動的なゲーム難易度のバランス調整

動的ゲーム難易度バランス調整( DGDB ) は、動的難易度調整( DDA )、適応難易度、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、ビデオゲームのパラメータ、シナリオ、動作をリアルタイムで自動的に変更するプロセスです。これにより、プレイヤーが退屈したり (ゲームが簡単すぎる場合)、イライラしたり (難しすぎる場合) することを防ぎます。動的難易度バランス調整の目的は、最初から最後までユーザーの興味を維持し、適切なレベルのチャレンジを提供することです。

動的な難易度バランス調整によって変更される可能性のあるゲーム要素には、次のものがあります。

• 敵のスピード
• 敵の体力
• 敵の出現頻度
• パワーアップの頻度
• プレイヤーの力
• 敵の力
• ゲームプレイ体験の持続時間

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ることができ、中級者は中程度のスコアを獲得し、経験豊富なプレイヤーは高いスコア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、プレイヤーは初心者レベルから開始し、コンピューター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のバランス調整に対処するためのさまざまなアプローチが文献に見られます。いずれの場合も、特定の瞬間にユーザーが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、特定の瞬間にユーザーがゲームをどれだけ簡単にまたは難しく感じるかを指定する値にマッピングします。使用されるヒューリスティックの例は次のとおりです。

• 成功したショットまたはヒットの率
• 勝ち駒と負け駒の数
• ライフポイント
• 進化
• タスクを完了する時間

... またはゲームスコアを計算するために使用される任意のメトリック。クリス・クロフォードは「ゲーム内で費やされた時間の関数として典型的なプレーヤーのスコアのグラフを作成すると、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な曲線を持つゲームと表現します」と述べています。そのような曲線のないゲームは「難しすぎるか簡単すぎるかのどちらかです」と彼は言いました。^[1]

Hunickeと Chapman のアプローチ^[2]は、ゲーム環境設定を制御して、課題を容易にしたり困難にしたりします。たとえば、ゲームが難しすぎる場合、プレーヤーはより多くの武器を手に入れ、ライフ ポイントをより速く回復し、対戦相手の数を減らします。このアプローチは効果的かもしれませんが、適用すると、あり得ない状況が発生する可能性があります。直接的なアプローチは、このような「パラメーター操作」をいくつかのメカニズムと組み合わせて、ノン プレーヤー キャラクター(コンピューターによって制御され、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) の動作を変更することです。ただし、この調整は、「輪ゴム」効果を避けるために、適度に行う必要があります。レーシング ゲームでのこの効果の 1 つの例としては、AI ドライバーの車両がプレーヤーの車両の後ろでは大幅に高速化し、前にいるときは大幅に低速化することが挙げられます。これは、2 台の車両が大きな輪ゴムでつながっているかのようになります。

このようなエージェントの知能を実装する従来の方法は、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。格闘ゲームの一般的なルールは、「相手が到達可能な場合は殴り、そうでない場合は追いかける」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ことは、 Spronckらの動的スクリプト^{[3] [4]}を通じて行うことができます。動的スクリプトは、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じて動的に更新できるため、特定のユーザーへの適応につながります。単純なメカニズムで、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 2 つの次元、すなわち能力 (可能な限り学習する) とパフォーマンス (必要に応じて行動する) に分割しています。この能力とパフォーマンスの二分法は、ノーム・チョムスキー^[6]によって提唱されたように、言語学でよく知られ、研究されています。彼らのアプローチは、強化学習(RL)で両方の次元に取り組んでいます。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、エージェントを自分自身 (自己学習)、他の事前に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させることによって行うことができます。次に、オンライン学習を使用して、最初に組み込まれたこの知性を各特定の人間の対戦相手に継続的に適応させ、対戦相手に対して最も適切な戦略を発見します。パフォーマンスに関して、彼らのアイデアは、適切なゲーム バランスを提供するアクション、つまりエージェントと人間のプレイヤーの両方をほぼ同じパフォーマンス レベルに保つアクション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されるパフォーマンスが高いアクションまたは低いアクションを選択します。特定の状況では、ゲーム レベルが難しすぎる場合、エージェントは最適なアクション (RL フレームワークによって提供される) を選択せず​​、パフォーマンスがプレイヤーと同等になるまで、次第に最適ではないアクションを選択します。同様に、ゲーム レベルが簡単すぎる場合、エージェントはおそらく最適なパフォーマンスに到達するまで、より高い値のアクションを選択します。

DemasiとCruz ^{[7]は、ユーザーレベルに最適なエージェントを存続させるために}遺伝的アルゴリズム技術を採用したインテリジェントエージェントを構築しました。学習プロセスを高速化するためにオンライン共進化が使用されます。オンライン共進化は、遺伝的操作の親として定義済みモデル（優れた遺伝的特徴を持つエージェント）を使用するため、進化はそれらによって偏ります。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、これらのモデルはオフライントレーニングまたは手作業で構築されます。

DGB分野の他の研究は、オーディオビジュアル機能、ゲームのコンテキストやジャンルではなく、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のエンターテイメントの品質機能の大部分を占めるという仮説に基づいています。^[8]この基本的な仮定に基づいて、捕食者/被捕食ゲームのリアルタイム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、人間の判断に対する検証によって効率的で信頼できるものとして確立されました。

YannakakisとHallam ^[9]によるさらなる研究では、ゲームの挑戦性と好奇心（Maloneによるとゲームプレイを魅力的にするための本質的な定性的な要因）[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与えられれば、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。ゲームのどのバリエーションがより楽しいか、またはより楽しくないかの答え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、エンターテインメントモデリングと定義されています。モデルは通常、プレイヤーとゲームの相互作用^[11]から得られたゲームパラメータや、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]に適用された}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、コンピューターゲーム^[9]と物理 ゲームの両方で、さまざまなゲームに適用できます。

予測不可能でありながら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にプレイすることで、難しいレベルを克服する戦略を立てた。著者らは、難易度の適応の存在をプレイヤーが気付かないように隠すことの重要性を強調している。^[14]

難易度のバランス調整の初期の例としては、1986 年にCompileが開発したZanacが挙げられます。このゲームは独自の適応型人工知能を備えており、プレイヤーのスキル レベル、発射速度、および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ます。これより古い例としては、Midway が 1975 年にコイン オペレーション ゲームとして開発した Gun Fight があります。この直接対決のシューティング ゲームでは、撃たれたプレイヤーを助けるために、プレイ フィールドの自分の側にサボテンなどの新しい追加オブジェクトを配置して、隠れやすくしました。

Archonのコンピューター対戦相手は、時間の経過とともにゆっくりと適応し、プレイヤーが倒せるように手助けします。 ^[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のバランスを動的に取るように設計しました。ランダムイベントは、1位のプレイヤーが決して幸運にならないように、また最下位のプレイヤーが決して不運にならないように調整されます。 ^[16]

最初のクラッシュ・バンディクーとその続編では、「ダイナミック難易度調整」システムを採用しており、障害物の速度を落としたり、ヒットポイントを追加したり、プレイヤーの死亡回数に応じてコンティニューポイントを追加したりしている。ゲームの主任デザイナー、ジェイソン・ルービンによると、その目標は「より上手いプレイヤー向けにゲームを変えることなく、より弱いプレイヤーを助けること」だったという。^[17]

ビデオゲーム「Flow」は、2006 年の Flash バージョンで、精神的没入感 (フローとも呼ばれる) をビデオゲームに適用することを普及させたことで有名です。このビデオゲームのデザインは、作者の 1 人の修士論文に基づいており、後に PlayStation 3 に適応されました。

2006年にリリースされたSiN Episodesには「パーソナルチャレンジシステム」が搭載されており、対戦する敵の数と強さはプレイヤーのパフォーマンスに基づいて変化し、ゲームの難易度と進行ペースが保証される。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、わずかな時間差でゲームをクリアできると主張した。 ^[18]

2005年、バイオハザード4は「難易度スケール」と呼ばれるシステムを採用したが、公式攻略ガイドでしか触れられておらず、ほとんどのプレイヤーには知られていない。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までの数値スケールで評価し、プレイヤーのパフォーマンス（死亡、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/耐性の両方を調整する。選択した難易度レベルはプレイヤーを特定の数値に固定する。たとえば、ノーマル難易度ではグレード4から始まり、成績が悪ければグレード2に下がり、成績が良ければグレード7に上がる。難易度間のグレードは重複することがある。^[19]

クローバースタジオが開発し、バイオハザード4のディレクター三上真司が監督し、カプコンがプレイステーション2向けに発売した2006年のビデオゲーム、ゴッドハンドには、ゲームプレイ中に敵の知性と強さを調節するメーターがある。このメーターは、プレイヤーが敵をうまくかわしたり攻撃したりすると増加し、プレイヤーが攻撃を受けると減少する。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」と呼ばれる。ゲームには3つの難易度もあり、簡単な難易度ではメーターはレベル2までしか上がらず、最も難しい難易度ではメーターはレベルDIEに固定される。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も得られる。

2008 年のビデオゲームLeft 4 Deadでは、「AI ディレクター」と呼ばれる人工知能技術が使用されています。^[20] 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手続き的に生成するために使用されます。これは、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連携してゲームのペースを調整しているかを監視し、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の感染者との遭遇場所を決定します。ディレクターは、プレイヤーが各目標に向かってレベルを移動する速度も決定します。プレイヤーが同じ場所に長く留まっているか、十分な進歩が見られないことを検出すると、一般的な感染者の大群を召喚して、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、新しい脅威と戦わせます。ペース調整の他に、ディレクターはゲームのビデオとオーディオの要素も制御して、ボスとの遭遇の雰囲気を設定したり、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。^[21] Valve社はディレクターの働き方を「手続き型物語」と呼んでいる。なぜなら、一定のレベルまで徐々に上がっていく難易度ではなく、AIがプレイヤーのこれまでのゲームでの成績を分析し、物語の感覚を与えるような後続のイベントを追加しようとするからだ。^[22]

Madden NFL 09では「Madden IQ」が導入され、これはオプションで、プレイヤーのスポーツに関する知識とさまざまな状況での能力をテストすることから始まります。スコアはゲームの難易度を制御するために使用されます。 ^{[23] [24]}

マッチ 3 ゲームFishdomでは、プレイヤーのパフォーマンスに応じて制限時間が調整されます。プレイヤーがレベルに失敗した場合は制限時間が延長されるため、数回の試行でどのプレイヤーでもレベルをクリアできるようになります。

1999 年のビデオ ゲームHomeworldでは、各ミッションで AI が最初に使用する船の数は、ゲームがプレイヤーの艦隊をどの程度強力と見なすかによって決まります。成功したプレイヤーは損失が少ないため、より大きな艦隊を所有します。このように、多数のミッションで成功したプレイヤーは、ゲームが進むにつれて、ますます多くの課題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、より強力な敵の亜種、より高い統計値とより良い武器を持つ敵、または新しい敵が古い敵に取って代わり、一定の難易度が維持されます。難易度は、スライダーを使用し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。これはNew Vegasでも可能ですが、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には、レース中に個々のドライバーが対戦相手より先に進むのに役立つアイテムが登場します。これらのアイテムは、動的なゲーム難易度バランス調整の一例であるドライバーの位置に基づいて配布されます。たとえば、フィールドの最下位に近いドライバーは、自分の速度を大幅に上げたり、対戦相手の速度を大幅に下げたりするアイテムを手に入れる可能性が高くなりますが、1 位または 2 位のドライバーは、これらの種類のアイテムをめったに手に入れることができません (そして、おそらくゲームの弱いアイテムを受け取るでしょう)。ゲームのコンピューター レーサーも、プレーヤーの速度に適応します。つまり、トップのプレーヤー レーサーが最高のコンピューター レーサーから大きく遅れている場合は速度を落とし、その逆の場合は、ライバルのコンピューター レーサーがトップのプレーヤーに追いつくと速度を落とします。

2020年、北カリフォルニア連邦地方裁判所で集団訴訟が起こされ、ゲーム開発会社エレクトロニック・アーツが、特許取得済みのダイナミック難易度調整技術をEAスポーツフランチャイズ3つ（マッデンNFL、FIFA、NHL ）の2017年版まで遡るすべてのゲームで使用していると訴えられた。原告は、EAがこの技術を使用して、プレイヤーパックの形でより多くのルートボックスを購入するようプレイヤーに圧力をかけており、事実上、高ステータスのプレイヤーでさえ本来の力を発揮できないようにしていると主張している。

訴訟ではまた、EAがこの技術をプレイヤーに開示せずに使用していること、EAが過去に訴訟で言及されている複数のゲームでこの技術を使用したことを否定していることにも言及している。EAは、この申し立てについてコメントを求められた際、この主張は「根拠がない」とし、「当社のゲームを誤って表現している」と述べた。^{[25] [26] [27]}原告は2021年に自主的に訴訟を取り下げた。^[28]

• 難易度
• 非線形ゲームプレイ
• ゲームバランス
• ゲーム人工知能
• フロー（心理学）
• 任天堂ハード
• FIFA (ビデオゲームシリーズ)

• Hunicke, Robin (2005)。「ゲームにおける動的な難易度調整の事例」。2005 ACM SIGCHI 国際コンピュータ エンターテイメント技術会議議事録。ニューヨーク: ACM。pp. 429–433。doi : 10.1145 /1178477.1178573。
• バーン、エドワード (2004)。ゲームレベルデザイン。チャールズリバーメディア。p. 74。ISBN 1-58450-369-6。
• チェン、ジェノバ (2006)。「ゲームにおけるフロー」

• 「動的難易度調整」。Game Ontology Wiki。2010年 8 月 13 日にオリジナルからアーカイブされました。