从用户偏好中产生游戏化设计元素

作者 | Gustavo F. Tondello、Alberto Mora、Lennart E. Nacke
来源 | ResearchGate

文摘

一些研究已经开发出了用于解释玩家偏好的模型。这些模型是为数字游戏开发的；然而，在没有经验验证的情况下，它们被频繁地应用于游戏化设计中（即用游戏元素来设计非游戏应用程序）。目前还不清楚用户是否会在应用中体验到游戏元素，类似于玩家在游戏中的体验。因此，我们仍然缺乏专门为游戏化背景而构建的设计元素的概念框架。为了填补这一空白，我们提出了一种基于参与者自我报告偏好的探索性因素，来分析产生的八组游戏化设计元素的分类。我们描述了用户的特点，他们更倾向于按性别、年龄、游戏化用户类型和个性特征来看待每一组设计元素。我们的主要贡献是提供了一个概述，哪些设计元素最适合于人群，以及我们如何应用这些知识来设计有效的游戏化系统。

ACM 分类关键字

H.1.2. 用户/机制系统：人类因素；k.8.0 个人电脑：游戏。

作者的关键字

游戏化；游戏性设计；游戏用户研究；用户类型；游戏设计元素

介绍

关于游戏动机的研究表明，玩家对自己的游戏方式有着不同的个人喜好[20,33,44]。研究人员已经开发出了玩家类型模型[20,27]或玩家动机量表[43,44]，以捕捉不同玩家展示的不同风格。这一信息已被越来越多地用于游戏化—在非游戏环境中使用游戏设计元素[14]—对用户行为进行建模，设计更有吸引力的游戏性系统。

游戏性系统在帮助用户实现目标时是有效的。这通常包括教导用户他们所缺乏知识的话题，支持他们的态度或行为的改变，或者在特定的领域中与他们接触[10]。为了使游戏性系统更有效，一些研究人员尝试在这些系统中对用户的偏好进行建模，比如用户类型[40]，说服策略[31]，或根据个性特征选择不同的游戏元素[21]。然而，这些模型都没有研究过在游戏性设计中使用的元素。为了选择能够吸引不同动机的设计元素，设计师们仍然依赖于玩家模型—比如 Bartle 的玩家类型[3,4]，或者是 BrainHex 玩家类型[27]—或者是游戏元素的分类，比如玩家动机简况[43]。

然而，这些模型在游戏化过程中的适用性还没有得到经验证据的支持。所有这些都是通过询问参与者在玩游戏时的经历来开发的。因此，它们不能被逐个转移到游戏性产品中。Tondello 等人[40]研究了 HEXAD 类型的游戏性设计中所使用的几个设计元素之间的关联性。然而，他们并没有提出一种对游戏性设计元素进行分类的方法。因此，我们仍然缺乏在游戏化中常用的设计元素的概念框架。当前研究的目的就是为了填补这一空白。因此，我们提出了一种新的概念框架，基于参与者的自我报告偏好，将游戏性设计元素分类，以理解游戏化过程中的用户行为。虽然 HEXAD 框架[40]描述了用户的心理特征，但这一工作提出了一种新颖的方式来组织游戏性设计元素。

为了使这个提议的框架可实施，我们询问参与者有多少人喜欢在游戏化中经常使用这59个设计元素（从文献综述中收集）。接下来，我们进行了探索性因素分析，将这些设计元素集中到八个组中。我们采用了与 Deterding 等[14]相同的元素的概念定义。因此，我们认为“游戏设计元素”是游戏的组成部分，它是游戏性系统的特点，在许多游戏性系统中都是存在的（但不一定是全部），并且在系统的用户体验中扮演着重要的角色。此外，Deterding 和同事们认为，游戏化和游戏性设计是相互关联的概念，通过不同的内涵属性对现象进行相同的扩展。因此，这些游戏性设计元素在游戏化和游戏性设计中都可以互换使用。

此外，在建立了一种游戏性设计元素的模型之后，我们进一步分析了这些数据，寻找可能被用来明确游戏性设计的模式。因此，我们也给出了描述总体参与者对每一组设计元素的偏好结果，以及与 HEXAD 用户类型、个性特征、年龄和性别的设计元素组之间的关系。

这一贡献对于人机交互（HCI）和游戏化是非常重要的，因为它展示了设计元素的第一个概念框架，这些设计元素是在游戏性设计的特定背景下构建的，并且基于用户的喜好。游戏化的研究人员和实践者们已经重新开始了——直到现在——在游戏的背景下建立的模型，假设他们可以在没有经验证据的情况下推广到游戏化当中。我们的工作使未来的研究和行业应用能够建立在一个基于经验所建立和验证的模型上。

此外，当前的游戏性设计实践通常涉及从列表中选择设计元素，以尝试重现游戏中发现的模式，对于每个设计元素如何影响用户体验的指导却很少[13,25,28]。设计元素通常根据其动机意义或结构特征进行分类[13]，但这些分类并不能帮助设计者选择最佳的模式来解决特定的用户需求。因此，设计人员通常依赖于一些设计元素的组合，比如积分、徽章和排行榜，仅仅因为这些是最容易实现的元素。因此，需要更好地理解每个设计元素的效果，以促进选择用于解决特定需求的更广泛的元素的使用。我们的工作为满足这一需求，提出了一种基于用户偏好的新颖的游戏性设计元素分类，从而让设计师更好地理解每个元素对用户享受的潜在影响，并做出更明智的设计决策。

相关工作

HCI 和游戏的研究人员已经研究了不同的动机和游戏风格超过十年，并对他们的玩家类型进行了重新定位。Hamari 和 Tuunanen [20]对这些模型进行了系统的审查，以调查它们的共性。作者指出，大型多人在线游戏（MMOs）和其他类型的网络游戏比其他类型的游戏更容易被覆盖。这降低了这些模型的普遍性和适用性。此外，他们比较了所有被分析的模型，并提出它们可以在五个关键维度上组合：成就、探索、社交、控制和沉浸。

最古老的玩家类型之一是 Bartle 的玩家类型[3]。他研究了玩家希望从多人地下城堡（MUD）中获得的东西，这是基于数十名资深玩家之间的讨论，并在两个轴上识别出了四种玩家类型，这表达了玩家想要与虚拟世界或其他玩家互动的意愿：成就者（在世界中的行为），探险家（与世界互动），社交家（与其他玩家互动）和杀手（作用于其他玩家）。Bartle 后来扩展了该模型，增加了第三维度[4]：隐式或显式（即，玩家的行为是否自动和无意识，或经过考虑和计划）。Bartle 的模型由于其简易性，经常被游戏化的实践者使用。然而，它从来没有经过经验的验证，也不打算在 MUDs 领域之外使用。

Yee [42, 44]基于对最初的 Bartle 玩家类型所激发的问题的因素分析，确定了玩家动机的三个主要组成部分：成就（进步、机制、竞争）、社交（社交、关系、团队合作）和沉浸（发现、角色扮演、定制、脱离现实）。最近，Yee [43]扩展了他之前的工作，通过对14万参与者进行了一个因素分析，并开发了一个由6个小组和12个维度所组成的“玩家动机概要”：行动（破坏和兴奋）、社会（竞争和社区），掌握（挑战和策略），成就（竞争和权力），沉浸（幻想和故事），和创造力（设计和发现）。最近的一项大众调查旨在捕捉玩家对许多不同游戏的动机，并通过因素分析得到了经验的支持。然而，一个标准的评估工具并不是公开的，而且是现成的。

采用不同的方法，第一个“人口游戏设计”模型（DGD1）[7]试图通过整合迈尔斯布里格个性类型测量表 （MBTI）[26]到游戏，来包含更广泛的玩家类型的视角。第二个“人口游戏设计”模型（DGD2）[5]探索了休闲维度、不同技能集以及对单一和多人游戏的偏好。这两种模型是 BrainHex 玩家类型构建的基础。BrainHex [5, 27]是一种自顶向下的玩家类型学，它从神经生物学玩家满意度研究中获得灵感[6]、之前的类型学方法、游戏模式的讨论以及游戏情绪的文献中获得灵感，构建了7种不同的游戏体验的原型。7个 BrainHex 原型（及其相关的玩家动机）是：成就者（完成）、征服者（挑战）、冒险者（兴奋和冒险）、策划者（战略推理）、探索者（探索和好奇心）、社交家（社交互动）和幸存者（可怕的精力）。BrainHex 为现有的研究提供了多种多样的玩家类型。然而，对其心理测量特性的初步实证调查显示，可靠性得分较低[9]。

虽然这些模型经常用于个性化的游戏性系统，但它们是为游戏而设计的。然而，在游戏性设计中，只有游戏的元素被包含在非游戏应用中。因此，没有证据表明游戏动机模型可以进行游戏性设计，因为用户可能只会体验到游戏中嵌入到应用程序中的游戏元素，而不是游戏中的体验。因此，最近的研究提出了新的模型，专门用来解释游戏性系统中的用户偏好。

在游戏化的环境中，Marczewski [22]建立了游戏中的玩家类型和自我决定论的文献[38,39]，以创建用户类型的 HEXAD 模型，该模型将不同的用户偏好进行分类。HEXAD 用户类型（以及他们所代表的动机）分别是：慈善家（利他主义）、社交家（关联）、自由主义者（自主权）、成就者（能力）、玩家（奖励）和破坏者（改变）。

此外，Ferro 等人[17]研究了人格模型和玩家类型。目标是找出它们之间的相似之处，并将它们与不同的游戏设计元素联系起来。他们的工作将个性特征、玩家类型和游戏元素分为五大类：主要的、客观的、人文的、好奇的、有创造力的。Jia 等人[21]研究了大五人格（FFM）的个性特征[19]和个体的游戏化元素之间的关系，发现了几个重要的关联。Orji 等人[31]研究了在游戏化中使用的大五人格特征与几种具有说服力的策略之间的关系，并发现了显著的相关性。Barata 等人[1,2]基于游戏化的大学水平课程，对学生的表现和游戏偏好进行了研究，并确定了学生行为的不同模式，作者建议在未来的游戏化教育项目中，可以使用这些模式来为不同的学生量身定制课程。

虽然这些模型提供了关于用户体验的有用信息，但是它们并没有提供关于用户对不同游戏性设计元素的偏好的详细信息。在这方面，Tondello 等人[40]测试了 HEXAD 的每个用户类型与游戏化中常用的32个游戏元素的相关性。它们的结果为理解用户与游戏性设计元素的关系提供了一个起点。然而，他们并没有开发一个模型来将不同的设计元素聚集在一起，也没有研究不同的因素（比如性别、年龄或个性）如何影响用户对不同设计元素的偏好。因此，本研究将提出一个游戏性设计元素的框架，并研究哪些因素会影响用户对其的偏好，从而推动现有文献对这一主题的研究。

由于采用了不同的方法，一些作者提出了基于其他特定标准的关于游戏性设计元素的分类。Phillips 等人[34]提出了基于先前的文献和焦点小组研究的电子游戏奖励的分类。Rapp [36]还讨论了游戏奖励的分类，基于对魔兽世界的种族研究[8]，并讨论了他的模型对游戏性设计的潜在应用。虽然这两种模型都提供了有价值的信息，有助于游戏化奖励系统的设计，但它们仅限于特定的设计元素，而我们想要的是广泛的，包含了许多设计元素（包括奖励），而不涉及其中的任何细节。不同的是，Exton 和 Murray [16]提出了一种基于用户预期的预期承诺的游戏化元素的初步分类。每个元素都按照他们所预想的潜在能力进行分类[38]：能力、自主或关联性。Robinson 和Bellotti [37]提出了游戏化元素的初步分类，基于用户期望的承诺是多少。然而，这些分类法都没有考虑到我们在贡献中所做的不同用户偏好。

同样值得注意的是，尽管现有的关于游戏化和游戏的文献都提及用户偏好，但大多数的游戏性设计方法都不考虑用户偏好作为其过程的一部分[24,25]。对设计方法中用户偏好缺乏考虑的一种解释可能是，将现有模型直接转换为设计指导的困难。尽管如此，有几项研究表明，用户偏好可以显著影响工具性游戏系统的有效性（例如，[10,30,31,32]）；因此，我们可以预期这也会发生在游戏性系统中。我们的工作将有助于改进设计方法，提供一种游戏性设计元素的分类，帮助设计师更好地理解用户偏好，并将这些信息转化为设计指导。

方法

创建游戏性设计元素框架的过程遵循以下步骤：

1. 调查设计：一篇文献综述，列出了游戏化中常用的游戏性设计元素；

2. 数据收集：在线调查，了解参与者对列表中元素的偏好；

3. 因素分析：主要成分分析，根据用户的喜好将元素分组；

4. 组件解释：对每个组的组成进行分析，并对其进行解释和标注；

5. 层次聚类：层次聚类分析将元素组进一步集中到高级结构中。

调查设计

我们基于对学术和非学术来源进行非正式的文献审阅，编写了一个游戏性设计元素列表。通过对非学术来源的审查，我们有意地包含了实践者经常使用的设计元素，但尚未在 HCI 研究中得到检验。因此，我们将首次研究这些元素如何与已经研究过的其他元素相关联，以及它们如何解释用户偏好。

最终的列表包含了59个游戏性设计元素。学术来源包括 Tondello 等人[40]（56%），Jia 等人[21] （14%）， Ferro 等人[17]（19%）。纳入标准是经过同行评议的出版物，其中包含了在游戏化的特定背景下使用的设计元素的列表，因此排除了在游戏环境下的出版物。非学术来源包括以下资源的游戏化元素列表：Gamified UK [23]（73%），Yu-kai Chou Gamification[12]（34%），Enterprise Gamification[15]，Werbach and Hunter [41] （27%）， Zichermann and Cunningham[45]。入选标准是发表的出版物，其中包含了在游戏化的特定语境中使用的设计元素的列表，并由在 Rise’s Gamification Gurus Power 100 board 的前100名的作者所发表。括号中的数字是指在每个源中识别的59个被调查元素的百分比；它们加起来超过100%，因为许多元素都出现在多个源中。

创建设计元素列表的过程包括一个一个地检查所选的源，并添加源中描述的所有元素，并提供足够的细节来理解它们是如何应用的。此外，在添加到列表之前，每个新元素都与列表中已经存在的元素相比较，它们的名称或描述是否类似。在研究者的判断中被认为相似的元素被合并在一起，而每个不同的元素被添加为一个新的条目。我们已经在附录中提供了完整的清单。它包含了关于每个元素的来源的信息以及他们在调查中给出的描述。

调查工具

这项调查是在2017年2月至3月期间使用 LimeSurvey 软件作为在线工具进行的。所有的问题都是基于英文的形式，分组如下：

• 用户类型：24项 HEXAD 用户类型量表[40]。

• 偏好的游戏性设计元素：我们基于5点选项的李克特量表，询问了多少参与者喜欢59种不同的设计元素。

• 个性：10项大五[19]人格特征量表（BFI-10）[35]。

• 人口信息：参与者的国家、语言、年龄、性别、教育程度、游戏习惯和偏好。

这项调查可以匿名完成，并且在决定参与之前，参与者要提交一份在线知情同意表格。此外，长问题组（用户类型和游戏性设计元素）都有注意力检测问题（例如，“请在这个项目中选择‘3’，以显示你正在仔细阅读所有问题”），以验证参与者是否阅读了所有的注意事项。

参与者

我们通过电子邮件（学术和非学术环境）、社交网络（Facebook、Twitter 和 Reddit）和在线游戏论坛的方式招募参与者。参与者必须至少年满15岁才能参加，并且是没有直接报酬的，但他们获得了抽奖的机会，以赢取两个50美元的奖金。

共有196名参与者完成了调查。但是，我们去除了8个参与者，因为他们没有完成所有的问题组，或者在至少一个注意力检查项目中没有选择正确的答案。因此，最终的数据集包含了188个（124个男人，53个女人，4个跨性别者，3个非二元性别，4个没有显示他们的性别）。参与者的年龄从15岁到71岁不等（M = 26.7, SD = 9.7），并且向更年轻的参与者倾斜（74%都是30岁以下的人），可能是因为调查的主题更吸引年轻观众。参与者分布的地理位置：北美为60.6%，欧洲为25.5%，南美为5.3%，大洋洲为4.8%，亚洲为2.7%，非洲为1.1%。然而，98.9%的参与者报告说他们对英语有很好的或母语般的理解。因此，我们的假设是，英语水平的缺乏对我们的调查并没有什么影响。

在 HEXAD 用户类型中，参与者的分数与之前的报告（23,40）类似，使用以下方法和标准偏差：自由主义者：23.1 (2.8)；慈善家：22.8(3.6)；成就者：22.4(3.4)；玩家：21.1(4.0)；社交家：18.3(4.8)；和破坏者：15.4(4.6)。

结果

在这一节中，我们首先介绍了用于将游戏性设计元素集中到八个组中的探索性因素分析。接下来，我们将描述每个组的特征及其在参与者样本中的平均得分。最后，我们分析了独立变量（用户类型得分、个性特征、性别和年龄）如何影响元素组的得分。所有分析都是在 SPSS 23中进行的（IBM, 2015）。

探索性因素分析

我们使用主成分分析（PCA）将59个被调查的游戏性设计元素分类到各组中。PCA是 根据项目的协方差和相关性创建数据分组的一种标准方法。这使我们能够建立一个分类并分析用户偏好，并使用更易于管理的类别。

由于我们的调查是探索性的，第一步是评估所有包含的游戏性设计元素是否可以成功地组合成集群，因为我们没有理论来证明包含或排除每个元素是合理的。PCA 要求变量之间至少有部分关联，以便能够减少组件的数量。因此，我们首先分析了所有59个变量之间的关联矩阵，并仅用3个或更少的相关性分析了这些变量。我们认为与 r > = 0.3 相关性是关联的，如[18] （p. 648）所建议的。此外，我们还执行了一个初始的 PCA，并注意到在其中一个组件中出现的变量——也就是说变量是在一个组件中高度加载的惟一项——并删除它们。我们执行了三次这个过程，直到我们没有发现更多的变量。

在去除完后，我们从分析中删除了10个变量（16.9%）：非线性游戏，匿名，无政府的游戏，教程，厌恶损失，时间压力，稀缺，光环效应，保护和虚拟世界。这意味着这些变量不能与数据中的任何其他变量聚集在一起。

对于剩余49个变量的最终数据集，KMO检验度量验证了分析的样本充分性，KMO = 0.77（一个很好的样本，根据[18]）。此外，Bartlett 的球形测试是重要的（X²1176 = 3486.2, p < 0.001），表明项目之间的相关性对于 PCA 来说是足够大的。

我们使用平行分析和 Velicer 的最小平均部分（MAP）测试来确定在最终分析中保留的组件数量，因为这些过程是经过验证的，因此比简单的特征值检验更合适[29]。分析建议我们应该保留八个组件。此外，我们使用了一个斜交转轴法（Oblimin rotation），因为我们期望某些元素可以出现在多个组件中。表1给出了最终的结构矩阵。

表1、游戏性设计元素的探索性因素分析（结构矩阵）

文档 [18] (p. 644)建议考虑因素的负荷大于0.36，样本容量为200，alpha 值为0.01。因此，我们计算了每个组件的得分和内部可靠性系数，使用了在组件中负载高于0.36的所有设计元素。所有组件显示足够的可靠性，当 α > = 0.674（见表1）。

组件的概述

在完成 PCA 之后，我们分析了每个组件的组成，以诠释和标记它们。首先，两个研究人员分别解释了组件结构矩阵。接下来，他们都比较了各自的解释，并讨论了相似和分歧，就每个组件的标签达成了一致。我们将这八个组件分为：

1. 社会化。该组件中的所有元素都对应于某种形式的社交，包括协作性、竞争性和纯社交。

2. 援助。该组件中的所有元素都对应于需要某种类型帮助的用户，无论是来自系统还是来自其他用户。

3. 沉浸。在这个系统中，最大的加载元素与沉浸和好奇心有关。这个组成部分包括与叙述或故事有关的元素，以及与探索和未知性有关的元素。

4. 风险/回报。该组件中最高的加载元素与挑战、赌博以及获胜所带来的回报有关。因此，这个组件代表了期望从挑战和彩票中获得经济上或社会上有价值的奖励。。

5. 自定义。该组件中最高的加载元素与定制自身体验的三种不同方式有关：(1)自定义用户的化身或体验，(2)自动个性化，或(3)用虚拟货币或积分来兑换自由选择的商品。

6. 进度。该组件中的元素与进度和意义相关。因此，这个组成部分代表了参与有意义目标的意愿，并感觉自己正在朝着实现它们的方向前进。

7. 利他主义。该组件中的所有元素都对应于为系统或其他用户提供有用的贡献，包括分享知识或物品，有助于改进系统，并与其他用户协作。

8. 激励。该组件中的所有元素都对应于用户可能收到的奖励或奖金，例如徽章、成就、收藏集，和奖励。

表2展示了8组游戏性设计元素的描述性统计数据。我们计算了原始的5点选项的李克特量表响应的平均值和标准偏差，对每个组件中加载大于0.36的项做出响应。总的来说，沉浸和进度是在用户偏好中得分较高的设计元素组，而社会化和援助是得分较低的组。然而，它们的差距并不大：在基于5.0分制（23%）中，最高和最低得分组之间的只有1.15分的差异。

为了提高相关性分析的准确性，我们还使用回归法计算了参与者在 PCA 中的每一个组成部分的标准化得分。标准化线性回归模型为每个组件生成一个平均值为0的分数，标准偏差为1.0。我们使用该方法计算的分数用于所有后续的相关分析。

表2也显示了8个组之间的二元关系。社会化和利他主义之间存在着一种适度的关联，这是由于两者都与社交行为有关。区别在于前者的焦点在于交互本身，而后者更侧重于做出贡献，这可以针对其他用户，也可以针对系统。社会化和激励之间的相关性也很显著，但关联性较弱；援助和自定义；援助和激励；沉浸和利他主义；自定义和激励；利他主义和激励。值得注意的是，激励表现出了最高的相关性（4）。

影响用户偏好的因素

要了解哪些因素影响了8个游戏性设计元素组的用户偏好，我们分析了参与者的用户类型得分、个性特征、年龄和性别对每个组的得分的影响。

表2、对游戏性设计元素组的描述性统计和它们之间的二元相关性

表3、游戏性设计元素组与HEXAD用户类型之间的二元相关性。

表4、游戏性设计元素组与五大人格特征之间的二元相关性。

用户类型

表3给出了游戏性设计元素组与参与者用户类型得分之间的二元性相关系数。结果得出以下结论：

1. 社会化元素是社交家的首选。此外，成就者和玩家也对这些元素表现出适度的偏好。

2. 援助元素只显示了社交家的微弱偏好。除此之外，用户类型的分数不会影响对接受援助的偏好。

3. 自由主义者和成就者强烈推荐沉浸元素。此外，慈善家和破坏者也对这些因素表现出较弱的偏好。

4. 风险/奖励因素是有成就者和玩家的适度偏好，而被破坏者则略微偏好。

5. 自定义元素的偏好似乎不受参与者的用户类型评分的影响。

6. 进度元素只是成就者和慈善家们的优选。

7. 慈善家们强烈推荐利他主义元素。此外，社交家倾向于适度的偏好，而成就者则较少的偏好。

8. 激励因素是玩家最喜欢的。

人格特征

表4给出了游戏性设计元素组与参与者的个性特征得分的二元相关系数。结果表明，外向性可以部分解释社会化和援助的偏好，开放性可以部分解释对自定义的偏好，而情绪稳定性可以部分解释对激励的偏好。然而，这些相关性只有中等强度。

年龄和性别

表5展示了游戏性设计元素组与参与者年龄和性别之间的关系。结果表明，对风险和奖励、自定义、利他主义和激励的偏好随着年龄的增长而略有下降。社会化和沉浸似乎也随着年龄的增长而略有下降，而援助似乎随着年龄的增长略有增加，但效果并不明显。最后，无论年龄大小，对进度的偏好都是最稳定的。

我们只分析了两种主要性别（女性和男性）的数据，因为与其他性别相鉴别的参与者数量太少，无法进行统计测试。在援助、沉浸、自定义和激励方面，女性的得分明显高于男性。另一方面，男性在社会化和利他主义方面得分明显更高。这些研究结果表明，男性更善于社交和合作，而女性则更专注于叙事，更频繁地自定义自己的体验，而且通常更愿意接受援助。

表5、基于游戏性设计元素和年龄和独立样本和 T test，以及在群体和性别之间的双变量之间的关联性

分层聚类

为了验证是否可以将游戏性设计元素组进一步组合到更高级的类别中，我们进行了分层聚类分析。这对于理解团队之间的关系是很重要的。结果表明，八组游戏性设计元素可以进一步的集中到三个高层次的动机类别中（见表6）。图1显示了对应的树状图。