La dificultad es un aspecto difícil de equilibrar en los videojuegos. Algunas personas prefieren los videojuegos que presentan un desafío, mientras que otras disfrutan de una experiencia fácil. Para facilitar este proceso, la mayoría de los desarrolladores utilizan el ajuste de dificultad dinámica (DDA). La idea de DDA es ajustar la dificultad de un juego en tiempo real según el rendimiento del jugador. Por ejemplo, si el rendimiento del jugador supera las expectativas del desarrollador para un nivel de dificultad determinado, el agente DDA del juego puede aumentar automáticamente la dificultad para aumentar el desafío que se le presenta al jugador. Aunque útil, esta estrategia tiene la limitación de que solo se tiene en cuenta el rendimiento del jugador, no cuánto se divierten realmente.

En un estudio reciente publicado en Expert Systems With Applications , un equipo de investigación del Instituto de Ciencia y Tecnología de Gwangju en Corea decidió darle un giro al enfoque DDA. En lugar de centrarse en el rendimiento del jugador, desarrollaron agentes DDA que ajustaban la dificultad del juego para maximizar uno de los cuatro aspectos diferentes relacionados con la satisfacción del jugador:desafío, competencia, fluidez y valencia. Los agentes de la DDA fueron entrenados a través del aprendizaje automático utilizando datos recopilados de jugadores humanos reales, que jugaron un juego de lucha contra varias inteligencias artificiales (IA) y luego respondieron un cuestionario sobre su experiencia.

Usando un algoritmo llamado búsqueda de árbol de Monte-Carlo, cada agente de DDA empleó datos reales del juego y datos simulados para ajustar el estilo de lucha de la IA contraria de una manera que maximizaba una emoción específica o "estado afectivo".

"Una ventaja de nuestro enfoque sobre otros métodos centrados en la emoción es que no depende de sensores externos, como la electroencefalografía", dice el profesor asociado Kyung-Joong Kim, quien dirigió el estudio. "Una vez entrenado, nuestro modelo puede estimar los estados de los jugadores usando solo las funciones del juego".

El equipo verificó, a través de un experimento con 20 voluntarios, que los agentes DDA propuestos podían producir IA que mejoraban la experiencia general de los jugadores, sin importar su preferencia. Esta es la primera vez que los estados afectivos se incorporan directamente a los agentes DDA, lo que podría ser útil para los juegos comerciales.

"Las empresas de juegos comerciales ya tienen grandes cantidades de datos de los jugadores. Pueden explotar estos datos para modelar a los jugadores y resolver varios problemas relacionados con el equilibrio del juego utilizando nuestro enfoque", dice el profesor asociado Kim. Vale la pena señalar que esta técnica también tiene potencial para otros campos que pueden ser "gamificados", como la atención médica, el ejercicio y la educación. + Explora más

Un estudio encuentra que las relaciones jugador-personaje afectan la satisfacción con los videojuegos