Equilibrio dinámico de la dificultad del juego

El equilibrio dinámico de la dificultad del juego ( DGDB ), también conocido como ajuste dinámico de la dificultad ( DDA ), dificultad adaptativa o equilibrio dinámico del juego ( DGB ), es el proceso de ajustar automáticamente los parámetros, escenarios y comportamientos de un videojuego en tiempo real según la habilidad del jugador. Su propósito es evitar que el jugador se aburra si el juego es demasiado fácil o se frustre si es demasiado difícil. El objetivo del equilibrio dinámico de la dificultad es mantener el interés del jugador durante toda la partida, proporcionando un nivel de desafío adecuado.

Algunos elementos de un juego que podrían modificarse mediante el ajuste dinámico de la dificultad incluyen:

• Velocidad de los enemigos
• Salud de los enemigos
• Frecuencia de enemigos
• Frecuencia de potenciadores
• Poder del jugador
• Poder de los enemigos
• Duración de la experiencia de juego

A medida que los jugadores progresan en el juego, sus puntuaciones deberían reflejar una mejora constante. Los principiantes deberían poder avanzar, los jugadores intermedios deberían obtener puntuaciones intermedias y los jugadores experimentados deberían obtener puntuaciones altas. Idealmente, la progresión es automática: los jugadores comienzan en el nivel principiante y las funciones avanzadas se incorporan a medida que el ordenador reconoce un juego competente.

En la literatura se encuentran diferentes enfoques para abordar el equilibrio dinámico de la dificultad de los juegos. En todos los casos, es necesario medir, implícita o explícitamente, la dificultad a la que se enfrenta el usuario en un momento dado. Esta medición se puede realizar mediante una función heurística , que algunos autores denominan "función de desafío". Esta función asigna a un estado de juego determinado un valor que especifica la facilidad o dificultad que el juego percibe el usuario en un momento específico. Algunos ejemplos de heurísticas utilizadas son:

• La tasa de aciertos o impactos
• El número de piezas ganadas y perdidas
• Puntos de vida
• Evolución
• Es hora de completar alguna tarea.

... o cualquier métrica utilizada para calcular la puntuación de un juego . Chris Crawford dijo: «Si hiciera un gráfico de la puntuación de un jugador típico en función del tiempo que pasa en el juego, ese gráfico debería mostrar una curva con una pendiente suave y constante hacia arriba. Describo un juego así como uno con una curva monótona positiva». Los juegos sin dicha curva parecen «demasiado difíciles o demasiado fáciles», dijo. ^{[ 1 ]}

El enfoque de Hunicke y Chapman ^{[ 2 ]} controla la configuración del entorno del juego para hacer los desafíos más fáciles o más difíciles. Por ejemplo, si el juego es demasiado difícil, el jugador obtiene más armas, recupera puntos de vida más rápido o se enfrenta a menos oponentes. Si bien este enfoque puede ser efectivo, su aplicación puede causar situaciones inverosímiles. Un enfoque directo es combinar dicha "manipulación de parámetros" con algunos mecanismos para modificar el comportamiento de los personajes no jugadores (personajes controlados por la computadora y generalmente modelados como agentes inteligentes ). Sin embargo, este ajuste debe hacerse con moderación para evitar el efecto de "banda elástica". Un ejemplo de este efecto en un juego de carreras implicaría que los vehículos del conductor de IA se vuelven significativamente más rápidos cuando están detrás del vehículo del jugador, y significativamente más lentos cuando están delante, como si una gran banda elástica conectara los dos vehículos.

Una implementación tradicional de la inteligencia de un agente de este tipo consiste en utilizar reglas de comportamiento definidas durante el desarrollo del juego . Una regla típica en un juego de lucha sería: "golpea al oponente si está a tu alcance, persíguelo en caso contrario". Este enfoque se puede extender para incluir el modelado del oponente mediante el scripting dinámico de Spronck et al . [ ^{3 ] [ 4 ] ,} que asigna a cada regla una probabilidad de ser seleccionada. Los pesos de las reglas se pueden actualizar dinámicamente a lo largo del juego según las habilidades del oponente, lo que permite la adaptación al usuario específico. Con un mecanismo sencillo, se pueden seleccionar reglas que generen tácticas que no sean ni demasiado fuertes ni demasiado débiles para el jugador actual.

Andrade et al. ^{[ 5 ]} dividen el problema DGB en dos dimensiones: competencia (aprender lo mejor posible) y rendimiento (actuar tan bien como sea necesario). Esta dicotomía entre competencia y rendimiento es bien conocida y estudiada en lingüística , como propuso Noam Chomsky . ^{[ 6 ]} Su enfoque aborda ambas dimensiones con aprendizaje por refuerzo (RL). El entrenamiento fuera de línea se utiliza para iniciar el proceso de aprendizaje. Esto se puede hacer permitiendo que el agente juegue contra sí mismo (autoaprendizaje), otros agentes preprogramados o jugadores humanos. Luego, el aprendizaje en línea se utiliza para adaptar continuamente esta inteligencia integrada inicial a cada oponente humano específico, con el fin de descubrir la estrategia más adecuada para jugar contra él o ella. En cuanto al rendimiento, su idea es encontrar una política adecuada para elegir acciones que proporcionen un buen equilibrio de juego, es decir, acciones que mantengan tanto al agente como al jugador humano aproximadamente en el mismo nivel de rendimiento. Según la dificultad a la que se enfrenta el jugador, el agente elige acciones con un rendimiento esperado alto o bajo. En una situación dada, si el nivel de dificultad del juego es demasiado alto, el agente no elige la acción óptima (proporcionada por el marco de aprendizaje por refuerzo), sino que selecciona progresivamente acciones menos óptimas hasta que su rendimiento sea igual al del jugador. Del mismo modo, si el nivel de dificultad del juego se vuelve demasiado bajo, elegirá acciones con valores más altos, posiblemente hasta alcanzar un rendimiento óptimo.

Demasi y Cruz ^{[ 7 ]} crearon agentes inteligentes empleando técnicas de algoritmos genéticos para mantener activos aquellos que mejor se adaptan al nivel del usuario. La coevolución en línea se utiliza para acelerar el proceso de aprendizaje. Esta coevolución emplea modelos predefinidos (agentes con buenas características genéticas) como progenitores en las operaciones genéticas, de modo que la evolución se ve influenciada por ellos. Estos modelos se construyen mediante entrenamiento fuera de línea o manualmente cuando la codificación genética del agente es suficientemente simple.

Otro trabajo en DGB se basa en la hipótesis de que la interacción jugador-oponente —en lugar de las características audiovisuales, el contexto o el género del juego— es la propiedad que más contribuye a las características de calidad del entretenimiento en un videojuego. ^{[ 8 ]} Basándose en esta premisa fundamental, se introdujo una métrica para medir el valor de entretenimiento en tiempo real de los juegos de depredador/presa y se estableció como eficiente y fiable mediante validación con el juicio humano.

Estudios posteriores de Yannakakis y Hallam ^{[ 9 ]} han demostrado que las redes neuronales artificiales (RNA) y las redes neuronales difusas pueden extraer un mejor estimador de la satisfacción del jugador que uno diseñado por humanos, dados los estimadores apropiados del desafío y la curiosidad (factores cualitativos intrínsecos para un juego atractivo según Malone) ^{[ 10 ]} del juego y datos sobre las preferencias de los jugadores humanos. El enfoque de construir modelos de usuario del jugador de un juego que pueden predecir qué variantes del juego son más o menos divertidas se define como Modelado de Entretenimiento . El modelo generalmente se construye utilizando técnicas de aprendizaje automático aplicadas a parámetros del juego derivados de la interacción jugador-juego ^{[ 11 ]} y/o características estadísticas de las señales fisiológicas del jugador registradas durante el juego. ^{[ 12 ]} Este enfoque básico se aplica a una variedad de juegos, tanto de computadora ^{[ 9 ]} como físicos.

Diseñar un juego que sea justo sin ser predecible es difícil. ^{[ 13 ]} Andrew Rollings y Ernest Adams citan un ejemplo de un juego que cambiaba la dificultad de cada nivel según el desempeño del jugador en varios niveles anteriores. Los jugadores lo notaron y desarrollaron una estrategia para superar los niveles difíciles jugando deliberadamente mal en los niveles previos. Los autores enfatizan la importancia de ocultar la existencia de la adaptación de la dificultad para que los jugadores no se den cuenta. ^{[ 14 ]}

La dificultad dinámica (DDA) se refiere a los ajustes automáticos que hacen que el juego sea más fácil o más difícil según el rendimiento del jugador, mientras que la IA tramposa implica que el juego aparentemente anula las mecánicas realistas, otorgándole ventajas injustas. Algunos juegos pueden tener una combinación de ambos sistemas.

Un ejemplo temprano de equilibrio de dificultad se encuentra en Zanac , desarrollado en 1986 por Compile . El juego presentaba una inteligencia artificial adaptativa única , que ajustaba automáticamente el nivel de dificultad según la habilidad del jugador, su cadencia de fuego y la capacidad defensiva de la nave. Un ejemplo anterior se encuentra en Gun Fight , el juego arcade de Midway de 1975. En este juego de disparos uno contra uno, se colocaba un objeto adicional, como un cactus, en la mitad del campo de juego del jugador que acababa de ser alcanzado, facilitándole así esconderse.

El oponente informático de Archon se adapta lentamente con el tiempo para ayudar a los jugadores a derrotarlo. ^{[ 15 ]} Danielle Bunten diseñó tanto MULE como Global Conquest para equilibrar dinámicamente el juego entre los jugadores. Los eventos aleatorios se ajustan de manera que el jugador en primer lugar nunca tenga suerte y el jugador en último lugar nunca tenga mala suerte. ^{[ 16 ]}

El primer juego de Crash Bandicoot y sus secuelas utilizan un sistema de "Ajuste Dinámico de Dificultad", que ralentiza los obstáculos, otorga puntos de vida adicionales y añade puntos de continuación según el número de muertes del jugador. Según el diseñador principal del juego, Jason Rubin , el objetivo era "ayudar a los jugadores menos experimentados sin modificar el juego para los jugadores más hábiles". ^{[ 17 ]}

Tanto Spyro the Dragon como Ratchet & Clank , de Insomniac Games , utilizan un sistema de dificultad dinámica denominado Ajuste Automático de Desafío (ACT). En ocasiones, en las primeras versiones de estos juegos, fallos en este sistema impedían al jugador completar el juego al 100% debido a errores de programación. ^{[ 18 ] [ 19 ]}

El videojuego Flow destacó por popularizar la aplicación de la inmersión mental (también llamada flujo ) a los videojuegos con su versión Flash de 2006. El diseño del videojuego se basó en la tesis de maestría de uno de sus autores y posteriormente se adaptó para PlayStation 3 .

Sin Episodes: Emergence, lanzado en 2006, incluía un "Sistema de Desafío Personal" donde la cantidad y la dificultad de los enemigos variaban según el rendimiento del jugador para garantizar el nivel de desafío y el ritmo de progresión del juego. El desarrollador, Ritual Entertainment , afirmó que jugadores con niveles de habilidad muy diferentes podían terminar el juego con una diferencia de tiempo mínima. ^{[ 20 ]}

En 2005, Resident Evil 4 implementó un sistema llamado "Escala de Dificultad", desconocido para la mayoría de los jugadores, ya que la única mención del mismo se encontraba en la Guía Estratégica Oficial . Este sistema califica el desempeño del jugador en una escala numérica del 1 al 10 y ajusta tanto el comportamiento/ataques de los enemigos como su daño/resistencia en función del desempeño del jugador (como muertes, ataques críticos, etc.). Los niveles de dificultad seleccionados fijan a los jugadores en un número determinado; por ejemplo, en dificultad Normal, se comienza en el Grado 4, se puede bajar al Grado 2 si se juega mal o subir al Grado 7 si se juega bien. Los grados entre las dificultades pueden superponerse. ^{[ 21 ]}

God Hand , un videojuego de 2006 desarrollado por Clover Studio , dirigido por Shinji Mikami (director de Resident Evil 4) y publicado por Capcom para PlayStation 2 , incluye un indicador durante el juego que regula la inteligencia y la fuerza de los enemigos. Este indicador aumenta cuando el jugador esquiva y ataca con éxito a los oponentes, y disminuye cuando el jugador es golpeado. El indicador está dividido en cuatro niveles, siendo el más difícil "Nivel DIE". El juego también cuenta con tres niveles de dificultad: en el nivel fácil, el indicador solo puede llegar hasta el nivel 2, mientras que en el nivel más difícil se bloquea en el nivel DIE. Este sistema también ofrece mayores recompensas al derrotar enemigos de niveles superiores.

El videojuego Left 4 Dead de 2008 utiliza una tecnología de inteligencia artificial denominada "El Director de IA". ^{[ 22 ]} El Director de IA se utiliza para generar proceduralmente una experiencia diferente para los jugadores cada vez que juegan. Monitorea el rendimiento de cada jugador y su capacidad de trabajo en equipo para marcar el ritmo del juego, determinando la cantidad de zombis que atacan a los jugadores y la ubicación de los encuentros con jefes infectados según la información recopilada. El Director también determina la velocidad con la que los jugadores avanzan por el nivel hacia cada objetivo; si detecta que los jugadores se han quedado en un lugar demasiado tiempo o no están progresando lo suficiente, invocará una horda de infectados comunes para obligar a los jugadores y personajes controlados por IA presentes a moverse de su ubicación actual y combatir la nueva amenaza. Además de marcar el ritmo, el Director también controla algunos elementos de vídeo y audio del juego para ambientar un encuentro con un jefe o para dirigir la atención de los jugadores a un área determinada. ^{[ 23 ]} Valve llama a la forma en que el Director está trabajando " narrativa procedimental " porque en lugar de tener un nivel de dificultad que simplemente aumenta hasta un nivel constante, la IA analiza cómo les fue a los jugadores en el juego hasta el momento e intenta agregar eventos posteriores que les darían un sentido de narrativa. ^{[ 24 ]}

Madden NFL 09 introduce "Madden IQ", que comienza con una prueba opcional sobre el conocimiento del jugador del deporte y sus habilidades en diversas situaciones. La puntuación se utiliza para controlar la dificultad del juego. ^{[ 25 ] [ 26 ]}

En el juego de combinar 3 Fishdom , el límite de tiempo se ajusta según el desempeño del jugador. Si el jugador falla un nivel, el límite de tiempo aumenta, lo que permite que cualquier jugador pueda superarlo tras varios intentos.

En el videojuego Homeworld de 1999 , el número de naves con las que comienza la IA en cada misión depende de la potencia que el juego le atribuya a la flota del jugador. Los jugadores exitosos tienen flotas más grandes porque sufren menos bajas. De esta forma, un jugador que tenga éxito en varias misiones se enfrentará a desafíos cada vez mayores a medida que avance el juego.

En Fallout: New Vegas y Fallout 3 , a medida que el jugador sube de nivel, aparecen variantes más resistentes de enemigos, enemigos con mejores estadísticas y armas, o nuevos enemigos que reemplazan a los antiguos para mantener una dificultad constante. Esta dificultad se puede aumentar mediante un control deslizante, obteniendo bonificaciones de experiencia, y viceversa en Fallout 3. Esto también es posible en New Vegas , pero no hay ninguna bonificación por aumentar o disminuir la dificultad.

La serie Mario Kart incluye objetos durante las carreras que ayudan a cada piloto a adelantarse a sus oponentes. Estos objetos se distribuyen según la posición del piloto, lo que constituye un ejemplo de equilibrio dinámico de la dificultad del juego. Por ejemplo, un piloto cerca de la parte baja de la parrilla probablemente obtendrá un objeto que aumentará drásticamente su velocidad o disminuirá considerablemente la de sus oponentes, mientras que un piloto en primer o segundo lugar rara vez recibirá este tipo de objetos (y probablemente obtendrá los más débiles del juego). Los pilotos controlados por la IA también se adaptan a la velocidad del jugador: reducen la velocidad cuando el piloto que va en cabeza se queda muy atrás del mejor piloto controlado por la IA, y viceversa, a medida que los pilotos rivales se acercan al jugador que va en primer lugar.

• Nivel de dificultad
• Jugabilidad no lineal
• Equilibrio del juego
• Inteligencia artificial en juegos
• Flujo (psicología)
• Nintendo difícil
• FIFA (serie de videojuegos)

• Hunicke, Robin (2005). "Argumentos a favor del ajuste dinámico de la dificultad en los juegos". Actas de la Conferencia Internacional ACM SIGCHI de 2005 sobre Avances en la tecnología del entretenimiento informático . Nueva York: ACM. pp. 429–433 . doi : 10.1145/1178477.1178573 . 
• Byrne, Edward (2004). Diseño de niveles de juego . Charles River Media. pág . 74. ISBN  1-58450-369-6.
• Chen, Jenova (2006). "Flow in Games" .

• "Ajuste dinámico de la dificultad" . Wiki de la ontología del juego . Archivado del original el 13 de agosto de 2010.