Met de opkomst van smartphones zijn videospelletjes voor steeds meer mensen een dagelijkse bezigheid geworden. Spelletjes als Angry Birds laten zien dat er een markt is voor makkelijk te begrijpen en simpel te besturen games. Dit betekent echter niet dat al deze spelletjes ook makkelijk zijn; vaak worden de levels verder in het spel ingewikkelder en kunnen mensen wel eens ontmoedigd worden om verder te spelen. Dat is voor zowel de speler als de maker van het spel niet leuk.
Als spelletjes op dit moment al de moeilijkheidsgraad aanpassen aan de vaardigheid van de speler, gebeurt dat op een erg onnatuurlijke manier. Bij racespelletjes zie je het vaak: als je voorsprong te groot wordt, zitten je tegenstanders plotseling vlak achter je. Mark Riedl, één van de twee bedenkers van de nieuwe methode, vond dat een erg onnatuurlijk fenomeen. Bovendien is het reactief; het spel wacht totdat je te goed bent geworden en past dan pas de moeilijkheid aan.
Geleend algoritme
De informatici wilden dus onderzoeken hoe dit beter kon. Daarvoor ontwikkelden ze een ‘turn based strategy’-game met een ingewikkeld vechtsysteem. Het spel was expres gemaakt om moeilijk onder de knie te krijgen, zodat iedereen een leercurve zou hebben tijdens het spelen. Tijdens het spelen paste het spel constant de moeilijkheidsgraad aan aan de speler en zijn leercurve.
Het algoritme daarvoor hoefden de wetenschappers verrassend genoeg niet zelf te bedenken. Ze gebruikten een zogenoemd ‘collaborative filter’, een techniek die ook veel gebruikt wordt voor websites als Amazon om mensen spullen aan te raden. In plaats van nieuwe cd’s of schoonheidsproducten, raadt het algoritme in het spelletje de volgende uitdaging aan aan de speler.
Collaborative filters
Het filter werkt aan de hand van ‘big data’: grote verzamelingen gegevens van verschillende gebruikers. Met deze gegevens is het mogelijk om een voorspelling te maken van wat de huidige gebruiker van het systeem zou willen. Ondertussen wordt het gedrag van de huidige gebruiker ook weer bijgehouden, zodat de wensen van de gebruiker steeds preciezer kunnen worden voorspeld.
Een voorbeeld: veel mensen die een scheermes kopen, kopen ook scheerschuim. Als jij vervolgens een scheermes wilt kopen, verschijnt er bij ‘gerelateerde producten’ scheerschuim. Als je vervolgens ook nog aftershave koopt, zou het best kunnen dat bij de volgende gebruiker zowel scheerschuim als aftershave bij de aangeraden producten staat.
Hoe meer gebruikers er op een website zitten, hoe meer data een filter kan gebruiken en hoe beter de aangeraden producten passen bij de gebruiker.
De toepassing van het bestaande algoritme zorgt voor een nieuwe manier om de uitdaging passend te maken. Het voorspelt hoe goed de speler in de volgende ronde zal zijn, in plaats van de ronde tijdens het spelen moeilijker te maken. Daarmee voelt de voortgang natuurlijker en krijgt elke speler een leukere spelervaring.
Deze nieuwe toepassing van collaborative filters is niet alleen bruikbaar voor spelletjes. Riedl ziet ook hoe leerlingen die moeite hebben met school baat kunnen hebben bij een op hun aangepaste leerweg. Een soort Montessorischool (waar ook ieder kind in zijn eigen tempo leert), maar dan aan de hand van een computeralgoritme. Riedl heeft ook al een proefballonnetje opgelaten bij het Amerikaanse leger; daar zou het algoritme kunnen helpen om soldaten te trainen.
Bron
- A Temporal Data-Driven Player Model for Dynamic Difficulty Adjustment, Alexander E. Zook en Mark O. Riedl, gepresenteerd op de 8th AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment in Palo Alto, Californië