وقتی بازی‌ها دیتا می‌دزدند و ما را به الگوریتم ماشین‌ها تبدیل می‌کنند

علی‌رغم اسمی که دارد، «بازی‌گونه‌کردن» (Gamification) هیچوقت تاکنون درباره‌ی این نبوده که تجارب زندگی را بیشتر به بازی‌ها شبیه کنیم. اگر ویژگی مشترکی بتواند اصلا تعریف‌کننده‌ی این بازی‌ها باشد، قطعا آن ویژگی ربطی به نشان‌ها، دستاوردها (اچیومنت‌)، امتیازات و دیگر چیزهایی که باعث انگیزه در بازیکن می‌شود، ندارد. بازی‌ها، اگر معنایی داشته باشد، تجسم خود روح بازی کردن و احساساتی که برمی‌انگیزانند هستند [و نه اعداد روی صفحه] — به‌تعلیق درآوردن موقت قوانین زندگی برای ایجاد تجربه‌ای نیرومند از رقابت، سبک‌سری، تمرکز، لذت. اگر مورخْ یوهان هایزینگا (Johan Huizinga) — که کتاب «انسان بازی‌کننده» (Homo Ludens) او در سال ۱۹۳۸ یکی از آثار اساسی در مطالعه‌ی بازی‌ها محسوب می‌شود — فرصت می‌یافت تا با نظر به نظریات خود بتواند بازی‌گونگی را تعریف کند، احتمالا می‌نوشت «الغای موقت جهان روزمره، جایی که درون حلقه‌ی بازی، دیگر قوانین و رسوم زندگی روزمره نقشی ندارد.»

حالا کسانی چون جین مک‌گونیگال (Jane McGonigal) کشیش‌گونه موعظه می‌کنند که باید بازی‌ها را به چشم محصولاتی اساسا فرآور دید، که تاکتیک‌هایی جلوی پایمان می‌گذارند تا زندگی تحت نئولیبرالیسم سرگرم‌کننده و اعتیادآورتر شود — «حلقه‌ای جادویی» که هرگز نباید از آن خارج شویم ولو اینکه چنین فرصتی داشته باشیم. این مفهوم ابتدا در اواخر دهه‌ی ۲۰۰۰، در محافل بازی‌سازان و جوامع بازاریابی، روی بورس افتاد، و به نظرشان رسید که می‌شود با افزودن برخی از ویژگی‌های بازی‌ها، از وب‌سایت‌ها درآمدزایی کرد. در سال ۲۰۰۸، قبل از اینکه اصلا «بازی‌گونه‌کردن» به یک عبارت مقبول و استاندارد تبدیل شده باشد، یک بلاگْ «بازی‌گونه‌کردن» را اینگونه توضیح داد: «استفاده از مکانیسم بازی‌ها و پیاده‌سازی آنها با دیگر ویژگی‌های تحت وب برای درگیرکردن بیشتر مخاطب.» در کلاس‌های آنلاین پرآوازه‌ی دانشکده‌ی تجارت وارتون (Wharton School of Business) با عنوان «بازی‌گونه‌کردن»، مدرسْ اذعان کرد «برخی از ویژگی بازی‌ها معمول‌تر و پرکاربردتر است و در شکل‌دهی به مصادیق بازی‌گونه‌کردن نقش موثرتری دارد.». این ویژگی‌ها یعنی «امتیازات، مدال‌ها و لیدربوردها [بوردی که روی آن اسامی همه‌ی بازیکنان به ترتیب امتیازاتی که گرفته‌اند ثبت می‌شود]». اینها یعنی امتیازاتی که «یک‌جور ارز جهان‌شمول هستند، و به ما امکان می‌دهند تا سیستمی بسازیم که در آن هر عملی، مثل رفتن سراغ یک کوئست با دوستان خود، به‌نوعی برابر یا قابل مقایسه عملی دیگر است، مثل نشستن و تماشای یک ویدئو روی یک سایت [و هر دو برای بازیکن امتیاز می‌آورند، اما اولی شکل بازی دارد و مخاطب را درگیرتر می‌کند].»

کتاب هومو لودنس

اگر مورخْ یوهان هایزینگا (Johan Huizinga) — که کتاب «انسان بازی‌کننده» (Homo Ludens) او در سال ۱۹۳۸ یکی از آثار اساسی در مطالعه‌ی بازی‌ها محسوب می‌شود — فرصت می‌یافت تا با نظر به نظریات خود بتواند بازی‌گونگی را تعریف کند، احتمالا می‌نوشت «الغای موقت جهان روزمره، جایی که درون حلقه‌ی بازی، دیگر قوانین و رسوم زندگی روزمره نقشی ندارد.»

البته که خیلی از بازی‌ها شامل امتیازات مختلف هستند، اما معمولا هدفشان محدود است به تعیین برنده‌ی فلان مسابقه یا رقابت. بازی‌گونه‌کردن ولی امتیازات را میزانی می‌داند قابل صدور و نماد قابلیت‌های بازیکن که دیگر ارتباطی با آن بازی‌ای که ابتدا آن امتیاز را به بازیکن بخشیده ندارد [منظور این است که بازیکن در بازی X امتیاز دریافت می‌کند و قابلیتش مشخص می‌شود، اما از آن امتیاز می‌تواند در بازی Y و Z هم استفاده کند در حالی که هیچ ربطی به بازی X ندارند و مثل این می‌ماند که کسی از امتیازاتی که در فوتبال کسب کرده بتواند از آنها در بسکتبال هم استفاده ببرد]. «امتیاز» اینجا به نام دیگری برای «داده» تبدیل می‌شود — «ارز جهان‌شمول»ای که هر فعالیت و رفتاری را می‌توان با آن شناساند و در قالبی کمیتی درآورد. از این نظر، بازی‌ها بیشتر از همیشه به وسایلی برای تولید داده تبدیل می‌شوند، و نه صرفا فرمی بهتر یا پاداش‌دهنده‌تر از قبل. با نظر به این موضوع، اپلیکیشن‌هایی که فعالیت بازیکن را به امتیازات تبدیل می‌کنند دغدغه‌شان بالاتر بردن کیفیت درگیری بازیکن با بازی و صرفا وابسته‌ترکردن بیشتر او نیست. در نظر بیاورید که چگونه اپلیکیشن‌های بازی‌گونه‌ی مشهور مثل Nike+ (برنامه‌ی ثبت اعمال ورزشی شخص)، Habitica (برنامه‌ی تبدیل زندگی به بازی نقش‌آفرینی)، و Duolingo (برنامه‌ی آموزش زبان) داده‌ها را جمع‌آوری می‌کنند. مدافعین‌شان این برنامه‌ها را به‌خاطر اینکه چگونه ویژگی بازی‌ها به آنها منتقل شده می‌ستایندشان، اما سگ‌های نگهبان آنها را به نقض حریم خصوصی و داده‌دزدی کاربران متهم می‌کنند.

استفاده از بازی‌گونه‌کردن برای جمع‌آوری داده‌های کاربران البته که یک راز نیست. مدرس آن کلاس مربوط به بازی‌گونه‌کردن اصلا خیلی رکْ این ویژگی را می‌ستاید: «یکی از جنبه‌های بازی‌گونه‌کردن این است که می‌توانید اطلاعات فراوانی را از بازیکنان خود به‌دست آورید؛ اطلاعاتی از قبیل اینکه آنها که هستند، چه ویژگی‌هایی دارند، و از همه مهم‌ترْ اطلاعات ظریف از اینکه دقیقا دارند در لحظه چه می‌کنند. هر عملی که در بازی سر می‌زند را می‌توان ثبت کرد و این اصلا کم چیزی نیست.» امتیازات، مدال‌ها و لیدربوردها همیشه تاکنون به نام «داده» برپا شده‌اند و ارتباطی با خود فعل «بازی کردن» ندارند.

چنین ابزارسازی‌ای آنقدر با ماهیت بازی‌ها بیگانه و بی‌ربط است که می‌توان از بازی‌گونه‌شدن خود بازی‌ها هم حرف زد: سیستم‌های امتیازدهی به این نیت اضافه می‌شود تا رفتار خاصی را در بازی در قالب عدد ثبت کند، ‌هم‌اندازه سازد و قابل صدور و استفاده در دیگر اپ‌ها کند. بازی‌های دیجیتالی امروزه معمولا ویژگی‌هایی دارند که بیشتر شبیه نوتیفیکیشن/اطلاعیه‌ی اپ‌ها می‌ماند: اچیومنت‌ها، مدال‌ها یا تروفی‌هایی که بیرون از جهان بازی هم کاربرد دارند. تصادفی نیست که تقریبا همه‌ی بازی‌های به‌اصطلاح «هاردکورد» روی کنسول‌های مدرن — کال آو دیوتی، جی‌تی‌ای، ماریو و غیره — هر از گاهی به بازیکن اطلاع می‌دهند که اچیومنت جدیدی آزاد کرده و در پروفایل خود می‌تواند جزییاتش را ببیند. برای مثال، زمانی که به‌خاطر ویروس کرونا در قرنطینه بودم، ۵۱ از ۹۳ «اچیومنت» بازی اساسینز کرید: اودیسی (ساخته‌ی یوبی‌سافت) را دریافت کردم. این اچیومنت‌ها، که شامل دریافت مدال برای مثلا «نیرنگ زدن به اسفنکس [موجودی با سر انسان و بدن حیوان، معمولا شیر]» و اجرای «صد هدشات» می‌شود، حتی در پلتفرم استریمینگ گوگل استادیا و در بخش «اتاق تروقی» هم قابل دیدن است. این اچیومنت‌ها هیچ کاربردی در خود بازی ندارند و بازیکن هیچ کاری نمی‌تواند با آنها بکند به‌جز اینکه فکر کند چقدر وقت صرف چیزی کرده که لابد دستاوردی برایش داشته است.

نمایی از خدمات GameAnalytics

دسته‌بندی گیمرها بر اساس داده‌هایی که از طریق بازی‌ها به دست می‌آید، خود یک صنعت مولتی‌میلیون‌دلاری است که به‌عنوان تحلیل بازی‌ها (Game Analytics) شناخته می‌شود. کمپانی گیم‌آنالیکیتس نیز با قابلیت جمع‌آوری و تحلیل داده‌های بیش از ۸۵۰ میلیون بازیکن فعال در ۷۰.۰۰۰ بازی، رخ‌نمایی می‌کند. با چنین داده‌هایی می‌شود بازیکنان را بر اساس خدماتشان، نحوه‌ی بازی‌ کردنشان، محل زندگی‌شان و جمعیت‌شان دسته‌بندی کرد. اما دریافت داده از گیمرها جهت استنباط اطلاعاتی جدید درباره‌ی آنها تاریخش به خیلی وقت پیش برمی‌گردد. تا زمانی که برنده و بازنده وجود داشته باشد، می‌شود بازیکنان را بر اساس میزان مهارتشان در برنده‌شدن رتبه‌بندی کرد.

نوتیفیکیشن اچیومنت‌ها از چیزهایی نیست که خود بازی‌سازان شخصا برای بازیکنان برنامه‌نویسی کرده باشند، بلکه نیازمندی خود پلتفرم‌هایی هستند که بازی روی آن اجرا می‌شود. کیت توسعه‌ی ایکس‌باکس مایکروسافت مثلا «اچیومنت» را اینگونه تعریف می‌کند: «مکانیسمی سیستمی است که افعال بازیکنان را درون بازی‌هایی که انجام می‌دهند مداما پاداش می‌دهد». به عبارت دیگر، آنها به چشم چیزی که منحصر به یک بازی خاص باشد به آن نگاه نمی‌کنند، بلکه به‌عنوان چیزی در مقیاس کلی‌تر، و مشترک میان همه‌ی بازی‌ها. بازی‌سازان هم بنابراین باید با همین منطق بازی خود را توسعه دهند.

تمام پلتفرم‌های جریان‌اصلی هم اچیومنت‌ها را به‌طرز مشابه تعریف می‌کنند، خواه پلی‌استیشن، استیم، ایکس‌باکس باشد و خواه دیگر پلتفرم‌های مبتنی بر سرویس ابری مثل گوگل، آمازون و انویدیا. این پیاده‌سازی و حضور همگانی «اچیومنت‌ها» — داده‌هایی که از رفتار و مهارت بازیکنان ثبت شده و منحصر به یک بازی به‌خصوص نیست — نشانگر این است که خود بازی‌ها چگونه «بازی‌گونه» شده‌اند: اچیومنت‌ها و پاداش‌ها تجربه‌ی ناهمگن بازیکنان مختلف از بازی‌های مختلف را به یک ارز جهان‌شمول تقلیل می‌دهد، و به پلتفرم‌ها امکان می‌دهد تا این داده‌ها را جمع‌آوری و با دیگر بازی‌های اجراپذیر روی پلتفرم‌ خود مقایسه کنند. این داده را می‌توان برای اهدافی استفاده کرد که البته ارتباطی به خود بازی‌ها ندارند — یادآور آنچه شوشانا زوبوف (Shoshanna Zuboff) در کتاب «خیزش کاپیتالیسم نظارتی» (The Rise of Surveillance Capitalism)، «مازاد رفتاری» می‌خواند.

داده‌هایی که از طریق این بازی‌ها به‌دست می‌آیند چه سودی دارند؟ در سال ۲۰۰۵، گوگل تلاش کرد تا امتیازنامه‌ی سیستمی را ثبت کند که می‌توانست با شبکه‌های عصبی (Neural Network)، استنباط آماری بیزی (Bayesian Inference)، و ماشین بردار پشتیبانی (Support-vector Machines) وابستگی‌های میان افعال درون بازی را بررسی کند. پس فرصت‌های خلاقانه‌ی بکری برای تبلیغات فراهم می‌ساخت. این سیستم نام‌برده چندین مورد از این فرصت‌ها را سرانگشتی فهرست کرده بود — مثل آواتار، سبک بازی و میزان زمان صرف‌شده برای بازی — و نشان می‌داد که با این پارامترها چگونه می‌توانست تبلیغات مناسب را به مخاطب نشان دهد. برای مثال، سیستم اگر می‌دید «فلان کاربر تاکنون و پشت‌سرهم دو ساعت است که دارد بازی می‌کند»، پس تبلیغ «پیتزا» برایش ظاهر می‌کرد. علاوه بر مثلا حدس زدن اشتها به پیتزا، سیستم می‌توانست ویژگی شخصیتی بازیکنان را نیز بر اساس رفتاری که در بازی از خود بروز می‌دادند را نیز حدس بزند. برای مثال، اگر بازیکن در بازی بیشتر دنبال چانه‌زنی بر سر قیمت بود تا دزدی از مغازه، سیستم حدس می‌زد که چنین بازیکنی «بیشتر به خود خوب بودن معامله اهمیت می‌دهد تا اجناس پرزرق و برق.» یا مثلا «میزان زمان صرف شده برای اکتشاف محیط به‌جای حل مراحل» می‌توانست نشانگر علاقه‌ی بازیکن به مسافرت در دنیای واقعی باشد [و بنابراین تبلیغی درباره‌ی مسافرت برای بازیکن ظاهر می‌شد]. این امتیازنامه البته محتاطانه اعلام کرد که اینها صرفا وابستگی‌ هستند و نه علت؛ در عوض، صرفا سیستمی است که می‌تواند اطلاعات لازم را از نحوه‌ی بازی کردن مخاطب جمع‌آوری کند و بر اساسشان حدس بزند که فرای این بازی، مخاطب چه نیازها، خواسته‌ها و تمایلاتی دارد.

دسته‌بندی گیمرها بر اساس داده‌هایی که از طریق بازی‌ها به دست می‌آید، خود یک صنعت مولتی‌میلیون‌دلاری است که به‌عنوان تحلیل بازی‌ها (Game Analytics) شناخته می‌شود. کمپانی گیم‌آنالیتیکس نیز با قابلیت جمع‌آوری و تحلیل داده‌های بیش از ۸۵۰ میلیون بازیکن فعال در ۷۰.۰۰۰ بازی، رخ‌نمایی می‌کند. با چنین داده‌هایی می‌شود بازیکنان را بر اساس خدماتشان، نحوه‌ی بازی‌ کردنشان، محل زندگی‌شان و جمعیت‌شان دسته‌بندی کرد. اما دریافت داده از گیمرها جهت استنباط اطلاعاتی جدید درباره‌ی آنها تاریخش به خیلی وقت پیش برمی‌گردد. تا زمانی که برنده و بازنده وجود داشته باشد، می‌شود بازیکنان را بر اساس میزان مهارتشان در برنده‌شدن رتبه‌بندی کرد.

اولین بازی‌ ویدئویی‌ای که به‌طور عمومی بازیکنان را در چیزی شبیه به لیدربورد رتبه‌بندی می‌کرد، Space Invaders در سال ۱۹۷۸ بود. این مکانیسم خیلی سریع پرآوازه و به ویژگی بازی‌های آرکید تبدیل شد. الکساندر استاخانوف (Alexander Stakhanov)، هم‌موسس موزه‌ی آرکید شوروی (Soviet Arcade Museum)، می‌گوید رتبه‌بندی عمومی بازی‌های ویدئویی اساسا یک ویژگی غربی بود — و در تعریفی کلی‌تر، کاپیتالیستی.

یکی دیگر از این الگوریتم‌های رتبه‌بندی — رتبه‌بندی ELO — در دهه‌ی ۱۹۶۰ برای رتبه‌بندی شطرنج‌بازها ابداع شد. با سبک‌وسنگین‌کردن میزان برد و باخت‌های بازیکن، در مقایسه با مهارت حریف‌شان، این الگوریتم می‌تواند مهارت نسبی بازیکن را بسنجد. با این سیستم، هر مسابقه‌ی شطرنج به زیرمجموعه‌ای تبدیل می‌شود که دیگر محدود به صفحه‌ی شطرنج نیست، بلکه در مکان و زمان‌های دیگر هم به سنگ محکی تبدیل می‌شود که می‌توان با آن بازیکنان را با کسانی مقایسه کرد که هرگز با آنها بازی نکرده‌اند، و البته جو رقابتی را هم پرجنب‌وتوش‌تر می‌سازند. این روش اما به شطرنج محدود نیست. در یک رسوایی، مارک زاکربرگ هم هم‌کلاسی‌هایش را درهاوارد «بازی‌گونه» می‌کرد و از این الگوریتم برای رتبه‌بندی عکس هم‌کلاسی‌های دختر خود که به‌طرز غیرقانونی گرفته بود استفاده می‌برد.

اولین بازی‌ ویدئویی‌ای که به‌طور عمومی بازیکنان را در چیزی شبیه به لیدربورد رتبه‌بندی می‌کرد، Space Invaders در سال ۱۹۷۸ بود. این مکانیسم خیلی سریع پرآوازه و به ویژگی بازی‌های آرکید تبدیل شد. در سال ۱۹۷۹، Star Fire و Asteroids اولین بازی‌هایی بودند که به بازیکنان اجازه می‌دادند تا امتیازات خود را با ترکیبی سه‌حرفی نشان‌گذاری کنند [تا بعدا بتوانند تشخیص دهد آیا رکورد خود را زده‌اند یا نه]. همانطور که نیک مانتفورت (Nick Montfort) و ایان بوگوست (Ian Bogost) در کتاب Racing the Beam: The Atari Video Computer System نشان دادند، این مکانیسم توانست فرهنگ رقابتی‌ای را بین بازیکنان بازی‌های آرکید صورت‌بندی کند. هدف بازی دیگر سرگرمی یا برنده‌شدن نبود: «بالاترین امتیاز» حالا بر خود فعل بازی‌کردن تقدم می‌یافت، و «اچیومنت» شامل رقابتی از نوع «بازی مجموع-صفر» (Zero-sum) می‌شد [یعنی هر دستاورد بازیکن مساوی است با ضرر بازیکن رقیب او]. برای تقریب به ذهن، در این مقاله‌ی سایت Wired در سال ۲۰۰۷، الکساندر استاخانوف (Alexander Stakhanov)، هم‌موسس موزه‌ی آرکید شوروی (Soviet Arcade Museum)، می‌گوید رتبه‌بندی عمومی بازی‌های ویدئویی اساسا یک ویژگی غربی بود — و در تعریفی کلی‌تر، کاپیتالیستی. در بازی‌های آرکید زمان اتحاد جماهیر شوروی، لیدربوردهای عمومی اصلا وجود نداشتند. در عوض، چنانچه استاخانوف می‌گوید، «اگر امتیاز کافی می‌گرفتی پس می‌تونستی یه بار دیگه به رایگان بازی کنی، اما رکورد زدن به اون معنایی که در غرب وجود داشت ازش خبری نبود.»

مدل کاپیتالیستی بازی‌ها برنده شد، و رتبه‌بندی نیز به بخش اساسی تحلیل بازی‌ها تبدیل شد. اما تنوع و حجم داده‌های جمع‌آوری شده از طریق بازی‌های دیجیتالی، نسبت به زمان عرضه‌ی Space Invaders، به‌شدت افزایش یافته است. الگوریتم رتبه‌بندی مایکروسافت، یعنی ترواسکیل۲ (TrueSkill2)، از چند پارامتر استفاده می‌کند، مثل «تجربه‌ی بازیکن، عضویت در جوخه، تعداد قتل/Killهای هر بازیکن، تمایل به خروج از مسابقه، و مهارت در دیگر حالت‌ها». با اینها، به‌طور نسبی هر بازیکنی را روی پلتفرم خودش رتبه‌بندی می‌کند. در واقع، هر پلتفرم گیمینگی اکنون با هدف دریافت انواع و اقسام داده‌ها طراحی می‌شود، و سیاست‌های مربوط به حریم خصوصی‌شان نیز بر این قضیه گواه است. این داده‌ها می‌شود شامل اطلاعات اکانت، اطلاعات پرداخت، محتوای کاربر، پیام‌ها، شماره‌ها، شناساگر دیوایس‌ها، شناساگر شبکه‌ها، مکان، اچیومنت‌ها، امتیازات، رتبه‌بندی، گزارش خطاها و میزان ساعات استفاده از محصول. همچنین آنها حق دارند تا این داده‌ها را به کمپانی‌های ثالث یا بفروشند یا به اشتراک بگذارند. نه فقط خود اطلاعات، بلکه نحوه‌ و چگونگی دریافت این داده‌ها را نیز می‌توانند؛ از جمله: KPIهایی مثل فراگیری، نگهداری، کاربران فعال، درآمد به‌ازای هر کاربر، و دیگر داده‌های خاص یک بازی مثل ورودی‌های هر کاربر و میزان ساعات صرف‌شده برای حل مراحل مختلف — که، با توجه به این تحلیل انجام‌شده از طرف IBM، شامل «زمان حل مراحل، رفتارهای تکی در مقایسه با رفتارهای جمعی [مثلا در آنلاین]، انتخاب آواتار، دیگر نشانگرهای نحوه‌ی تعامل بازیکن، جنسیت آواتار، متغیرهای رفتاری استراتژی بازیکن، توییت‌های مربوط به بازی، فعالیت در شبکه‌های اجتماعی، زبان و…» می‌شود. سیاست پلی‌استیشن در خصوص حریم خصوصی بازیکن بیان می‌کند که سونی می‌تواند «آنچه در بازی یا اپ انجام می‌دهید (برای مثال، از چه مانعی عبور می‌کنید یا به چه مراحلی می‌رسید) را ثبت کند.» مایکروسافت هم به‌طرز مشابه عنوان کرده «اطلاعاتی را که از شما با دیگران به اشتراک می‌گذاریم می‌شود شامل… داده‌هایی درباره‌ی هر بار استفاده از بازی یا اپ، شامل اچیومنت‌هایی که باز می‌کنید، زمانی که در بازی یا اپ صرف می‌کنید، میزان حضورتان، آمار و رتبه‌بندی‌هایتان». این بازی‌های «خودت روایت خودت را انتخاب کن و پیش برو» هم که در خیلی از بازی‌ها دیده می‌شود نه صرفا یک ابزار داستان‌گویی است و نه صرفا از روی ذوق و سلیقه‌ی شخصی انتخاب شده: این هم یکی دیگر از روش‌های اندازه‌گیری و ثبت داده‌های کاربر است.

یادگیری ماشینی و بازی‌ها

اصول بازی‌گونه‌کردن فرض گرفته که انسان‌ها، در واکنش به پاداش‌هایی که می‌گیرند، تفاوتی با مشتی الگوریتم ندارند. درست مثل الگوریتم‌های یادگیری ماشینی، انسان‌ها نیز در فضاهایی که توسط الگوریتم‌ها احاطه شده‌اند را می‌توان مهندسی و برنامه‌ریزی کرد تا به عادات بهتری برسند. بیشتر از اینکه صحبت بر سر تبدیل زندگی به تجربه‌ای بازی‌گونه باشد، بازی‌گونه‌کردن بیشتر باعث می‌شود تا رفتار انسان‌ها را بیش از پیش پیش‌بینی و مدیریت کرد، که با فیدبک‌ها انگیزه می‌یابند و تعدادی داده برای ثبت‌شدن بیش نیستند.

البته خیلی از دیوایس‌ها، پلتفرم‌های مختلف شبکه‌های مجازی و اپ‌ها همین الانش هم داده‌های فراوانی از کاربرهایشان جمع می‌کنند، و خیلی بیشتر از آنچه خود کاربرها ممکن است گمان برند. اما بازی‌ها هم می‌توانند با هدف ایجاد بستری کنترل‌شده و برای جمع‌آوری دیتا از بازیکنان ساخته شده باشند. همانطور که تحلیل‌گر مشغول به کار در IBM توضیح می‌دهد، جمع‌آوری طیفی از داده‌ها از بازیکنان «تفاوتی با دیگر روش‌ها برای به‌کارگیری روش‌های تحلیلی پیشرفته جهت جذب مشتری و مخاطب ندارد»، اما بر «طیف جدید داده‌ها» و «حجم و شدتی که تولید می‌شوند» تاکید می‌کند.

به دلیل تنوع و حجم داده‌های جمع‌آوری شده، بازی‌ها می‌توانند همچون وسیله‌ای باشند که اطلاعات فراوانی را درباره‌ی ارزش‌ها و عادات بازیکنان فاش کنند. تعدادی از تحقیقات آکادمیک نشان می‌دهد که از نظر آماری توانسته‌اند وابستگی‌های قابل‌توجهی بین رفتار بازیکنان در بازی و شخصیت آنها در بیرون از بازی پیدا کنند. تعدادی از این تحقیقات نتیجه گرفتند «نحوه‌ی تعامل بازیکن با بازی می‌تواند تا حد خوبی ویژگی‌های شخصی خود بازیکن را هویدا کند.» تحقیقات مشابه دیگر و داده‌های استخراج شده از بازی‌های مالتی‌پلیر مثل فورتنایت هم نتیجه گرفتند «نتایج به همان روانی‌ای به دست می‌آمد که گویی در وضعیت کنترل شده‌ی آزمایشگاهی انجام شده است.» تحقیقی دیگر هم نشان می‌دهد «به نیابت از بازی‌های ویدئویی تجاری می‌توان به‌طرز سودمندی روی حالات روانی شخص آزمایش کنیم.»

داده‌های دریافت شده را همچنین می‌توان دوباره به پلتفرمی که باعث آن شده، برگرداند. تصمیمات درون بازی را می‌شود طوری تنظیم کرد که به استعدادهای نهفته‌ی بازیکن پی ببرد، و مثلا وسواس، اجتماع‌پذیری و قابلیت روانی آنها را اندازه بگیرد. Silent Hill: Shattered Memories می‌توانست از وضعیت روانی بازیکن خود یک نمایه بسازد و این بخش اساسی روایتش محسوب می‌شود، و بازی از فنونی همچون تست مایرز-بریگز استفاده می‌کرد تا به نوع شخصیت بازیکن پی ببرد. همانطور که تیک‌تاک هم رفتار کاربرانش را رصد می‌کند تا الگوریتم‌های برنامه بر اساس امیال او تنظیم شوند [و شانس مواجه شدن با چیزهایی که دوست دارد بیشتر شود]، بازی نام‌برده هم می‌توانست با ارزیابی تصمیمات و رفتار بازیکن (اینکه وارد چه اتاقی می‌شدند، چقدر عکس‌ها را بررسی می‌کردند و…) عمدا بازی را تغییر دهد تا بازی به کابوس خود بازیکن تبدیل شود.

به‌طور کلی، همانطور که قبلا در امتیازنامه‌ای که گوگل ثبت کرد دیدیم، ترکیب تصمیمات، اچیومنت‌ها، میزان ساعت بازی شده و تاریخچه‌ی خرید، همگی برای کمپانی‌های تبلیغاتی مهم هستند. از آنجا که بازی‌های ویدئویی اغلب طوری طراحی می‌شوند تا کاربر را ساعت‌ها پای خود نگه دارند، داده‌ای که از این طریق به‌دست می‌آید خصوصا برای بازاریابان که دنبال جلب توجه مشتری هستند حیاتی است. بازی‌ها می‌توانند همچون زمینی برای تبلیغات، مخزنی از فنون مختلف برای نظارت و کنترل رفتار، و زمینه‌ای برای آزمایش و امتحان بازیکن باشند.

در سال ۲۰۱۹، محققین در این صنعت تحمین زدند بازار جهانی تبلیغات درون‌بازی بیش از ۱۲۸ میلیارد دلار سهم بازارش است. بازی‌ها فقط بیلبوردهای مجازی ندارند و آیتم‌ها و محصولات دیگر درون بازی هم می‌توانند طوری تنظیم شوند که بیشتر با سلایق کاربر همسو باشد. کاربران را حتی می‌توان مجبور کرد تا از طریق میان‌پرده‌ها تبلیغات ببینند. یک روش دیگر استفاده از داده‌های درون بازی هم اندازه‌گیری «ارزش زندگی» یا LTV کاربر است — ارزش پولی‌ای که انتظار می‌رود تا کاربر برای بازی‌ساز فراهم کند — و بنابراین طوری بازی را تنظیم می‌کنند تا آن بازیکنانی که بیشتر از همه ارزش پولی برایشان فراهم می‌کنند هیچ‌وقت سیر نشوند، و به خرید ژتون‌های درون بازی، مدل کاراکترها، متریال‌های مجازی و سایر آیتم‌ها ترغیب شوند. این پرداخت‌های درون برنامه‌ای نه فقط از بازیکن شیردوشی می‌کند، بلکه نشان می‌دهد چه وظایف پیش پا افتاده‌ی مجازی از طرف بازیکنان ارج گذاشته می‌شود و چه وظایف دیگر را حاضرند پول بدهند که از کتارش عبور کنند. کسانی که روی حق مالکیت معنوی تحقیق می‌کنند از این می‌گویند که پرداخت‌های درون برنامه‌ای را می‌توان برای اندازه‌گیری «ضریب نزول میان‌زمانی» (Intertemproal Discount Factor) به کار برد: معیاری در امور مالی که در اصل می‌سنجد یک سرمایه‌گذار تا چه حد پاداش کم ولی فوری، یا پاداش دیر ولی بادوام را، بر دیگری ترجیح می‌دهد. بنابراین اگر در داده‌ها ببینیم که بازیکنی حاضر است برای لذتی سریع و زودگذر مدام پولش را خرج کند، می‌توانیم این داده را به کمپانی‌های تبلیغاتی بفروشیم، و خصوصا در ترکیب با دیگر داده‌های دریافت شده از سایر پلتفرم‌ها ممکن است به اطلاعات بسیار سودمندی برای ابداع روشی جدید در تبلیغات تبدیل شود. پرداخت‌های درون برنامه‌ای، بنابراین، بیشتر از پرداخت صرف هستند: آنها داده‌هایی‌اند که روی کوهی از پول نشسته‌اند.

علاوه بر این، بازی‌هایی هست که مخصوصا ساخته شده تا میزان تمایل فرد برای ورود به حرفه‌ی خاص را بسنجد. حتی قبل از اینکه کارفرمایان نسبت به «ارزیابی کارمند احتمالی از طریق بازی» حسن نیت نشان دهند هم، ارتش ایالات متحده بازی آنلاین America’s Army را تامین مالی می‌کرد و به چشم وسیله‌ای برای استخدام سربازان احتمالی به آن می‌نگریست. در مصاحبه‌ای بین کلنل واردینسکی (Wardynski) و گیب زیچرمان (Gabe Zichermann)، که خود را «قدیمی‌ترین متخصص و سخنران عمومی درباره‌ی بازی‌گونه‌کردن» معرفی می‌کند، واردینسکی تایید می‌کند که هدف بازی America’s Army استخدام بود ولی به روش غیرمستقیم: «هدفمان این بود که به اولویت‌های تصمیم‌گیری فرد برای ورود به یک حرفه پی ببریم. اگر ارتش جزو یکی از گزینه‌های شما نیست، پس بی‌خیال استخدام. ولی چگونه کاری کنم که بچه‌ی شما به این گزینه فکر کند؟»

توانایی آنها البته به تاثیرگذاری روی بازیکنان محدود نیست. بازی‌های بازی‌گونه‌شده برای هوش مصنوعی‌ها هم به بستر مهمی تبدیل شده‌اند. آنها سازندگان هوش مصنوعی را به خود جذب کرده‌اند چون جهان آزاد و پویای بازی‌ها همین الان هم به چیزی مجزا و قابل اندازه‌گیری تبدیل شده است. در بازی‌های بازی‌گونه‌شده، مدال‌ها، امتیازات و لیدربوردها در اصل برای نظارت، کنترل و تحریک‌کردن بازیکن ساخته شدند؛ و حالا مهندسین می‌توانند دوباره از آنها برای نظارت، کنترل و تحریک‌کردن الگوریتم‌های یادگیری ماشینی بهره ببرند. بازی‌های جهان‌آزاد به‌خوبی با این نظارت‌ها و کنترل‌ها چفت‌و‌بست شده‌اند و امکانات به نظر بی‌پایانی که این بازی‌ها در اختیار می‌گذارند هم به همان میزان امکانات بی‌پایان برای جمع‌آوری داده‌ها فراهم کرده است.

الگوریتم و هوش مصنوعی

با نظر به پتانسیل بالای بازی‌ها برای جمع‌آوری این اطلاعات ارزشمند، جای تعجب نیست که گوگل و آمازون هم در حال توسعه‌ی پلتفرم‌های ابری برای بازی‌ها هستند. آنچه تعجب‌برانگیز است این است که گفتمان «بازی‌های مبتنی بر سرویس ابری» بیشتر روی تجربه‌ی کاربر تمرکز دارد عوض اینکه بپرسد اصلا کاربران نهایی چنین پلتفرمی چه کسانی قرار است باشند؟ گوگل استادیا از طرف گیمرها طرد شد، البته فقط به‌دلیل گران‌قیمت بودنش، نه برای داده‌کاوی‌اش. اما بازی‌های مبتنی بر سرویس ابری هم، مثل دیگر خدماتی که ارائه می‌دهد، صرفا بهانه‌ای برای بیزینس اصلی گوگل برای جمع‌آوری داده و فروش آن به کمپانی‌های تبلیغاتی است.

کمپانی‌های وابسته به گوگل — مثل DeepMind و OpenAI — از بازی‌ها برای توسعه‌ی هوش مصنوعی‌هایی استفاده می‌کنند که بتوانند بازی‌های پیچیده‌ی جهان‌آزاد را انجام دهند. هوش مصنوعی‌ها، در زمان بازی، تاکنون توانسته‌اند حرفه‌ای‌ترین بازیکنان را در بازی‌های کلاسیکی مثل Go و بازی‌های ویدئویی همچون Dota 2 شکست دهند. Malmo، پروژه‌ی مایکروسافت، تلاشی برای استفاده از جهان‌آزادهایی همچون ماینکرفت است تا بات‌هایی هوشمند برای جهت‌یابی، داد و ستد و همکاری بسازد. هدف این تحقیق صرفا یک چیز نظری نیست. آپتیما توانست در مزایده‌ای از طرف دارپا، صاحب یک میلیون دلار شود، چون توانستند بات‌های هوشمندی بسازند که کنار بازیکنان خود ماینکرفت بازی می‌کردند (چون از قبل بر اساس نحوه‌ی بازی کردن آدم‌ها توانسته بودند مدل‌سازی شوند). با آموزش دیدن هوش مصنوعی به کمک داده‌های دریافت شده از سوی بازیکنان واقعی ماینکرفت، دارپا امیدوار است تا بالاخره روزی هوش مصنوعی‌ای بسازد که بتواند سربازان را در میدان نبرد هم نظارت کند. جهت‌یابی در جهان‌ بازی‌ها، معدن‌کاوی الماس‌های دیجیتالی ماینکرفت، یا برنامه‌ریزی شبکه‌ی راه‌آهن برای راه‌آهن‌های درون ماینکرفت؛ این چیزی است که تیم‌های مختلف بر سر آن رقابت می‌کنند تا الگوریتم‌هایی قادر به این کارها بسازند، و کمپانی‌هایی مثل آمازون، گوگل و مایکروسافت اسپانسر این رقابت‌ها هستند. همانطور که روی گیمرهای واقعی آزمایش می‌شود، تیم‌های برنده در این رقابت‌ها هم در پلتفرم رقابتی Alcrowd امتیاز می‌گیرند، مدال برنده می‌شوند و رتبه‌بندی می‌شوند. این پلتفرم، توسعه‌ی هوش مصنوعی‌ها را بازی‌گونه می‌کند و خود عمل مهندسی را به تعدادی راند رقابتی تبدیل می‌کند که با امتیاز و رتبه اندازه‌گیری می‌شود و به برندگانش هم نمادهای طلایی، نقره و برونز می‌دهد.

این تلاش‌ها همه حاکی از آن است که اصول بازی‌گونه‌کردن فرض گرفته که انسان‌ها، در واکنش به پاداش‌هایی که می‌گیرند، تفاوتی با مشتی الگوریتم ندارند. درست مثل الگوریتم‌های یادگیری ماشینی، انسان‌ها نیز در فضاهایی که توسط الگوریتم‌ها احاطه شده‌اند را می‌توان مهندسی و برنامه‌ریزی کرد تا به عادات بهتری برسند. بیشتر از اینکه صحبت بر سر تبدیل زندگی به تجربه‌ای بازی‌گونه باشد، بازی‌گونه‌کردن بیشتر باعث می‌شود تا رفتار انسان‌ها را بیش از پیش پیش‌بینی و مدیریت کرد، که با فیدبک‌ها انگیزه می‌یابند و تعدادی داده برای ثبت‌شدن بیش نیستند.

با نظر به پتانسیل بالای بازی‌ها برای جمع‌آوری این اطلاعات ارزشمند، جای تعجب نیست که گوگل و آمازون هم در حال توسعه‌ی پلتفرم‌های ابری برای بازی‌ها هستند. آنچه تعجب‌برانگیز است این است که گفتمان «بازی‌های مبتنی بر سرویس ابری» بیشتر روی تجربه‌ی کاربر تمرکز دارد عوض اینکه بپرسد اصلا کاربران نهایی چنین پلتفرمی چه کسانی قرار است باشند؟ گوگل استادیا از طرف گیمرها طرد شد، البته فقط به‌دلیل گران‌قیمت بودنش، نه برای داده‌کاوی‌اش. اما بازی‌های مبتنی بر سرویس ابری هم، مثل دیگر خدماتی که ارائه می‌دهد، صرفا بهانه‌ای برای بیزینس اصلی گوگل برای جمع‌آوری داده و فروش آن به کمپانی‌های تبلیغاتی است. ورود آمازون و گوگل به بازی‌های مبتنی بر سروس ابری یعنی ادغام امپراطوری داده‌های تاکنون ثبت‌شده با قدرت فوق‌العاده‌ی بازی‌ها به‌عنوان وسایلی برای جمع‌آوری داده. بازی‌ها اینجا نقش مهمی دارند چون برای آن خرده‌فروشان تبلیغات‌چی همه‌ی آنچه از نظارت، کنترل و اعتیاد بازیکن به محصول می‌خواهند را دارد.

یک فروشگاه آنلاین، مثل یک بازی، گرچه به نظر «جهان آزاد» می‌رسد اما در واقع محیطی شدیدا کنترل شده است که تمام تصمیمات فرد را نظارت می‌کند. درست مثل پلفترم‌های دوجانبه (یک طرف برای استفاده از محصولات و طرف دیگر برای ارائه‌ی خدمات) از طرف آمازون و گوگل، این فضاهای دیجیتالی را هم می‌توان طوری ساخت تا رفتار بازیکن را از طریقی از پیش تعیین شده مهندسی یا داده‌های او را ثبت کرد. ترکیب این داده‌ها با آنچه قبلا از حالات روانی او و ارزش‌ها، ایده‌آل‌ها و فانتزی‌های او کسب کرده‌اند (چیزهایی که کاربران هیچ‌وقت رک و پوست‌کنده در پرسشنامه‌ها، ایمیل‌ها و عادات خرید خود بروز نمی‌دهند، مگر در دنیای بازی‌ها)، باعث شده تا بازی‌ها برای گوگل و آمازون مکمل‌های اطلاعاتی ارزشمندی شوند. همانطور که بازی‌های به‌اصطلاح «هاردکور» بیش از پیش با جهان آزادشان، اچیومنت‌هایشان و تروفی‌هایشان تعریف می‌شوند، می‌توانیم انتظار داشته باشیم که آن آزادی موعود و تجربه‌ی ابری یکپارچه نیز با نظارت و چیزهای-شبیه-به-پرداخت-درون-برنامه‌-ای بیشتر تعریف شود. اگر این کلیشه‌ی «بازی‌ها فقط برای گرفتن یک سری تصمیمات جالب هستند» را بپذیریم، حالا وقت آن بپرسیم: درست است، ولی دقیقا برای چه کسانی؟

درباره‌ی نویسنده: Ulysses Pascal دانشجوی دکترای دانشگاه UCLA و دپارتمان تحقیقات اطلاعاتی است، که در آنجا روی زیربنای اطلاعات مالی جهانی و اقتصاد سیاسی پلتفرم‌های مختلف تحقیق می‌کنند. آنها در حال حاضر مشغول به کار روی نسخه‌ای به‌روزرسانی شده از بازی رومیزی مونوپولی هستند.

منبع: Real Life Mag

صفحه اصلی بازی - اخبار بازی - تریلر بازی - نقد و پیش نمایش | دیجی‌کالامگ

Adblock test (Why?)

لینک منبع خبر

دیدگاه‌ها

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *