Loading article…
動的ゲーム難易度調整（DGDB）は、動的難易度調整（DDA）、適応型難易度、または動的ゲームバランス調整（DGB ）とも呼ばれ、プレイヤーの能力に基づいてビデオゲーム内のパラメータ、シナリオ、および動作をリアルタイムで自動的に調整するプロセスです。その目的は、ゲームが簡単すぎてプレイヤーが飽きてしまったり、難しすぎてプレイヤーがイライラしたりするのを防ぐことです。動的難易度調整の目標は、適切なレベルの挑戦を提供することで、ゲーム全体を通してプレイヤーの興味を維持することです。
動的な難易度調整によって変更される可能性のあるゲームの要素には、以下のようなものがあります。
プレイヤーがゲームに取り組むにつれて、スコアは着実に向上していくはずです。初心者はある程度の進歩を遂げ、中級者は中級レベルのスコアを獲得し、上級者は高得点を獲得できるはずです。理想的には、進歩は自動的に行われます。プレイヤーは初心者レベルからスタートし、コンピュータが熟練したプレイを認識すると、高度な機能が導入されます。
—クリス・クロフォード、1982年[ 1 ]
動的なゲーム難易度バランス調整については、文献によってさまざまなアプローチが見られます。いずれの場合も、ユーザーが特定の時点で直面している難易度を、暗黙的または明示的に測定する必要があります。この測定は、一部の著者が「チャレンジ関数」と呼ぶヒューリスティック関数によって実行できます。この関数は、特定のゲーム状態を、特定の時点でユーザーが感じるゲームの容易さまたは難しさを指定する値にマッピングします。使用されているヒューリスティックの例は次のとおりです。
…またはゲームのスコアを計算するために使用されるあらゆる指標。クリス・クロフォードは、「典型的なプレイヤーのスコアをゲーム内で費やした時間の関数としてグラフ化すると、そのグラフは滑らかに着実に上向きに傾斜する曲線を示すはずです。私はそのようなゲームを正の単調曲線を持つゲームと表現します」と述べた。そのような曲線を持たないゲームは「難しすぎるか簡単すぎるかのどちらか」のように思えると彼は言った。[ 1 ]
HunickeとChapmanのアプローチ[ 2 ]は、ゲーム環境の設定を制御して、チャレンジを容易にしたり難しくしたりします。たとえば、ゲームが難しすぎると、プレイヤーはより多くの武器を入手したり、ライフポイントをより速く回復したり、対戦相手の数を減らしたりします。このアプローチは効果的かもしれませんが、適用すると不自然な状況が発生する可能性があります。このような「パラメータ操作」を、ノンプレイヤーキャラクター（コンピュータによって制御され、通常はインテリジェントエージェントとしてモデル化されるキャラクター）の挙動を変更するメカニズムと組み合わせるという単純なアプローチがあります。ただし、この調整は「ゴムバンド」効果を避けるために、控えめに行う必要があります。レーシングゲームにおけるこの効果の1つは、AIドライバーの車両がプレイヤーの車両の後ろでは著しく速くなり、前では著しく遅くなるというものです。これは、 2台の車両が大きなゴムバンドで繋がれているかのようです。
このようなエージェントの知能の従来の実装は、ゲーム開発中に定義された行動ルールを使用することです。格闘ゲームにおける典型的なルールは、「相手が攻撃可能な距離にいればパンチし、そうでなければ追いかける」というものです。このようなアプローチを拡張して対戦相手のモデリングを含めるには、Spronckらによる動的スクリプティング[ 3 ] [ 4 ]を使用し、各ルールに選択される確率を割り当てます。ルールの重みは、対戦相手のスキルに応じてゲーム全体を通して動的に更新され、特定のユーザーへの適応につながります。シンプルなメカニズムにより、現在のプレイヤーにとって強すぎず弱すぎない戦術を生成するルールを選択できます。
Andradeら[ 5 ]は、DGB 問題を、能力 (可能な限り学習する) とパフォーマンス (必要なだけ行動する) の 2 つの次元に分けています。能力とパフォーマンスのこの二分法は、Noam Chomskyが提唱したように、言語学ではよく知られ、研究されています。[ 6 ]彼らのアプローチは、強化学習(RL) で両方の次元に対応します。オフライン トレーニングは、学習プロセスをブートストラップするために使用されます。これは、エージェントが自分自身 (自己学習)、他の事前プログラムされたエージェント、または人間のプレイヤーと対戦することで実行できます。次に、オンライン学習を使用して、この初期に組み込まれた知能を各特定の人間の対戦相手に継続的に適応させ、対戦相手に対してプレイするのに最適な戦略を発見します。パフォーマンスに関しては、彼らのアイデアは、ゲームのバランスを良好に保つ行動、つまりエージェントと人間のプレイヤーの両方のパフォーマンスレベルをほぼ同じに保つ行動を選択するための適切なポリシーを見つけることです。プレイヤーが直面している難易度に応じて、エージェントは期待パフォーマンスが高い、または低い行動を選択します。特定の状況において、ゲームレベルが難しすぎる場合、エージェントは（強化学習フレームワークによって提供される）最適な行動を選択せず、プレイヤーと同等のパフォーマンスを発揮するまで、徐々に最適とは言えない行動を選択する頻度を減らしていきます。同様に、ゲームレベルが簡単すぎる場合は、より高い価値を持つ行動を選択し、最終的には最適なパフォーマンスに達する可能性があります。
DemasiとCruz [ 7 ]は、ユーザーレベルに最も適したエージェントを維持するために遺伝的アルゴリズム技術を用いたインテリジェントエージェントを構築しました。オンライン共進化は、学習プロセスを高速化するために使用されます。オンライン共進化では、遺伝的操作において、事前に定義されたモデル（優れた遺伝的特徴を持つエージェント）を親として使用し、進化がそれらによって偏向されるようにします。これらのモデルは、オフライントレーニングによって構築されるか、エージェントの遺伝的エンコーディングが十分に単純な場合は手動で構築されます。
DGBにおけるその他の研究は、ゲームの視聴覚的特徴、コンテキスト、ジャンルではなく、プレイヤーと対戦相手の相互作用が、コンピュータゲームにおけるエンターテイメントの質的特徴の大部分に貢献する特性であるという仮説に基づいている。[ 8 ]この基本的な仮定に基づいて、捕食者/被食者ゲームのリアルタイムのエンターテイメント価値を測定するための指標が導入され、人間の判断との検証により、効率的かつ信頼できるものとして確立された。
YannakakisとHallamによるさらなる研究[ 9 ]では、ゲームの挑戦と好奇心（Maloneによればゲームプレイに没頭するための本質的な質的要因） [ 10 ]の適切な推定値と人間のプレイヤーの好みに関するデータがあれば、人工ニューラルネットワーク（ANN）とファジーニューラルネットワークは、人間が設計したものよりも優れたプレイヤー満足度の推定値を抽出できることが示されています。ゲームのどのバリアントがより楽しいか、または楽しくないかを予測できるゲームプレイヤーのユーザーモデルを構築するアプローチは、エンターテイメントモデリングと定義されています。このモデルは通常、プレイヤーとゲームの相互作用から得られたゲームパラメータ[ 11 ]および/またはプレイ中に記録されたプレイヤーの生理学的信号の統計的特徴[ 12 ]に適用される機械学習技術を使用して構築されます。この基本的なアプローチは、コンピュータゲーム[ 9 ]と物理ゲームの両方を含むさまざまなゲームに適用されます。
予測不可能な公平なゲームを設計するのは難しい。[ 13 ]アンドリュー・ローリングスとアーネスト・アダムスは、プレイヤーが前のいくつかのレベルでどのようにプレイしたかに基づいて各レベルの難易度を変更するゲームの例を挙げている。プレイヤーはこれに気づき、難しいレベルの前のレベルでわざと下手なプレイをすることで、難しいレベルを克服する戦略を開発した。著者らは、プレイヤーが難易度適応の存在に気づかないように隠蔽することの重要性を強調している。[ 14 ]
動的難易度調整（DDA）とは、プレイヤーのパフォーマンスに基づいてゲームプレイの難易度を自動的に調整する機能を指します。一方、チートAIとは、ゲームが現実的なメカニズムを無視し、AIに不公平なアドバンテージを与えることを指します。ゲームによっては、これら両方のシステムが同時に採用されている場合もあります。
難易度バランス調整の初期の例としては、コンパイルが1986年に開発した『ザナック』が挙げられる。このゲームは独自の適応型人工知能を搭載しており、プレイヤーのスキルレベル、連射速度、そして艦船の現在の防御状態／能力に応じて難易度を自動的に調整していた。これよりさらに古い例としては、ミッドウェイが1975年に発売したアーケードゲーム『ガンファイト』がある。この対戦型シューティングゲームでは、撃たれたプレイヤーのプレイフィールドの半分にサボテンなどの新しいオブジェクトを配置することで、隠れやすくする仕組みになっていた。
Archonのコンピュータ対戦相手は、プレイヤーがそれを倒せるように、時間とともに徐々に適応していきます。 [ 15 ] Danielle Bunten は、MULEとGlobal Conquest の両方を、プレイヤー間のゲームプレイを動的にバランスさせるように設計しました。ランダムイベントは、1 位のプレイヤーが幸運であることはなく、最下位のプレイヤーが不運であることもないように調整されています。 [ 16 ]
初代クラッシュ・バンディクーとその続編では、「動的難易度調整」システムが採用されており、プレイヤーの死亡回数に応じて障害物の速度を遅くしたり、ヒットポイントを増やしたり、コンティニューポイントを追加したりします。ゲームのリードデザイナーであるジェイソン・ルービンによると、その目的は「上手なプレイヤーのためにゲームを変えることなく、下手なプレイヤーを助けること」でした。[ 17 ]
Insomniac Gamesの「スパイロ・ザ・ドラゴン」シリーズと「ラチェット＆クランク」シリーズは、自動チャレンジ調整（ACT）と呼ばれるシステムで動的な難易度調整を採用しています。これらのゲームの初期リリース版では、プログラミング上の見落としにより、このシステムの不具合でプレイヤーがゲームを100%クリアできないことがありました。[ 18 ] [ 19 ]
ビデオゲーム『Flow』は、2006年のFlash版で、ビデオゲームにおける精神的没入（フローとも呼ばれる）の応用を普及させたことで注目を集めた。このビデオゲームのデザインは、開発者の一人の修士論文に基づいており、後にPlayStation 3向けに移植された。
2006年にリリースされたSin Episodes: Emergenceは、「パーソナルチャレンジシステム」を採用しており、プレイヤーのパフォーマンスに応じて敵の数や強さが変化し、ゲームの難易度と進行速度が調整される仕組みになっていた。開発元のRitual Entertainmentは、能力レベルが大きく異なるプレイヤーでも、クリアまでの時間差はごくわずかだと主張した。 [ 20 ]
2005年に発売された『バイオハザード4』では、 「難易度スケール」と呼ばれるシステムが採用されましたが、公式攻略ガイドにしか記載されていなかったため、ほとんどのプレイヤーには知られていませんでした。このシステムは、プレイヤーのパフォーマンスを1から10までの数値で評価し、プレイヤーのパフォーマンス（死亡回数、クリティカル攻撃など）に基づいて、敵の行動/攻撃と敵のダメージ/耐性の両方を調整します。選択した難易度レベルによってプレイヤーは特定の数値に固定されます。たとえば、ノーマル難易度では、グレード4から始まり、成績が悪い場合はグレード2に下がり、成績が良い場合はグレード7に上がります。難易度間のグレードは重複する場合があります。[ 21 ]
2006年にクローバースタジオが開発し、『バイオハザード4』のディレクターである三上真司氏が監督を務め、カプコンがPlayStation 2向けに発売したビデオゲーム『ゴッドハンド』では、ゲームプレイ中に敵の知能と強さを調整するメーターが登場します。このメーターは、プレイヤーが敵の攻撃をうまく回避したり攻撃したりすると上昇し、プレイヤーが攻撃を受けると減少します。メーターは4つのレベルに分かれており、最も難しいレベルは「レベルDIE」と呼ばれています。ゲームには3つの難易度があり、イージーモードではメーターはレベル2までしか上昇せず、最も難しいモードではメーターはレベルDIEに固定されます。このシステムでは、より高いレベルの敵を倒すと、より大きな報酬が得られます。
2008年のビデオゲーム「Left 4 Dead」は、「AIディレクター」と呼ばれる人工知能技術を使用しています。[ 22 ] AIディレクターは、ゲームをプレイするたびにプレイヤーに異なる体験をプロシージャルに生成するために使用されます。個々のプレイヤーのパフォーマンスとグループとしてどれだけうまく協力できるかを監視してゲームのペースを調整し、収集した情報に基づいてプレイヤーを攻撃するゾンビの数とボス感染者との遭遇場所を決定します。ディレクターはまた、プレイヤーが各目標に向かってレベルをどれだけ速く移動しているかを判断します。プレイヤーが同じ場所に長く留まりすぎているか、十分な進歩が見られないことを検出すると、一般的な感染者の群れを召喚して、そこにいるプレイヤーとAIキャラクターを現在の場所から移動させて新しい脅威と戦わせます。ペース調整に加えて、ディレクターはゲームのビデオとオーディオ要素の一部を制御して、ボスとの遭遇の雰囲気を作ったり、プレイヤーの注意を特定のエリアに引き付けたりします。[ 23 ] Valve は、Director の仕組みを「手続き型物語」と呼んでいます。これは、難易度が一定のレベルまで徐々に上がっていくのではなく、AI がプレイヤーのこれまでのゲームでの成績を分析し、物語性を感じさせるような後続のイベントを追加しようとするからです。[ 24 ]
Madden NFL 09では、「Madden IQ」が導入され、プレイヤーのスポーツに関する知識やさまざまな状況での能力を測るオプションのテストから始まります。そのスコアはゲームの難易度を調整するために使用されます。 [ 25 ] [ 26 ]
マッチ3ゲーム「フィッシュダム」では、制限時間がプレイヤーの成績に応じて調整されます。プレイヤーがレベルに失敗すると制限時間が延長されるため、どのプレイヤーでも数回の挑戦でレベルをクリアすることが可能です。
1999年のビデオゲーム『Homeworld』では、各ミッション開始時にAIが保有する艦船の数は、ゲームがプレイヤーの艦隊の強さをどのように判断するかによって決まります。損失が少ないほど、成功したプレイヤーはより大きな艦隊を保有することになります。このようにして、複数のミッションで成功を収めたプレイヤーは、ゲームが進むにつれてますます困難な挑戦に直面することになります。
『Fallout: New Vegas』と『Fallout 3』では、プレイヤーのレベルが上がるにつれて、より強力な敵、より高いステータスと優れた武器を持つ敵、あるいは新しい敵が古い敵と入れ替わり、一定の難易度を維持します。この難易度は、スライダーを使って経験値ボーナスで上げることができ、『Fallout 3 』ではその逆も可能です。 『New Vegas』でも同様のことができますが、難易度を上げたり下げたりしてもボーナスはありません。
マリオカートシリーズでは、レース中にドライバーがライバルに差をつけるのに役立つアイテムが登場します。これらのアイテムはドライバーの順位に基づいて配布され、ゲームの難易度を動的に調整する好例となっています。例えば、下位のドライバーは自分のスピードを大幅に上げたり、ライバルのスピードを急激に下げたりするアイテムを入手できる可能性が高い一方、1位や2位のドライバーはそういったアイテムを入手できる機会は少なく（むしろ弱いアイテムを入手できる可能性が高い）、ゲーム内のコンピューターレーサーもプレイヤーのスピードに合わせて調整されます。プレイヤーがトップのコンピューターレーサーに大きく差をつけられている場合は速度を落とし、逆にライバルのコンピューターレーサーが1位のプレイヤーに追いついてくると速度を上げます。
2020年、米国カリフォルニア州北部地区連邦地方裁判所において、ゲーム開発会社エレクトロニック・アーツ（EA）が、同社のEA Sportsフランチャイズ3作品（Madden NFL、FIFA、NHL）において、2017年版以降の全作品で特許取得済みのダイナミック難易度調整技術を使用しているとして、集団訴訟が提起された。原告側は、EAがこの技術を用いてプレイヤーにプレイヤーパックとしてルートボックスの購入を促しており、結果として高いステータスを持つプレイヤーでさえ本来の実力を発揮できなくなっていると主張している。
訴訟では、EAがプレイヤーに開示せずにこの技術を使用しているとも指摘されており、EAは過去に訴訟で言及されている複数のゲームでの使用を否定している。この申し立てについてコメントを求められたEAは、これらの主張を「根拠のない」ものであり、「当社のゲームを誤って表現している」と述べた。[ 27 ] [ 28 ] [ 29 ]原告は2021年に自主的に訴訟を取り下げた。[ 30 ]
{{cite book}}: CS1メンテナンス: 場所の発行元が見つかりません (リンク){{cite book}}: CS1メンテナンス: 場所の発行元が見つかりません (リンク){{cite book}}: CS1メンテナンス: 場所の発行元が見つかりません (リンク){{cite web}}: CS1メンテナンス: アーカイブサービスは非推奨になりました (リンク)