理性关卡设计手册(二):RLD四大指标

作者:Luke McMillan 2020-02-11
Katana编译


作者:Luke McMillan

译者注:Metrics即指前面系列文章的度量,词性上等同于指标。该词原意为衡量目标的参数;或预期中打算达到的指数、规格、标准。为了让标题使读者更好的理解,因此此处标题中Metrics被译为指标

Element,要素;元素;基本部分;典型部分等

在本文中指元素和要素,为了在不同地方更容易理解,因此一些地方用作元素一些地方用作要素,实际指代同一意思。

前言

在上一篇文章中,我向大家介绍了RLD(理性关卡设计)的流程以及我们是如何将其应用于去设计一个简单的跳跃游戏。当我在Gamasutra上发布本系列的第一部分时,引发了社区中的重大争论。尽管工具不会去扼杀艺术,但是工具的实际有效性最终将取决于使用这些工具的人的技能水平和知识。

(译者:实际情况即取决于工具人的专业技能的水平以及其知识量)。

在许多方面,这场社区里的辩论与音乐的创作过程有着惊人的相似之处。音乐制作(至少是录制的音乐)很大程度上是由其对工具的使用来决定的。在任何生产环境中,仅仅是拥有强大的工具是不够的,必须由富有其专业技能的人去使用这些工具才能获得高质量的最终结果,RLD也不例外。

(译者:个人观点,事实上这种情况不只是存在于音乐创作以及关卡设计中,在任何领域以及行业都是如此。从三维建模室内设计原画设计培训班,再到游戏引擎游戏行业整体的生产,数不胜数。Unity和UE4究竟哪家强?学MAYA,MAX,C4D哪个软件更有前途?毫无意义,优秀的作品向来是由其作品背后所需的专业技能水平和知识所构成,创作者或称生产者使用的工具则无非异同于画家而言的画笔与颜料。可以作为工具人或生产者但绝不会是一名艺术家。)

有鉴于此,我决定重写RLD手册的第二部分,通过将RLD的工作流程描述为类似于音频制作中的工具,以此让读者认识到RLD和音乐制作的相似性。本文通过退一步并探索RLD中更为主观的主要指标,来扩展我之前的博客文章中所讨论的概念。我将通过与声音工程领域做比较,向大家介绍这些概念,并强调仅仅凭借工具是无法创造优秀的游戏体验这一观念。

导论

图1[1]:Avalon Vt前置放大器。它是一个昂贵的工具,但仍然仅仅只是一个工具,而不是一个神奇的能够“修复

当一名音频工程师被赋予了录制特定声音的任务时,他们将依靠一组工具,(例如麦克风和前置放大器)来获取一个不太理想的输入信号,并将这个输入“塑造”成他们所想要的效果。我们作为消费者所听到的则是经过了数小时的精调和调整以达到理想效果的产品。游戏也是一样,游戏设计师对他们的产品不断地进行测试和微调,直到他们制作出他们所认为的最为理想的玩家体验。整个过程对于游戏设计师来说,不同之处在于,实现这种理想的玩家体验的方法并不是以一种有形的标准化设备的形式出现的。(图1)

在声音工程中,我们可以使用一种被称为前置放大器的设备从麦克风接收不太理想的输入,将其塑造为更为理想的形态。在录音过程中使用前置放大器的目的是为了接收一个不完美的输入并对其进行微调,直到它成为一个“完美”的输出。前置放大器可以接收来自麦克风的微弱输入信号并使其更响亮-我们将这称之为增益。滤波器可以被用来去除原始信号中的某些特性,这些特征可能会对声音的整体质量造成损害——我们称之为EQ。最后,大多数的前置放大器都带有某种类型的系统,用于处理来自输入信号的异常峰谷值,“均衡”声音以产生具有更一致音量的输出——我们称之为压缩

前置放大器以线性和连续的方式工作。我们将这种声音流称为“信号流”。输入信号在链条的一端进入并在末端输出。增益,均衡器和压缩器可以被用在不同的数额,以调整输入的信号。。一旦信号通过了前置放大器,它的本质将发生变化,这个过程取决于其操作设备的人的素质,一般情况下声音将会变得更好。我们可以将前置放大器的概念扩展到理性关卡设计中。

如果有一个用于微调游戏体验的前置放大器,那么它将以与典型的音频前置放大器非常相似的工作方式去运行。我们将会有一个输入,该输入获取当前的游戏状态(玩家当前正在做什么)。游戏设计师将拥有一组强大的参数,例如增益,均衡器和压缩器,他们可以使用这些参数来确保游戏体验尽可能的完美。不幸的是,并不是每一款游戏都可以配备专门的游戏设计师,他们的工作职责是即时的调整游戏体验。但是,我们却可以通过去使用前置放大器之类的系统来创建一个标准化的微调系统,从而去合理地设计游戏。就像音频前置放大器具有用于微调的三个核心组件(通常情况下都会有)一样,RLD也受这四大指标的控制——每个指标的作用都类似于前置放大器的各个阶段。

在RLD手册的第一部分中,我介绍了RLD,它是一种客观量化游戏元素以及了解元素是如何影响难度的方法。理想情况下,我们希望我们的玩家会在游戏还没有太具挑战的情况下感受到挑战,并且在游戏还没有非常无聊时感觉自己占据着上风。这种方法的困难之处在于,玩家应对挑战的能力是动态的不断变化的,并且有些是我们所未知的。我们唯一所知的是,我们可以将理想的游戏体验视为Schell描述为流动波段的正弦波类型的曲线(图2)。

(译者flow channel)流式波段即游戏心流(Flow)学说的前身和雏形,今后此词语将统一使用心流来代替)

图2:随着我们的玩家变得越来越有经验,我们必须增加难度。

[1]

RLD的四大指标位于所有量化的游戏元素之上。它们被用于解释玩家的熟练度和技能的不同层次,并将静态的对象(如RLD表)转换为动态变化的元素。就像前置放大器一样,我们使用这些指标来微调和调整已被我们量化的游戏元素,以确保玩家始终处在心流状态中。如果这些主要的指标是一台机器(如前置放大器),则会有四个主要的微调阶段,它们将影响一组RLD指标的总体难度;

图3

1.态势感知的控件位于信号流层次结构的顶部,对之后的所有事物都有着全局的影响。机器的这一部分控制着我们提供给玩家的信息量。由于态势感知可以采取多种不同的形式,因此我们机器的这一参数将具有着三个不同的变量,我们将在稍后进行讨论。

图4

2.一组“干扰信息(Noise)”的推拉器被用于增加或减少游戏表象层的复杂度,以便允许玩家专注于重要的事情,或者将信息海洋中重要的事物隐藏起来。如果游戏是关于玩家去破解复杂的规律,那么这些参数将控制着这些规律的可识别性。

图5

3.我们的机器中的下一步则是时间压力。(图5)时间压力是一个非常强大但是却又易于理解的参数。我们给与玩家的时间越少,难度将会增加的越高。虽然我们可以说时间压力可能会比态势感知更为强大,但它之所以是我们的RLD机器中的第二步,实际上是因为,你只能期望于玩家在意识到了问题后才能够去思考和采取行动。基于这一原因,我们首先所需要的只能是态势感知。

图6:我们可以在不需要微调时忽略它

4.对称性可以被认为是一种交叉推杆或摇摄控件,它可以根据玩家拥有的选项(与敌人所拥有的选项相比)来改变玩家所面临的难度。我们可以将这个参数理解为拥有机会的比率。当刻度盘位于中间时,比率为1:1,每个玩家(AI或人类)都拥有着完全相同的选项,这就是对称性。当推子(音量控制器)从中间移开时,我们便开始创建不对称性,这将可以微调你的游戏难度。如果你试图用它去微调一个环境谜题的难度,那么你应该绕过和避免使用这种微调关卡的方式,因为它不适用。

丨环境谜题:(即通过游戏空间和环境给玩家带来的挑战)

5.这些推子不仅在传递关系中起作用,而且它们对“输出信号”的影响程度也不同。例如,即使态势感知值稍微有了很小的变化,它也仍然会对难度造成很大的影响,而干扰信息值的显著变化对难度感知的影响则要小得多。我们还可以选择保留这些参数中的任何一个或者是完全绕开它们,具体取决于所需微调的类型和数量。最后,我们可以将这四个主要的指标与我上一篇的文章中所介绍的困难表之间的链接起来,进行可视化,如下图所示(图7):

图7:使用动态难度调整(DDA)的游戏也有着类似的概念,但是它们量化玩家体验的方式可能会有着很大的不同

态势感知(Situational Awareness)

图8

为了使用我们的机器,我们必须先从最顶部开始。态势感知(图8)是设计师可以用来改变游戏难度的最强大的工具。当玩家获得了更多的信息时,他们将会感觉自己充满着自信和占据着上风。如果我们强行掠夺了玩家的态势感知能力,他们将会变得非常紧张和谨慎。从应用测试的角度来看,你会发现,通过赋予玩家更多的态势感知的能力,玩家所遇到的困难状况将会变得容易一些,尤其是在没有施加时间压力的情况下。我喜欢把一个游戏的态势感知分成三种不同的类型:

  • 信息协助玩家做出秒到秒级别的决策
  • 信息协助玩家做出分钟到分钟级别的决策
  • 最后是,信息协助玩家做出小时到小时级别的决策


Android平台上的《星际殖民地》提供了这三个类型的游戏要素的清晰类比。最重要的是不要试图去从字面意思上去理解,秒到秒(实际状况是微秒到微秒),小时到小时(往往是每10分钟到下一个10分钟),具体方式取决于游戏的类型。将这三个要素看作是从微观管理到宏观管理的层次结构,是一种更好的思考方法。(图9)

图9

图10

侠盗猎车手(Grand Theft Auto)(图10)等游戏使用了多种态势感知的类型。玩家对世界的直接认识为他们提供了有关他们需要做出的秒至秒决定的大部分信息。像小地图这样的元素可以帮助玩家管理每一分钟的决策。最后,暂停屏幕时给出的信息可以帮助玩家管理他们每一小时的游戏决策。(图11)

图11:根据游戏的类型的不同,小时到小时的游戏玩法有时可能是一个让人烦闷的点,这也使它饱受争论。

当使用态势感知来重构你的设计时,你需要为玩家提供正确类型的态势感知信息,以便成功地调整难度值。如果你正在重建一个基于秒到秒类型的谜题,那么请调整你提供给玩家秒到秒之间的信息量。举个例子,添加一个小地图并不会像让玩家获得更高的视觉保真度那样容易。尽管这似乎是一种显而易见的方法,但它是一种在声学研究中得到支持的方法。Vessey(1991)发现图形会使我们解决空间谜题更加容易,而表格(文本数据和数值)将会使我们解决符号谜题更容易。但这并不意味着我们应该仅仅只使用秒到秒的信息来解决秒到秒级别的问题。有一些游戏,(例如最为经典的星际争霸2)要求玩家在小时到小时的信息和秒到秒的信息之间建立联系,这样才能在游戏中获取胜利。像《星际争霸2》这样的游戏通常要求玩家记录小时到小时的信息,并参考这些信息来解决游戏后期的分钟到分钟和秒到秒的问题。(图12)

图12:星际争霸2–如果你在玩游戏和做笔记时没有笔和纸,那么你将永远无法完成它!

尽管提升态势感知的能力有助于降低各种游戏元素的难度,但我们常常受到玩家是否能够理解我们提供给他们的信息的限制。我们将态势感知的这一要素称为理解能力

图13

最合适的难度通常表现为在太多的挑战(受到挫败)和太少的挑战(无聊)之间平衡。理想情况下,我们希望让玩家处于这两种对立力量之间的“最佳位置”。信息太多和信息太少之间的平衡同样需要在两个相对的力量之间做出不稳定的平衡

为了我们去理解态势感知的参数对RLD难度表的影响,你需要记住,你的游戏将始终具有“标称”或者是正常的态势感知水平,并且我们的四大指标的目的是为我们的游戏提供可变的微调。

丨标称:指产品上标明的如规格、数值等有关产品性能和质量要素

图14:RLD手册第一部分中的我的RLD表。

在本系列的第一部分中,我创建了一组跳跃谜题,然后我们使用了测试数据创建了一个RLD表(图14)。我所有的测试都是在正常的游戏条件下完成的。并且对我们关卡进行的照明是可以接受的,它将使我们玩家的视线会变得更好一些,这会使得谜题将会变得很容易处理(图15)。如果我们使用RLD机器的第一阶段对此进行评估,则我们的参数将会被设置为正常值(图16)。

图15

图16

自从我们进行了测试,并得出了RLD的数值以来,我们还没有对游戏进行任何的调整,所以我们的RLD表将会保持不变。让我们先暂时的降低玩家可以获取到的秒到秒的信息(图17),然后需要做什么呢?

图17

在图17中,我使用了一个后处理效果来暂时改变玩家对游戏世界的认识。玩家所面临的谜题将与我们在图15中所遇到的谜题完全相同,但是现在所面临的谜题将会变得更加困难。从主观上来讲,可以说我们的主要指标理想情况下是看起来像(图18)那样。

图18

在玩家的屏幕变得模糊不清后,我们已经删除了玩家大量的秒至秒的信息。玩家仍然有足够的信息来解决这个谜题,但是测试数据时将会表现出高于正常的失败率。假设我们的RLD值看起来是像这样的(图17)……

图19:请注意,谜题的某些排列现在已经变得太困难了,已经变得不可能投入使用了。

很重要的一点是,我们没有使用测试来得出这些新的数值,而是使用了一些合理的(和理性的)假设来得出这些新的修改后的值。作为一名设计师,我希望对我们的秒到秒级别的态势感知做出这种改变,它可能会导致关卡的难度增加20%。然后,我们可以再将这个规则应用于任何的RLD表中,并相应地进行重构。如果你愿意花些时间使用一些回归工具(甚至是几何方法),那么你还可以基于新的假设去重构秒到秒的RLD表(图20)。

图20:习惯性地使用回归工具将可以帮助你完成这项任务,即使是最基本的工具,例如几何方法,也可能会是有用

例如,我们使用1.0作为感知值“平均数”的理由是,因为我们的四大指标的数学公式分别地影响了你可能需要进行的任何重构。如果你的主要指标的值为1.0,则表示当前关卡中的态势感知与你收集初始测试数据时的关卡中的态势感知的值所相同。换句话来说,如果我们的主要指标不会受到影响,并且我们后续的指标还保持着传递关系,那么我们RLD元素的数值将会保持不变。大于1的值应被视为临时的值(该值将使游戏的难度变得更难),这是我们去除感知信息以及增加难度的地方,而小于1的值也应被视为临时的值。例如说,允许玩家拥有更大范围的视野这应该是一个暂时的增加,它得以减少难度以及增强玩家的优势。我发现通常情况下,+20%或者-20%的偏差是最为常见的。但最终,这个数值需要基于你的测试数据才能使我们主要的度量方法起作用

如果要使用此方法,那么你就必须开始去考虑你的游戏元素和后续的RLD表,它们属于三种态势感知中的哪一种类型呢?是秒至秒,分钟至分钟,还是小时至小时?毕竟,删除了分钟到分钟的态势感知(如小地图)实际上并不会对你的秒至秒的谜题产生太大的影响(除非两者有所区别)(图21)。

图21

不过,并非是所有的玩家都是一样的。由于老玩家将对游戏比较的熟悉,这将使他们能够比新手玩家处理更多的信息。考虑到这一点,我们需要获取三种不同类型的态势感知的信息(即洞察力)并将其与玩家的理解能力相乘,以便理解我们在此阶段微调所产生的结果,这个过程被称作为预测

1.洞察力[2](Perception)-方向,时间和空间位置,地理环境以及对环境中物体的识别。在这里面包括了我们的秒至秒,分钟至分钟和小时至小时的态势感知。(即对玩家的秒至秒,分钟至分钟和小时至小时所传递的信息)

2.理解能力[3](Comprehension)-理解事物当然是很好的,但是你需要去了解你和这些事物之间的关系。作为一名玩家,现在的局势和状况对于你来说意味着什么。

3.预测(Projection)-这是拥有更强的洞察力和理解能力的最终结果,因为它将允许玩家去提前的进行计划。例如,”现在这一步我应该要做什么,而下一步我又应该去怎么做?“这将取决于玩家对于过去所有事物的理解,以及玩家应该如何利用这些优势去获取好处。

在我们继续讨论态势感知(预测)的最终结果之前,现在必须先去检查我们的游戏设计中将会影响玩家理解能力的因素。对此,在这里我将解释干扰信息这些指标以及它们是如何帮助我们调整玩家对于态势感知信息的理解。

运用干扰信息扼杀理解能力(Using Noise to Stifle Comprehension)

干扰信息(Noise)是我们运用多余信息促使玩家应接不暇并掩盖玩家手上任务简单性的区间。在我的RLD模型的背景下,干扰信息覆盖了三个最具代表性的游戏层面(视觉、动觉和声音),另外一个类别则是专门用于机制和其相关的认知负荷。请记住,一定数量的干扰信息是非常有必要的,因为我们需要它就是为了得到反馈信息。因此,干扰信息是玩家感知的一个子元素,我们可以用它来影响玩家的理解能力

干扰信息是在游戏设计领域中已经被多次解决的一个概念。一个更好的解释来自于我所喜欢的一篇文章,它是丹•库克(Dan Cook)写的一篇有关游戏掌握和精通的随机性的文章。在这篇文章中,丹•库克(Dan Cook)很好地解释了干扰信息对于游戏机制的影响。丹•库克(Dan Cook)用了四个主要的类别来描述游戏中的干扰信息

  • 行动干扰:玩家行动的不确定性、外来因素或者是无法确定的复杂度。
  • 规则干扰:黑盒规则处理过程中的不确定性、外来因素或者是无法确定的复杂度。
  • 反馈干扰:看到玩家行动后所受的影响和刺激下所产生的不确定性、外来元素或者是无法确定的复杂度。
  • 模型干扰:玩家模型的不确定性、外来元素或者是无法确定的复杂度。


在我的RLD度量方法的背景下,我对“干扰信息的分类”上则可能有点不一样的认识和见解。在某种程度上,干扰信息的代表元素基本上是不言而喻的:更多多余的视觉,听觉和动觉,将等同于更多的干扰信息和随之而来所增加的难度。实际上更难理解的是多余的机制所带来的干扰信息。

  • 机制干扰(Mechanical Noise)


机制干扰是给与玩家可选的多余选项,这将会使其在选择合适策略时变得更加困难。你不妨这样思考,如果交待给你的任务是杀死一条龙,你只有一种进攻能力,那么该场景的机制就会非常的简单。而在另外一方面,如果你拥有着一样的任务,并且有着无数的进攻选择,那么决定一条最佳的策略将会变得非常困难。你拥有很多选择,但是具体哪种选择最为有效?

在无主之地中可以很好地实现机制干扰。在《无主之地》(以及许多其它精心制作的游戏)中,玩家会慢慢地了解新的机制-新的武器,敌人类型,车辆等。随着每一个新元素的出现,机制干扰都会逐渐地增加-“这是什么新东西,我该如何使用它,什么情况下应该使用它?”为了帮助玩家将多余的干扰信息整合到他们对游戏的正常认知中,《无主之地》的设计师们制定了一些简单的规则供玩家遵循,这些规则同样适用于所有新的机制。在武器类型中,重要的外观具有着一套非常清晰的规则,这些规则定义了它们最有效果和最不起作用的位置,并通过简单的图形化方法将其传达给其他的玩家。在图22中,玩家将会看到一个绿色的敌人。根据他们先前对游戏机制的灌输,他们将会很快地发现酸性(绿色)环境的伤害将会对这个敌人不起作用-他们必须去使用不同颜色的(元素的)武器才能发挥出最大的伤害。

图22:绿色敌人?请不要使用绿色武器。

必须强调的是,在四大指标的(并通过使用RLD来微调游戏性)背景下,机制干扰是一个变量。而像《街头霸王3》这样的游戏从头到尾都为玩家提供了所有的选项/机制。因此,《街头霸王3》中的机制干扰则是一个常量,而不是一个变量,我们不能使用机制干扰参数来微调这样的游戏。机制干扰只能通过我们在给定场景中添加的新机制的数量来衡量,而不是玩家到目前所掌握认知的总和。这样做的原因是因为玩家具有着适应能力。他们所使用的机制越多,带来的认知负荷(和干扰信息)就会越少。引入新的机制,将会导致机制干扰暂时性的增加,并且当前游戏场景的难度也会略有增加。

  • 视觉干扰(Visual Noise)


视觉干扰是干扰信息的三个代表性元素之一。史蒂夫•斯威克(Steve Swink)创造了被我认为是最好的思考游戏的方法之一,即从游戏的视觉层面,而不是机制的层面上来进行思考。斯威克通过视觉化的方式实现了这一目的:虽然《街头霸王》只是一个根据数学公式移动矩形的集合,但是它却以一种将该集合作为玩家的上下文的方式来进行视觉表现(图23)。

图23

如果我们从这样的角度去思考,即只有命中框和它们之间的关系对于游戏来说才是重要的,那么我们会发现其他的一切都只属于纯粹的干扰信息。其中的一些干扰信息很明显是为了掩盖《街头霸王》仅仅是一个二维碰撞框的集合而设计的。而最终我们可以得出这样的一个结论,视觉干扰会影响游戏的难度,这是因为它会分散玩家对于重要事物的注意力。

图24:助手图标只会在你距离可拾取物时足够近时出现,这意味着玩家需要为怎样才是一个“可能”拾取的区域建

机制的角度上来看,《地铁:最后的曙光》是一款非常简单的游戏,但是视觉干扰被广泛地用于掩盖这个属性,并且它使得诸如寻找可拾取物之类的琐碎任务变得更具挑战性。在《地铁:最后的曙光》中,可拾取物被隐藏在周围的环境中,而一些更好的可拾取物则使用了更多的视觉干扰,从而隐藏自己的位置。区分态势感知和视觉干扰是很重要的,视觉干扰是游戏中过量的视觉信息,而态势感知则是设计师使玩家能够轻松地识别这些被模糊被隐藏的元素的方式。例如,悬停在可拾取物上方的图标是被用作态势感知的元素,用来消除高层次的视觉干扰,并帮助玩家找到可拾取物。

图25:大雾不仅仅使游戏体验变得更加紧张,而且还减少了渲染的绘制距离。还减少了在平直的街道上设计城镇时

图26:在Wangan Midnight中,只有在玩家全速前进时,景深效果才会发挥作用。它被用来限制玩家周边视觉中的

视觉干扰可以在非常字面上的意义上实现,例如《寂静岭》中的雾和干扰效果(图23)限制了玩家分分秒秒的态势感知,或者是在游戏中所使用的运动模糊效果,例如在Wangan Midnight中它被设计成一种危险元素(图24)。

  • 听觉干扰(Auditory Noise)


就像视觉干扰那样,“听觉干扰”是被我们拿去混淆重要听觉信息的垃圾干扰信息所构成的一片海洋。

图27:从设计的角度上来看,这是一个非常简单的遭遇战,但此处过于频繁的听觉干扰使得游戏变得有趣和具有挑

在《死亡空间2》的第12章节中,主人公艾萨克(Isaac)骑在一个非常吵闹的钻头上,它撞上了一个地下洞穴。当玩家试图优先处理先进入洞穴的敌人时,玩家被大量的听觉信息所包围着。这里通过使用了海量的听觉干扰信息影响玩家,以此增加玩家的焦虑程度。虽说声音也是游戏“审美”的一个要素,但它也会对游戏的难度产生影响。在游戏的这一章节部分的游戏体验中,不仅声音会变得很大,而且玩家还必须仔细聆听各种类型的听觉信息。怪物接近时的声音有助于玩家找到怪物的接近矢量。背景音乐用于设定该情景的情感预期,而对话则有助于游戏中故事的叙述。

  • 动觉干扰(Kinesthetic Noise)


动觉干扰指玩家必须在心理上跟踪游戏中的若干移动元素的程度。虽然标记具有着完全相同的视觉属性,但是当单位在其运动速度、运动矢量和上表现不同时,动觉干扰将会增加。尽管我们使用了视觉形式来描述运动,但我们仍需要将其与视觉干扰进行区别的对待。我在这里解释一下原因。

在潜行游戏中增加动觉干扰通常被视作一种惩罚。假设我们在玩《分裂细胞》这样的游戏,玩家面对的是一个充满潜在威胁的仓库。当玩家初次遇到这样的情况时,敌人通常会静止不动,即使他们在移动,他们也会以一种可预测的模式去做,例如在走廊或周边巡逻。现在,如果玩家所做的每件事都是正确的,并按照正确的顺序消灭这些敌人,同时尽可能地保持谨慎,那么其他敌人将会显得非常愚蠢,他们将会继续其可预测的移动行为。

让我们假设玩家不够谨慎,并且投入了自己的所有火力。从表面上来看,这样做的惩罚是敌人正在寻找玩家并且增加了时间压力,然而真正的难度变化来自于大量的动觉干扰。由于敌人AI的快速且经常性不规则的移动模式,玩家将会面临更大的来自于管理敌人AI的空间关系的挑战。

Shmups类型的游戏使用动觉干扰来作为难度控制的一个关键因素。在像Guwange这样的Shmup类游戏里(图28),弹幕和敌人的移动模式在游戏开始时往往更趋于一致,这是因为多个子弹和敌人共享着共同的运动矢量和速度。以后的关卡将会有更多的独立的不同的运动矢量和速度,敌人会通过引入更多的动觉干扰来增加难度

图28:在Guwange的早期关卡中,虽然有许多子弹,但是它们的运动矢量和速度都是相同的。因此,他们并不是所有的人都会独立行动,而是在以可预测的行为成群结队的行动。这些可预测的群体行为会在游戏后期被抛弃,从而使游戏体验变得更加困难。

因为动觉干扰所导致的不可预测性,玩家的策略制定能力将会较弱,这将使玩家不得不更多地依赖于二次决策。因此,由于我们限制了玩家的预测能力,游戏的难度将会增加。

应用干扰信息(Applying Noise)

在应用基于干扰信息的微调之前,必须了解两个关键点;

干扰信息往往依赖于某种形式的时间压力,然而如果没有时间压力,那么当时间压力不是一个要素时,干扰信息的程度可能会非常高。

干扰信息的工作方式与态势感知类似,因为它会影响秒到秒,分到分和小时到小时的游戏要素。

在讨论时间和干扰信息的关系之前,我想先讨论干扰信息的三层分类法,以及它与在研究态势感知时所讨论的内容有何细微差别。在态势感知的背景下,三种不同类型的态势感知都是由我们提供给玩家的信息类型以及玩家是如何使用它们去解决特定的游戏问题时所决定的。而在处理干扰信息时,这种关系将会略有不同,因为我们处理的是因果关系之间的时间量。(图29)

图29:在像《星际争霸2》这样的游戏中,许多文本要素会影响到每一小时的干扰信息循环——也就是说,我们的

我们之所以需要将此框架应用于干扰信息,是因为模式识别的谜题不仅仅只是空间的,它还是时间的。游戏则测试了我们识别重要的模式并且利用它们的能力。当我们在因果关系之间建立了时间或空间上的距离时,我们会逐渐使玩家越来越难理解其自身的行为是否会改变游戏系统,使他们更具优势从而能够产生对自身有意义的影响。图27中的蓝线是用来表示时空距离而不是干扰信息,相反的,干扰信息是指我们在多大的程度上“打断”了返回给玩家的反馈结果的传递过程,我们可以将这个循环分解看作为图30中所示的虚线。通过引入干扰信息,我们可以使得玩家在反馈被模糊时更加难以确定自身行为的影响。

图30

如果让我来想象干扰信息控制器的外观,那么它将是一组简单的推子(音量控制器),与我们的主要指标相关联(图31)。为0的值将是我们干扰信息的名义电平,正值表示干扰信息的增加,用来抑制玩家对场景的认知。而负值则意味着我们使用更少的干扰信息,让玩家专注于游戏中最重要的部分。

图31:虽然干扰信息可以被忽略,但它很少会被忽略。

量化干扰信息的影响而言,这是根据你正在制作的游戏类型的背景下来完成的。根据经验,对于最大认知,RLD重构后的认知值应该在0.7左右,对于极其有限的认知,RLD重构后的认知值应该在2.0左右。添加干扰信息,一次只能改变一个要素的值,单个要素的值变化大约+/-0.05点。由于该指标的开放性,你必须在流程中尽早地收集测试数据以帮助量化干扰信息参数,这一点至关重要。

关于干扰信息及其与理解能力的关系。你需要记住最后一件事,只有在第一次遇到干扰信息时,玩家的认知负荷才会增加(从而使游戏变得更难)。图32显示了添加新的干扰信息要素将会如何影响玩家的认知负荷。虽然我们在玩家的认知负荷中看到了峰值,但这些峰值仅仅只是理解干扰信息所产生的影响的一个维度。

图32

在音频工程中,我们可以使用峰值和平均值两种方法来量化波形的音量或响度。峰值是我们的最大振幅,而平均值是波形接近峰值的频率。具有较高平均能量的波形,其声音将比具有单个高振幅峰值的波形更加响亮。我们可以用这个系统来了解干扰信息的影响。虽然引入干扰信息会影响认知负荷的峰值,但更多的干扰信息会延长玩家吸收初始“冲击”所需的时间。(图33)

图33

在图33中,与图32中的干扰信息事件相比,它将更难处理,因为它会导致更高的平均认知负荷。我们可以将其可视化为具有扩展衰减的峰值,我个人喜欢用这种方式去思考干扰信息,因为它与巴德利工作记忆模型的框架非常吻合。我们拥有着有限的短期记忆,它可以用来处理环境中的新现象。所以,在任何给定的时间内我们能够轻松地处理多少个新的信息块的数量是有限的。

除此之外,我们还被以感官输入形式的信息所困扰。我们不可能密切地关注周围发生的每一件事,因此我们需要优先考虑哪些事情是重要的,而哪些事情又是不重要的[4]。通过引入更多的干扰信息,设计师得以打断因果关系之间的明显联系,这使得玩家很难理解其行为的直接后果。因此,干扰信息是设计师如何故意混淆有意义的反馈,从而在玩家无法清晰地理解其行为的情况下所创造的游戏体验的一种度量。

预测(Projection)

如果我们认为态势感知是由洞察力,理解能力,预测和干扰信息所组成,那么我们可以将态势感知视为如下等式:

Perception*(Comprehension+Noise)=Projection


即洞察力*(理解能力+干扰信息)=预测

我认为玩家理解能力的值应在0.7至2之间。是因为我认为值为0.7是对游戏及其所有要素的彻底的理解,而值为2则是对游戏表象系统的一种不存在的知识。我之所以选择这些看似随意的数字是基于个人经验,而我的个人系统则是根据玩家的经验来重构我的RLD表。这种选择背后的逻辑是,严重缺乏对游戏的理解往往会导致你精心制作的游戏要素的难度翻倍。例如,第一次学习你的游戏(和游戏类型)的玩家,其失败率通常是熟悉游戏的玩家的两倍。另一方面,即使是拥有着专业知识的玩家也仍然会受到游戏系统的限制。具有较高理解能力且经验丰富的玩家在测试过程中往往具有着较高的成功率,但这通常不是你的“普通玩家”成功率的两倍。我给普通玩家的理解能力值为1.0。对于使用该值,我是说我的初始测试数据是从“普通”玩家身上所得到的,因此它不需要进行重构。并且这些数字是非常私人的,它取决于你正在开发的游戏类型。而最终,如果你真的想要一切都变得有条不紊,那么你可以将这些测试数据转化为更加客观理解标度的数字。

图34

将这些数字放置于背景之中,如果玩家无法理解这些数字的含义,那么提供给他们的大量信息则是多余的。取自《魔兽世界》的图34则是一个非常好的例子,对新手来说,这张画面不过是一片混乱。即使这里它的态势感知很好,但是对于新手来说,其干扰信息的程度将令人无法容忍。而另一方面,对于理解这些信息及其意义的专业玩家来说,他们的预测能力则会高很多。

Perception(0.8)(lower is better)*(Comprehension(0.71)+Noise)=0.568


洞察力(0.8)(越低越好)*(理解能力(0.71)+干扰信息)=0.568

如果我们将我们的主要指标应用到《魔兽世界》的谜题设计中,则可能会遇到这样一种情况,即我们所有的要素都需要根据“0.568”的值进行重构,以便与玩家的态势感知和理解能力保持一致。同样,请一定要记住,只有当你知道添加或删除了多少分钟到分钟的感知信息时,才能够成功地重构分钟到分钟的要素。同样的规则也适用于秒到秒和小时到小时。

其他类型的态势感知(Other Types of Situational Awareness)

作为一名设计师,你可以精心地制作游戏体验,但是总会有外部因素破坏你精心安排的计划。

玩家可以根据大小和布局自定义UI吗?

玩家可以重新调整游戏的外观,尤其是UI吗?

玩家可以配置Gamma值或对比度吗?

玩家可以通过改变相机的视角或者完全移动相机来控制相机吗?

游戏是否在菜单中存储笔记和谜题线索等信息?

是否有小地图或雷达系统供玩家用来确定其与其他游戏对象相关的位置。

如果你对这些问题的回答是肯定的,则说明你的玩家具有着很好的态势感知,且你将承受着让你的游戏体验变得过于简单(或压倒性的困难)的风险。如果你的态势感知刻度盘被调到了最高程度,那么你将需要通过使用机器的下一个步骤(即时间压力)来调整玩家的体验。

第二个指标:时间压力(The Second Metric:Time Pressure)

人类是优秀的“鉴赏家”。我们使用一个有依据的猜测过程来得出结论。每次我们进行猜测时,我们都会缩小问题可能的解决方案的范围。时间越长,我们便能够进行更多的评估周期,以此来调整我们的决策。更少的时间将给与我们更少的评估周期,因此增加了做出不太理想决策的可能性。就像态势感知一样,时间压力也是多方面的,并且它经过了充分的研究。Hwang(Hwang,1994)在1994年的一篇文章中研究了时间压力是如何影响不同类型的感知处理。Hwang指出,时间压力的增加将会增加任务难度,而不是任务的复杂度,这正是我们希望从微调的角度去考虑的。那么,我们应该如何用数学来表示时间压力的影响呢?

在我绘制测试数据图表的所有实践中,我从未见过一组RLD是线性的。就像难度一样,你的RLD值(甚至是你自己选择的值)需要具有某种指数级的增长率。指数增长的原因是,你的所有的游戏要素都有一个有限的难度限制。例如,即使一个玩家对你的游戏有着世界上最好的理解,这种理解也不允许他们克服重力的影响(图35)。(除非有黑客使用了理解技能!)提出重构时间压力值也需要遵循这一经验法则。


在重构方面,我倾向于使用值1.0来表示没有时间压力的情况。我使用指数增长模式来开发一系列的重构值,以表示不断增加的时间压力。根据我的经验,当你接近极限时,你才会开始看到时间压力的影响急剧增加。例如在“刺猬索尼克(Sonic the Hedgehog)”中,10分钟的时间限制会导致游戏中秒到秒要素的整体难度会略微增加。如果让我猜一下的话,我会说10分钟的时间会以1.000001的值将你的秒到秒的要素重构-即几乎没有影响。如果Green Hill区域的时间限制从10分钟调整为30秒(可以在25秒内完成!),那么我预计你的测试数据将会显示新手测试人员所犯的错误加倍。

时间压力有一个奇怪的特性,它违背了指数增长的逻辑。Hwang在1994年进行的一项研究中,对相关文献的回顾表明,增加时间压力实际上可以提高工作绩效,至少在工作场所是这样。假设我们可以将其扩展到玩家在游戏中的表现;然而,这是否会对你的重构做出重大改变还尚不清楚。

时间压力将影响这三种游戏要素,并且当它对这三种要素都产生影响时,时间压力将是最强大的。像之前提到的“星际争霸2”这样的游戏对这三种要素都施加了时间压力,这使得想要在游戏中获胜将会极度的困难。另一方面,像“星际殖民地”这样的游戏(图36)则将时间作为游戏经济中的一种资源。你在游戏中的获胜取决于,与敌人相比你是如何有效地利用每一个“片段”的时间,因此,这并不是难度要素的重构。

图36

第三个指标:对称性(The Third Metric:Symmetry)

我们的RLD微调机器的这一部分主要涉及到游戏机制的对称性或不对称性。在我的游戏设计方法中,我认识到机制是游戏化身(包括人类和AI)为了给游戏系统生态系统带来好处而使用的行为。[5]当玩家拥有更多选择时,游戏难度通常会对他们有利。而当敌人拥有更多选择时,通常玩家的游戏难度会增加。我之所以强调“通常”一词,是因为这个指标是一种微妙的平衡行为(就像态势感知一样)。剥夺玩家的能力,并给与他们的敌人以他们认为自己应该拥有的技能,将导致玩家感到不公平,并会让玩家关闭和卸载你的游戏。另一方面,给与玩家过多的选择可能会使他们在游戏中失去挑战,或者在某些情况下会使他们感到无聊。在我们讨论不对称性之前,让我们先来看看对称性。

任何为所有游戏化身(玩家)提供相同选择权的游戏都可以被认为是对称的。属于这一类别的最知名的游戏是国际象棋。每个玩家在游戏桌面上都有着完全相同的单位,并且它们的行为方式都是相同。玩家1与玩家2的唯一区别是谁先走。在电子游戏领域中,很少有可以被认为是真正对称的游戏。事实上,像《太空大战》这样的早期街机(和超级计算机)游戏!和Pong乒乓是唯一真正对称的电子游戏。(这在很大的程度上可以归因于AI缺乏CPU指令周期!)。从RLD重构的角度来看,对称性将导致重构值为1.0,即没有影响。理解该指标的最好方法是将其视为敌人可以做的事情与我作为玩家可以做的事情之间的比率。

Shmup是一个很好的例子,它可以用来理解这个指标,以及为什么需要将它表示为一个比率。在典型的Shmup类游戏(图37)中,玩家是一个男人(或女人)的军队,通常需要摧毁数百甚至数千个敌人才能达到目标。如果敌人拥有着与玩家相同的机制,那么即使是最熟练的人类玩家也很难有机会对抗经过良好调整的AI。然而,在Shmups中,这个比率完全有利于玩家。玩家可以在他们认为合适的情况下进行移动和进攻,并且玩家通常拥有着更强的火力,速度和敏捷性。另一方面,敌人往往被锁定在预先确定的模式和进攻形态上。简而言之,如果我们仅考虑到玩家可以自由移动而敌人却不能移动的事实,那么我们的比率将为2:1已经不均衡地有利于玩家了。

图37

同时,我们也有像《街头霸王3:三度冲击》这样的游戏(图38)。如果我们忽略玩家的等级和特殊能力,一般来说玩家获胜的可能性与敌人的可能性之比会轻易的接近1:1。像《街头霸王3:三度冲击》这样的游戏中的对称性是通过简单而强大的平衡策略(如设计骨骼-命中框)来保持的。除了通常的平衡设计考虑之外,设计优秀的1v1战斗体验中最困难的部分之一就是创造出一款AI,其缺陷足以让它看起来像一个真人玩家。

图38

考虑到这一点,有两个主要的例子展示了这一指标的两个极端。第一个例子来自《地铁:最后的曙光》和玩家必须忍受的最终战役。(图39)


在这场最终战役中,玩家被赋予了比敌人更多的选择权,从而占据了上风。在这个例子中,玩家拥有许多对他们有利的东西。

首先,玩家不需要离开到掩体之外,这意味着他们可以留在隔离他们和敌人的障碍物的后面,并且利用这个掩体来降低风险。另一方面,敌人必须“跳”过路障的顶部才能与玩家交战,留下一个比自己更大的命中框供玩家瞄准。

虽然敌人可以扫射,但是《地铁:最后的曙光》的设计师已经将这一点从这场最终战役的第一波和最后一波敌人的移动设计中删除了。[6]另一方面,玩家也可以选择努力躲避。

玩家有大量的弹药和强大的武器供他们使用,这些武器散落在周围的环境中,只有他们才能使用。相比之下,敌人仅限于使用较弱的武器。

我们可以通过
最新评论
暂无评论
参与评论