数据大得多。举个例子：两个人玩5分钟的拼盘游戏（比如超级肉童）。游戏有一组短的、定义明确的级别，按顺序进行，因此潜在的游戏玩法几乎没有变化（与更开放的世界游戏相比）。玩家1死亡两次，玩家2死亡四次。尽管他们在同一个游戏中玩了相同的时间，但这两个玩家有着非常不同的体验，而且他们的生物特征反应很可能是不同步的。因此，简单的线性平均法是行不通的。

克服这一问题的一种方法是将生物特征数据与以游戏遥测为中心的设计智能相结合。这是我们在电影制片厂用户研究中研究过的一种方法，该方法显示出了希望。为了实现这一点，首先需要让游戏软件跟踪重要事件和玩家在游戏中发生的行为（如设计智能部分所述）。然后，遥测系统需要与生物特征数据记录系统通信，以便所有记录上的时间戳保持同步（在这方面，网络时间协议可能会有所帮助）。一旦描述和个体玩家体验的事件和行为与该玩家的生物特征数据一致，就可以通过汇总玩家整体反应的方式汇总来自多个玩家的数据。

一个例子说明了我们在实验室中实现的播放器遥测和生物特征的集成。这些例子包括使用来自游戏测试会议参与者的内部生产硬件收集EDA（皮肤电活动；与唤醒相关的出汗水平波动）数据。图16.14取自游戏中多人模式测试期间收集的数据。在该模式下，我们从30秒前和30秒后的所有参与者中获取EDA数据，并将这些数据平均。在这里，EDA数据被时间锁定到单个事件类别。这使得给定时间点上的数据在参与者之间大致相等；图表上的+10s点代表每个人失败后的10s。如图所示，EDA在事件发生后约5秒达到峰值。考虑到EDA的已知潜伏期（1-5秒，视情况而定），这与对故障状态的唤醒增加是一致的。我们进行了类似的实验，将玩家EDA映射到游戏世界中的位置，根据游戏中的位置创建（可能）更高和更低的唤醒图像。

游戏遥测和生物特征数据的结合指向了另一种有用的分析形式：将生物特征数据视为人类遥测。分析算法可用于识别个体玩家的兴奋或沮丧峰值时间点。然后可以将这些时间点映射到游戏期间的时间点或游戏世界中的位置，以确定玩家更多（或更少）参与的时间点。这种方法类似于生物特征记事本，但由多个参与者共同完成。这种方法允许潜在的有意义的比较：人们对上一个老板的兴奋程度和第一个一样吗？我们是否看到很多玩家在开放的世界里感到无聊？对情节扭曲的主要反应是什么？

图16.14多人游戏模式下多个参与者和多个失败事件实例的EDA平均值。时间0（虚线）表示事件的发生。所有参与者的EDA标准化为0-1级。

上述描述假设使用游戏数据映射单个度量值（如EDA）。然而，采用多种测量方法（例如，具有心率变异性和面部肌电图的EDA）可以提供聚合的证据线，并使其更容易确定用户的情绪状态。在可能的情况下，我们建议有聚合生物特征数据流，或者至少有生物特征数据与行为或态度数据相结合。如设计智能部分所述，这种融合的数据流需要对玩家体验有一个真正的整体视图。

我们在这里花了一些时间来论证生物特征数据中聚集的重要性，以得出有意义的结论。这并不一定意味着这些方法不应该在小的可用性设置中使用。例如，在可用性期间，眼睛跟踪可以被视为一个额外的行为数据流，表明参与者是否看不到一个重要的线索，或者是否理解。在对早期构建的Quantum Break（2016）进行测试期间，采用这种方式进行眼睛跟踪，以验证几个可用性参与者未能理解特定场景的上下文，因为他们关注的是爬上梯子的主要角色，而不是看背景中发生了什么（见图16.15）。同样，EDA和心率变异性也可以表明，当参与者在某个场景中变得特别沮丧时，他们无法完成（这种沮丧是否会在其他情况下变得明显，这是留给实验人员的一个问题）。

图16.15:Quantum Break早期构建测试期间的可用性参与者（2016年）。眼睛跟踪（红点和线覆盖在游戏屏幕上）显示，参与者专注于爬上梯子，而不是背景中的情节关键的船（屏幕左侧）。

研究人员必须始终考虑的问题是什么是价值？你要回答什么问题，可以用另一种方式（成本更低，更容易分析）回答吗？对于许多团队来说，生物识别技术可能无法提供足够的信息来证明执行程序、收集数据和执行分析所需的时间和金钱成本。这些方法可能是浮华的，技术上令人印象深刻，但如果不能应用它们来改进游戏的设计，那么它们就什么也没有完成。正如本章前面所述，简单地观察人们玩游戏可以学到很多东西，甚至可以从简单的调查中获得更多。对于大多数群体来说，这些直接的方法将产生迄今为止最大的影响。这就是说，随着设备成本的下降，随着越来越多的团队探索这些技术，可供更小的团队使用的资源将会增加。在接下来的几年里，为实验室配备可靠的生物识别传感器可能相对便宜，而开放源代码分析软件包可能使数据解释更加简单。挑战将再次在于你的想象力，以确定他们能学到什么，以及如何帮助他们的伙伴。

• 经验教训

在各种环境下对各种形式的生物特征测量进行了试验之后，我们向考虑使用这些方法的任何群体提出了以下问题：您真的需要这些数据来帮助改进您的产品吗？我们还提出了以下答案：可能不会。与本章讨论的其他方法不同，生物特征数据是不必要的。有一些非常具体的问题，生物特征学可以提供直接的答案（尤其是眼睛跟踪），但除此之外，收集的信息可能不值得花时间和精力，特别是当许多成本更低的方法可以产生如此深远的影响时。

如果你想从事生物特征识别，必须记住清晰、容易回答的问题。如果您可以直接比较条件，这是一个理想的场景。除此之外，至少要对你将关注的体验的哪些部分有一个清晰的概念，并对你期望看到的东西提出某种先验的假设。如果你进入这种分析思维的形式，“让我们看看发生了什么，数据中肯定会有模式！“在探索每一个可能的趋势和互动过程中，你会浪费很多时间，很可能不会提出明确的建议。记住，所有这些的目标都是为您的团队提供信息，帮助他们更好地进行产品分析，并注意到一个级别的小节中的一个小趋势可能不会这样做。

另外，重要的是要提前提醒参与者你将在会议期间做什么。并不是每个人都会对你正在使用的生物特征数据收集方法感到满意（或者甚至对正在收集的数据的想法），所以重要的是让他们在被招募和参加会议时选择退出。对您正在收集的数据以及将如何收集这些数据以提供给参与者有一个清晰、简明的描述，并相应地更新任何NDA或同意书表格。参加者都很慷慨地来为你测试你的比赛，所以尊重他们的意愿是很重要的。

也要注意，这些数据需要工作来解释和分析。您很少能够直接使用原始数据。有些软件程序会为你做这些，但即使这样，你也可能不得不决定对你的数据做什么（例如，应用了什么样的过滤器，你的时间窗口是什么，你关心强音信号还是相位信号）。同样，最好在收集单个数据点之前知道所有这些问题的答案，这样您就可以清楚地了解自己的方法。

最后，在学习过程中，确保你所有的设备都正常，并且你正在收集清晰的、可解释的数据。然后再检查一遍。然后再做一次。例如：当使用预先录制的视频进行眼睛跟踪时，以正确的格式保存所有内容至关重要。我们丢失了数据，因为视频分辨率的一个奇怪之处在跟踪结果中引入了一个错误，并且我们只在检查后期可视化时看到它。您将有许多系统一起工作，因此请确保所有这些系统都正确地相互通信。不要相信任何东西都会“仅仅起作用”，因为它不会起作用。如果你使用一些一次性材料，如预包装的电极，请确保你手头有足够的材料（我们必须多次依靠附近实验室的慷慨）。使用生物特征数据源时，流程是关键。事情会出错，设备会损坏，安装时间会比预期的长。最佳实践是为研究的每一个步骤建立一个明确的过程，这样你就知道什么时候需要东西，如何设置东西，如何收集和传递数据，你将如何处理它，并且你在每一个步骤中都内置了缓冲区，因为有些事情总是出错。

• 结论

应用游戏用户研究一直以来都在利用社会科学研究方法来提高玩家对电子游戏的体验。在微软工作室的用户研究中，我们的方法从20世纪90年代后期开始发展，我们期待着未来几年行业的创新。在这一章中，我们介绍了我们开发的许多不同的技术，以确保玩家对我们游戏的体验是最好的，并且符合设计师的意图。为了我们能够完成我们所拥有的，我们建立在其他领域内外的基础之上。我们希望我们对这个基金会的补充为游戏用户研究者提供了一个跳跃的起点，我们期待着帮助其他领域的其他人建立这一未来。

在将我们的学科知识应用到你的产品上时，我们学到了最后一个教训：作为游戏用户研究人员，很容易对研究方法和技术的闪亮新玩具感到兴奋，但要有效地使用其中任何一种方法，就需要对基本原理有很强的关注。从根本上说，你是从玩家到设计师的无偏见反馈循环，只有专注于游戏用户研究的三个关键：研究者、方法和结果，这才是可能的。不断记住你的研究目标和问题。总是在正确的时间运用正确的方法来回答你的研究问题。最后，始终以他们可以采取行动的洞察力的形式向开发团队提供这些问题的答案。只有这样，才能听到玩家真正的声音。