Equilibrar adecuadamente la dificultad de un videojuego es esencial para proporcionar a los jugadores una experiencia agradable. En un estudio reciente, unos científicos coreanos han desarrollado un novedoso método de ajuste dinámico de la dificultad, en el que se estiman las emociones de los jugadores a partir de los datos del juego y se ajusta el nivel de dificultad en consecuencia para maximizar la satisfacción del jugador. Sus esfuerzos podrían contribuir a equilibrar la dificultad de los juegos y hacerlos más atractivos para todo tipo de jugadores.
La dificultad es un aspecto difícil de equilibrar en los videojuegos. Algunas personas prefieren los videojuegos que suponen un reto, mientras que otras disfrutan de una experiencia fácil. Para facilitar este proceso, la mayoría de los desarrolladores utilizan el «ajuste dinámico de la dificultad (DDA)». La idea del DDA es ajustar la dificultad de un juego en tiempo real según el rendimiento del jugador. Por ejemplo, si el rendimiento del jugador supera las expectativas del desarrollador para un determinado nivel de dificultad, el agente de DDA del juego puede aumentar automáticamente la dificultad para incrementar el desafío presentado al jugador. Aunque es útil, esta estrategia es limitada, ya que sólo se tiene en cuenta el rendimiento del jugador, y no cuánto diversión que realmente están teniendo.
En un estudio reciente publicado en Expert Systems With Applications, un equipo de investigación del Instituto de Ciencia y Tecnología de Gwangju (Corea) decidió dar una vuelta de tuerca al enfoque DDA. En lugar de centrarse en el rendimiento del jugador, desarrollaron agentes DDA que ajustaban la dificultad del juego para maximizar uno de los cuatro aspectos diferentes relacionados con la satisfacción del jugador: desafío, competencia, flujo y valencia. Los agentes DDA se entrenaron mediante aprendizaje automático utilizando datos recogidos de jugadores humanos reales, que jugaron a un juego de lucha contra varias inteligencias artificiales (IA) y luego respondieron a un cuestionario sobre su experiencia.
Mediante un algoritmo llamado búsqueda en árbol de Monte-Carlo, cada agente DDA empleó datos reales del juego y datos simulados para ajustar el estilo de lucha de la IA contraria de forma que maximizara una emoción específica, o «estado afectivo». «Una ventaja de nuestro enfoque sobre otros métodos centrados en la emoción es que no depende de sensores externos, como la electroencefalografía,«, comenta el profesor asociado Kyung-Joong Kim, que dirigió el estudio. «Una vez entrenado, nuestro modelo puede estimar los estados de los jugadores utilizando únicamente las características del juego.«
El equipo verificó -mediante un experimento con 20 voluntarios- que los agentes DDA propuestos podían producir IAs que mejoraban la experiencia general de los jugadores, independientemente de sus preferencias. Es la primera vez que los estados afectivos se incorporan directamente a los agentes DDA, lo que podría ser útil para los juegos comerciales. «Las empresas de juegos comerciales ya disponen de enormes cantidades de datos sobre los jugadores. Pueden explotar estos datos para modelar a los jugadores y resolver diversas cuestiones relacionadas con el equilibrio del juego utilizando nuestro enfoque, comenta el profesor asociado Kim. Cabe destacar que esta técnica también tiene potencial para otros campos que pueden ser «gamificados», como la sanidad, el ejercicio y la educación.
Este artículo se puso en línea el 3 de junio de 2022 y se publicará en el volumen 205 de la revista el 1 de noviembre de 2022.
Esperemos que este estudio allane el camino para que cualquier tipo de jugador, ya sea hardcore o casual, pueda disfrutar de los juegos.
