遊べることと、上達したくなること
AIがゲームを生成できても、それだけでプレイヤーが繰り返し遊ぶとは限りません。とくに、初心者が少しずつ上達して熟練に至る体験を設計するには、プレイを観察し、難易度やルールを何度も調整する必要があります。PlayCraftは、この試行錯誤を支援するため、エージェントにゲームを遊ばせ、その経験を別のエージェントによる設計変更につなげます。
プレイと改良を交互に行う
PlayCraftの処理は二つの段階を繰り返します。プレイ段階では、視覚ベースのエージェントが画面を見て操作し、ゲームの目標を目指します。複数のエピソードを通じて記憶を保ち、各回の後に進捗、結果、判断、振り返りを報告します。勝敗だけでなく、そこに至るまでの経過も記録するのがポイントです。
次の改良段階では、クラフター役のエージェントが報告を読み取り、プレイヤーの能力を推定します。異なる熟練度でどのような成績になりそうかを予測し、その結果を目標とする学習の進み方と照らし合わせます。差が見つかれば、より良い判断や操作によって上達できる機会が生まれるよう、ゲームを改訂します。単に難易度を上げるのではなく、練習と成長につながる設計を目指す考え方です。
この仕組みには、次の特徴があります。
- 過程もフィードバックにする: 判断や振り返りを、プレイの成否だけでは見えにくい課題の手掛かりにします。
- 習熟度を考慮する: プレイヤーの能力や成長段階を推定し、目標とする学習進行との差を探します。
- 新しいプレイで評価する: 改良に使った経験とは別の新規実行でゲームを評価します。
結果が示す可能性と限界
研究では、知能の異なる三つの設定でプレイヤーエージェントを用い、学習増分と学習傾向を測定しました。論文要約によると、初期ゲームと比べて、PlayCraftは多くのゲームで学習増分を大きくし、学習傾向を急にしました。また、両指標のマクロ平均では、各知能設定においてベースラインを上回ったと報告されています。ゲーム生成の評価軸を「プレイ可能か」だけでなく、「プレイヤーが上達できるか」へ広げる試みといえます。
ただし、公開された要約には、対象ゲームの数やジャンル、具体的な改訂例、指標の詳細は示されていません。そのため、幅広いゲームへの一般化や、人間のプレイヤーでも同様の効果が得られるかは、ここから判断できません。今後は、人間によるプレイテストやゲームデザイナーの評価との比較が重要になります。現段階では、プレイ記録を設計に戻し、新しいプレイで結果を確かめるプロトタイピング支援の枠組みとして見るのが適切です。
コメント
ログイン状態を確認中…
コメントを読み込み中…