网易游戏研究报告MMORPG玩家动机研究Word文档下载推荐.docx
《网易游戏研究报告MMORPG玩家动机研究Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《网易游戏研究报告MMORPG玩家动机研究Word文档下载推荐.docx(20页珍藏版)》请在冰豆网上搜索。
整合和建立一个这些潜在动机的实证模型,将为其他方面的研究提供重要的基础。
首先,它开辟了研究不同玩家的途径,例如探讨老年玩家和年轻玩家有什么差异。
第二、玩家动机模型提供了研究游戏内表现和行为的工具。
例如,哪些玩家更可能成为公会领导者,或者是哪类玩家更可能出现游戏成瘾?
巴图的玩家类型理论
巴图(Bartle)的玩家分类(http:
//www.mud.co.uk/richard/hcds.htm)是一个著名的玩家动机模型。
在那篇文章中,巴图(Bartle)分析玩家间的区别,按照两个内在维度提出了玩家的4种类型(社交型、成就型、杀手型和探索型)。
最近,巴图(Bartle)进一步把他的模型扩展到8种分类(见DesigningVirtualWorlds,巴图,2004)。
巴图(Bartle)理论尽管有重要的价值,但也存在许多不足。
1)每个类型假定的成分间可能并不相关。
例如,巴图(Bartle)假定角色扮演和社交性都属于同一类型,但它们可能没有高度的相关。
2)假定的类型间可能相互重叠。
例如,raid型公会的成员是否可能同时是成就型和社交型玩家?
但在巴图(Bartle)的分类中两者处于模型上相反的位置。
3)纯理论的模型没能提供途径,测量玩家是哪种类型。
更重要的是,假如没有解决1)中的问题,任何依据该模型的测量都更可能是造出玩家类型而不是测量它们。
关键问题是,除非得到实证数据的支持和证实,否则很难用巴图(Bartle)模型进行实际研究。
例如,巴图(Bartle)提出不同玩家类型间以某种方式相互影响。
但除非我们能测量和确认玩家的不同类型,否则很难将巴图(Bartle)的理论模型运用到实际中。
尽管确实存在“巴图(Bartle)测试”(不是巴图本人开发的),但那种测量工具的两分法和强迫性选择,只是先定假设了巴图(Bartle)玩家类型的存在,而不是去验证它们。
在本文中,我提出了验证巴图(Bartle)模型的一种途径,研究结果与巴图(Bartle)假设的类型既有符合之处、也有存在差异的地方。
因素分析(FactorAnalytic)方法
在过去几年里,通过经验主义方法,我使用迭代程序(iterativeprocess)来验证、扩展和改进玩家动机模型。
首先,从现有文献(例如巴图的分类理论)或早期的开放性调查中,收集了人们玩MMORPG的可能动机:
然后把这些动机转换成调查问题,例如:
尽可能快地升级对你来说很重要吗?
一点也不重要
有点重要
一般重要
很重要
极为重要
在本文的最后,提供了调查所用的全部问题,以及测量工具的相关信息。
通过网上调查,玩家在线对每个陈述进行评定。
现在这批数据,包括了3200名作答者对39个项目的评定。
随后对这些数据进行了因素分析,把那些陈述分离成独立的因素,因素内的题项尽可能的高相关,而因素间则尽可能不相关。
这种方法达到了3个目的:
1)保证每个动机内的成分间是相关的
2)保证不同的动机是相互区别的
3)提供测量这些动机的工具
我希望强调目前这种工作的迭代式本质。
开放性调查和头脑风暴提供了研究的线索,通过因素分析来验证,此时再通过开放性调查来进一步探索因素分析所确认的因素。
玩家的作答使我们能探索他们玩游戏的动机,我还收集了玩家的言论来做进一步的探究。
从现在的数据中,分析出了10个因素,它们又能进一步被归纳成3个更高层次的因素。
我们可以把这10个因素看作次级因素,也可以分别看作主因素。
通过主成分分析(principalcomponentsanalysis),对39个题项中的因素进行了聚类。
特征值(eigenvalues)大于1的10个因素被抽取出来。
这些因素共解释了总变异的60%。
下面的图表显示了所用题项的因素负荷量(factorloadings):
次级因素
调查的题项
因素负荷量
取得进步
(advancement)
α=.79
人物尽可能快地升级
.68
获得大部分玩家无缘得到的稀有物品
.77
变得强有力
.81
积聚资源、物品或金钱
.69
在游戏里变的出名对你来说很重要吗
.53
加入一个严格的、raid/劫掠型公会对你来说很重要吗
.60
游戏机制
(mechanism)
α=.68
你对游戏内在机制的具体数值和比率很感兴趣吗
.78
使你的人物最适合它们的职业/角色对你来说很重要吗
.65
在早期,你经常使用角色编辑器或模拟器来规划角色吗
.67
尽可能了解游戏的机制和规则
竞争
(competition)
α=.75
与其它玩家竞争
.64
你经常试图挑衅或激怒其他玩家吗
支配/杀戮其他玩家
.72
骚扰其他玩家
.82
交际
(socializing)
α=.74
认识其他玩家
帮助其他玩家
与其它玩家聊天
成为一个友好、随和的公会的一员
.63
关系
(relationship)
α=.80
你经常与其他玩家进行有意义的交谈吗
.71
你经常与线上的朋友讨论自己的私人事务吗
.88
当你在现实生活中存在问题时,线上朋友经常能提供支持吗
.86
团队协作(teamwork)
α=.71
你愿意组队玩、还是单独玩
.79
角色的单独生存能力对你来说很重要吗
你喜欢与其他人共同组队吗
角色的自给自足
探索
(discovery)
α=.73
你喜欢仅仅为探索而探索地去搜索游戏世界吗
你喜欢发现问题、NPC或者是那些大部分玩家不了解的地区吗
你喜欢收集不同的物品和服装吗,即使它们在游戏里没有什么功能
.55
探索游戏世界中的每一幅地图、每一个区域
.80
角色扮演
(role-playing)
α=.87
为你的人物尝试新的角色和人格
.66
沉浸于奇妙的游戏世界
.62
你经常为自己的人物编写故事和历史吗
.83
你经常模仿自己人物的角色吗
.85
个性化
(customization)
人物创建时,你花费多长时间来个性化自己的人物
.73
人物铠甲和装备在颜色、风格上一致对你来说很重要吗
使自己的人物与众不同对你来说很重要吗
逃避现实
(escapism)
α=.65
你经常通过玩游戏来忘却现实中的问题和烦恼吗
你经常通过玩游戏来释放日常工作中的压力吗
逃避真实的生活
在所有次级因素的分数上,我们都对3200名作答者进行了回归分析(regressionMethod)。
从而在10个次级因素的基础上形成了另外的首要因素。
因素负荷量大于1的3个主因素被抽取出来。
这3个因素合在一起可以解释总变异的54%。
并且3个因素间很不相关(r’s~.10)。
下面的表显示了次级因素在3个主因素上的因素负荷量。
主因素
成就
(achievement)
社交
(social)
.74
团队协作
.76
代入感
(immersion)
.70
主因素&
这里给出了3个主因素以及它们的次级因素。
成就(achievement)
社交(social)
代入感(immersion)
提升、力量
收集、地位
聊天、帮助他人
交朋友
开发、学问、
发现隐藏的事物
数值、最优化
模拟、分析
私秘化、自我展露
关心和给与支持
故事线索、人物历史
角色、传奇
挑战其他人
挑衅、支配
合作、组队
集体成就
外表、附件
风格、色彩配置
放松、逃离真实生活
避免真实生活中的问题
下文主要来说明次级因素上的高分数代表什么意思。
而这些因素上的低分数也同样具有启迪作用。
例如,在交际次因素上得分低的玩家,将会更喜欢那些不强迫人进行交流的游戏机制(像EQ中的人物属性---绑定、心灵传送、复活)。
限于篇幅,对每个次级因素的“次要方面”这里就没详细讨论。
成就因素:
取得进步:
这个因素上得分高的玩家,满足感来自于达成目标、快速升级以及收集游戏中像黄金这样的资源。
他们喜欢以游戏中的方式不断进步和获得力量---战斗力、社会认可、或者金钱/制造业方面的优势。
这方面得分高的玩家,将会趋向于那些有助于他们进步的、严肃的、核心玩家组成的公会。
游戏机制:
在游戏机制因素上得分高的玩家,满足感来自于分析和理解系统内在的数值系统。
例如,他们的兴趣可能是计算装备两把单手武器与装备一把双手武器间伤害值的差别,或者是计算招架、未击中和逃跑的几率问题。
他们理解游戏内在机制的目的,就是为了改进并优化角色,使之在某一领域出类拔萃。
竞争:
在这个因素上得分高的玩家,喜欢在战场或经济上取得优势,以及享受与其他人竞争的感觉。
这既包括公平、有序的挑战—像决斗或结构化的PvP/RvR,也包括了非暴力的竞争—像诡计或欺骗。
这个因素上得分高的玩家,满足于拥有击败或支配其他人的力量。
社交因素:
交际:
这个因素上得分高的玩家,满足感来自于遇到和认识其他玩家。
他们喜欢与其他玩家闲聊,并且一般乐意帮助别人—无论对方是偶遇的玩家还是老朋友。
这方面得分高的玩家,将会趋向于那些随和、友好的公会。
关系:
这个因素上得分高的玩家,寻求的是与其他人形成持久的、有意义的关系。
他们不介意与其他人讨论涉及现实生活的私人问题。
他们需要的是亲密的网上朋友,以在面对真实生活中的问题时获得必要的支持。
团队协作:
这个因素上得分高的玩家,喜欢与其他人共事与合作。
他们乐于组队而不是单闯,并且从集体成就中比从个人成就中得到更多的满足。
这个因素上得分低的玩家,会倾向于作独行侠,并且认为自给自足、不依赖其他人是至关重要的。
他们只是在万不得已的时候才会组队。
代入感因素:
探索:
这个因素上得分高的玩家,喜欢探索游戏世界,发现那些其他人可能不了解的区域、任务或物品。
他们乐于奔波,但只是为了去观光世界的不同部分,和探索自然区域(像地牢和洞穴)。
他们喜欢收集稀有的信息、物品或琐碎的东西。
角色扮演:
这个因素上得分高的玩家,喜欢通过游戏中人物的视角来沉浸于其中的故事。
这些玩家倾向于阅读游戏世界的背景故事,以及为他们的人物编写历史和故事。
同时,他们喜欢人物的角色扮演,以把自己的人物整合进游戏世界的故事里。
个性化:
这个因素上得分高的玩家,喜欢个性化他们人物的外表。
使自己的人物有独特的风格或外观对他们来说很重要。
他们希望游戏提供个性化方面的多项选择,并努力使自己的人物具有一致的色彩配置和风格。
逃避现实:
这个因素上得分高的玩家,把虚拟环境当作放松和释放压力的地方。
这些人把玩游戏当作一种途径,来避免想起真实的烦恼,或者大体上当作逃避现实生活的工具。
对巴图分类的修订
通过因素分析得出的因素不是玩家类型。
我们不是造出了10个箱子,然后把玩家向里放,而是揭示了共存的10个因素,来共同解释玩家的动机。
巴图(Bartle)假设内在的动机是相互“排斥”的。
换句话说,你越是一个成就型玩家,就越不可能是一个社交型、探索型和杀手型玩家,但是,仅仅因为喜欢冰激凌并不意味着你就会恨通心粉。
对动机两极化的假设,也没有得到对目前数据相关分析的支持。
成就因素并不像巴图(Bartle)假设的那样与社交因素负相关。
事实上,两者是略微正相关(r=.10,p<
.001)。
在文章的后面,对类型vs因素的差异有更详细的解释。
经过因素分析,也发现了当前数据与巴图(Bartle)理论几点显著的不同之处:
1)交际和角色扮演:
巴图(Bartle)提出,喜欢聊天和交朋友的玩家也同时是喜欢角色扮演的玩家。
而它们实际上是两个独立的因素。
2)成就和竞争:
巴图(Bartle)假设成就型和破坏型是两个独立的类型,而它们实际上是显著相关的。
取得进步和竞争两个因素的相关是:
r=.41,p<
.001。
3)探索型:
巴图(Bartle)认为探索型玩家既喜欢探索世界、收集信息,也喜欢探究游戏的内在机制和系统。
而他们实际上是两种不同的玩家。
我早期尝试寻找巴图(Bartle)定义的探索型玩家但没有成功,直到我把它们两者作为独立的类型。
换句话说,探索性因素涉及的只是寻找和积累知识,与探索游戏机制是两个不同的因素。
4)代入感:
这是一个巴图(Bartle)类型中没有出现的动机。
代入感因素涉及的是故事线索、角色扮演、幻想、个性化和逃避现实,它独立于社交动机。
在《设计虚拟世界》(2004)一书中,巴图(Bartle)批评了早年基于因素分析建立的玩家动机模型。
这里我列出这些批评,并给与一些回答。
1)调查所提出的动机类型在题项中有所暗示。
尽管这是事实,但调查并没有整体暗示出假设的一组评定,并且调查更重要的目标——不是假定这些动机的存在,而是了解哪些相关的动机形成一个“因素”。
例如,我们发现交际和角色扮演是独立的结构。
2)头脑风暴产生的动机像头脑风暴产生的玩家类型一样都是主观的。
但两者更重要的差别是,头脑风暴产生的动机随后通过实证研究来验证。
数据显示了与巴图(Bartle)最初类型的矛盾,证明玩家动机不能简单地通过头脑风暴来认识。
它们必须通过数据调查来验证。
3)因素的命名并不是通过因素分析提供的。
但玩家类型的名称也同样不是固有的。
玩家类型的命名存在更为严重的问题,把一些毫不相关的动机放在一起命名。
4)一些因素相互重叠,而另一些则不重叠。
了解因素间关系的唯一途径,是开发一种有效的测量方法,观察各因素内在的相关。
事实上,玩家类型也存在重叠,而直到我们找到测量那些动机的途径之前,对这种重叠的认识都是不清晰的。
而更重要的是,当前模型的3个主因素都是显著不相关的(都大约是r=.10)。
其它数据的分析
我们进行了一系列t检验,来分析玩家动机上的性别差异,同时对年龄、玩家动机和每周游戏时间进行了相关分析。
玩家动机的性别和年龄差异以及与每周游戏时间的相关
(男性=2769,女性=431)
性别差异
r*
年龄相关系数
(男性/女性)
时间相关系数
男性>
女性
.26
-.35/-.26
.22/.12
.19
-.30/-.24
.20/.10
.24
-.15/-.08
.17/.12
.17
-.34/-.27
.06/.-.02
女性>
男性
.12
-.16/-.02
.05/.11
-.07
-.08/-.04
.05/.07
-.25
-.08/-.01
.11/.15
---
-.14/-.02
.01/.05
.15
-.02/-.13
.09/.05
-.02/-.16
.05/.-01
-.06
.02/-.02
-.02/.00
-.18
-.13/-.12
.04/.03
-.04
.02/-.08
.11/.11
注:
这里报告的所有性别差异都在p<
.001水平上显著。
r是表示性别差异程度的指标((t-test),因此也大致表示了性别多大程度上能单独解释因素上的总体变异。
效果大于.15的被突出显示(字体加粗的数字,译者注)。
因为标准分和差异程度(连续数据)可能没有百分率(类别数据)直观,这里也给出了这些数据的另一种形式。
我们根据每个玩家的分数推断出他们的“首要动机”。
如果没有很接近的次要动机(首要*.75>
次要),每个作答者都被赋予一个首要动机。
按照这个标准,57%的玩家具有首要动机。
这个标准可能并不严谨,但使我们能更直观的理解这些数据。
首先来看一下主因素上的性别差异。
总体来说,依据上述标准,43%的玩家没有首要动机。
在那些具有首要动机的玩家中,20%玩家的首要动机是成就感,20%玩家的首要动机是代入感,而17%玩家的首要动机是社交。
使用百分率形式时,性别和年龄差异显得更为显著。
首要动机上的性别差异
男性=2769,女性=430
(纵轴代表百分率,横轴自左向右分别是成就因素、社交因素、代入感因素,黑色代表男性、浅色代表女性。
译者注)
我们根据次级因素分数推断出玩家的首要次级动机,来看一下在次级因素上的性别差异情况。
次级因素上的性别差异
男性=2769,女性=430
(横轴代表百分率,纵轴自上向下分别是取得进步、游戏机制、竞争、交际、关系、团队、探索、角色扮演、个性化、逃避现实,黑色代表男性、浅色代表女性。
男性玩家更多被成就动机驱动,而女性玩家更多被关系和个性化动机驱动。
女性玩家和男性玩家都同样被交际、团队协作、探索、角色扮演和逃避现实因素所吸引。
意外的是,关系因素上存在性别差异,但是交际因素上却没有性别差异,尽管这两个因素可能像是高度相关的。
换句话说,男性和女性都同样对和人打交道感兴趣,但是社交的目的却不相同。
对男性玩家和女性玩家来说,年龄大的玩家与年龄小的玩家在成就因素上都有很大的不同。
年龄小的玩家更着迷于取得进步、竞争和认识游戏内在机制。
年龄大的玩家与年龄小的玩家在社交和代入感因素上没有明显的差异。
与每周游戏时间长短相关最大的因素,对男性玩家来说是取得进步和认识游戏机制,对女性玩家来说是形成亲密关系。
换句话说,男性玩家和女性玩家在游戏投入时间上的原因是不一样的。
男性投入很多时间是为了提升等级、获得稀有装备和了解游戏机制,而女性投入很多时间则是为了建立私人关系。
为了研究影响每周游戏时间长短的因素,我们以性别、年龄和10个次级因素作为预测变量进行了多元回归分析(multipleregression)。
回归模型在p<
.001水平上显著,校正后的R值是.06(回归模型不是很理想,预测性较弱)。
最好的预测指标是取得进步的动机(Beta=.13,p<
.001),随后是形成关系的动机(Beta=.10,p<
尽管如此,没有任何一个因素能非常好的预测每周游戏时间。
我们以性别、年龄和10个次级因素作为预测变量进行多元回归分析,来研究游戏成瘾的最大影响因素。
通过使用下面的题目,我们还开发了一份测量游戏成瘾的量表(基于结构--特定(construct-specific)反应选择的5点量表)。
这些参考了IanDanforth的工作,从心理承诺方面的研究中抽取题目形成了游戏成瘾的量表。
(
*你是否认为自己的游戏时间过多,超过了适宜的范围?
*你很难控制自己的游戏时间吗?
*如果服务器意外关闭,你会烦躁不安吗?
*你的朋友和家人经常抱怨你玩游戏的行为吗?
*玩游戏影响了你的工作/学习吗?
*你在生活中的幸福感多大程度上来自于玩游戏?
*玩游戏影响了你的人际关系吗?
通过主成分分析(principalcomponentsanalysis),得出了特征值(eigenvalue)大于1的一个因素,可以解释总变异的47%。
所有项目在这个因素上的负荷量都介于.52和.79。
多重回归在p<
.001水平显著,校正后的R值是.33(表明模型的预测力较好)。
游戏成瘾的最佳预测指标是逃避现实的因素(Beta=.31,p<
.001),其次是每周游戏时间(Beta=.27,p<
.001),再次是取得进步的因素(Beta=.18,p<
这个多重回归的结果是很有趣的,它表明逃避现实因素才是游戏成瘾的最佳预测指标。
换句话说,只有那些把网络游戏作为逃避现实手段的玩家,才最可能导致游戏成瘾。
这与以前的看法是相反的,大家以前认为游戏本身与生俱来就有让人上瘾的成分。
当然,取得进步的因素也是一个较强的预测指标,但是比逃避现实因素要弱的多。
数据显示,游戏成瘾的首要原因是现实生活中已存在的问题,而不是网络游戏本身,与玩家的现身情态相比,游戏机制(常常被认为极具上瘾性)只是一个较弱的预测因素。
玩家也回答了以下题目(是/不是):
-连续投身于raid至少8小时
-曾使用第三方的宏或插件
-购买过虚拟物品/游戏币
-游戏中投入的曾经主要是相反性别的角色
我们进行了一系列的多因素回归分析(logisticregressions),来看10个次级因素和性别、年龄中,哪些是以上4个题项的较好预测指标。
“8小时raids”的最佳预测指标是关