[论文解读] Glyph: Visualization Tool for Understanding Problem Solving Strategies in Puzzle Games

Truong-Huy D. Nguyen, Magy Seif El‐Nasr+1 more|arXiv (Cornell University)|Jun 25, 2021

Data Visualization and Analytics参考文献 26被引用 20

一句话总结

Glyph 是一种新颖的可视化工具，使研究人员和游戏设计师能够比较解谜游戏中的玩家行为序列，既捕捉高层次的战略模式，也保留个体行为的细微差别。通过减少视觉认知负荷，同时保持玩家行为的详细信息，该工具支持假设的形成与验证，证明在分析教育类解谜游戏原型中的策略方面具有有效性。

ABSTRACT

Understanding player strategies is a key question when analyzing player behavior both for academic researchers and industry practitioners. For game designers and game user researchers, it is important to gauge the distance between intended strategies and emergent strategies; this comparison allows identification of glitches or undesirable behaviors. For academic researchers using games for serious purposes such as education, the strategies adopted by players are indicative of their cognitive progress in relation to serious goals, such as learning process. Current techniques and systems created to address these needs present a few drawbacks. Qualitative methods are difficult to scale upwards to include large number of players and are prone to subjective biases. Other approaches such as visualization and analytical tools are either designed to provide an aggregated overview of the data, losing the nuances of individual player behaviors, or, in the attempt of accounting for individual behavior, are not specifically designed to reduce the visual cognitive load. In this work, we propose a novel visualization technique that specifically addresses the tasks of comparing behavior sequences in order to capture an overview of the strategies enacted by players and at the same time examine individual player behaviors to identify differences and outliers. This approach allows users to form hypotheses about player strategies and verify them. We demonstrate the effectiveness of the technique through a case study: utilizing a prototype system to investigate data collected from a commercial educational puzzle game. While the prototype's usability can be improved, initial testing results show that core features of the system proved useful to our potential users for understanding player strategies.

研究动机与目标

• 解决现有工具在数据聚合过粗或在分析个体玩家行为时无法有效管理视觉复杂性的问题。
• 支持游戏设计师和研究人员比较预设策略与涌现策略，特别是在教育类游戏中。
• 在保持玩家行为序列细节的前提下，减少视觉认知负荷，以实现更准确的策略分析。
• 通过交互式可视化，支持关于玩家问题解决策略的假设生成与验证。
• 通过一个原型系统，在真实教育类游戏数据中展示该工具的实用性。

提出的方法

• Glyph 系统采用视觉隐喻，将玩家行为映射为基于序列的图示表示，每个图示编码玩家随时间的行为模式。
• 通过空间布局和颜色编码来表示动作类型、时间点及序列模式，支持多位玩家行为的并排比较。
• 可视化支持分层过滤与缩放，使用户能够探索全局趋势与个体异常值。
• 系统设计了交互技术，使用户能够选择、分组和注释行为序列，以形成并测试假设。
• 实现了一个原型，并使用一款商业教育类解谜游戏的数据进行了评估。
• 该方法整合了信息可视化与人机交互的原则，以在细节呈现与可扩展性之间取得平衡。

实验结果

研究问题

• RQ1 如何在可视化解谜游戏中的玩家行为序列时，既保留个体行为的细微差别，又能支持跨玩家的比较？
• RQ2 可视化工具在支持识别涌现策略的同时，能在多大程度上降低认知负荷？
• RQ3 此类工具能否有效支持在教育类游戏中对玩家策略的假设生成与验证？
• RQ4 用户如何评价 Glyph 系统在分析真实玩家数据时的可用性与实用性？
• RQ5 当使用一种平衡个体与集体行为视图的工具时，能获得关于玩家策略的哪些新见解？

主要发现

• Glyph 系统成功降低了视觉复杂性，同时保留了足够的细节，以识别玩家行为序列中的差异。
• 初步测试表明，原型的核心功能对用户理解与比较玩家策略具有实际帮助。
• 与聚合型或过度详细的可视化相比，用户能更有效地通过该工具形成并验证关于玩家策略的假设。
• 该工具能够检测到异常值和非预期策略，这些可能提示设计问题或学习瓶颈。
• 尽管原型的可用性仍有改进空间，但其底层可视化技术在策略分析方面展现出强大潜力。
• 案例研究证实，Glyph 支持教育类解谜游戏中宏观层面的策略概览与微观层面的行为检查。