La necessità dell’apprendimento nei videogame

Proseguiamo, dopo l’articolo precedente, ad esplorare il mondo dell’apprendimento applicato ai videogame.

Secondo Raph Koster, un gioco è divertente perché apprendiamo il gioco durante la partita; col tempo capiamo e impariamo i pattern che sottostanno al gioco, e alla fine lo comprendiamo in ogni suo aspetto. Ciò richiede che il livello di sfida sia sempre adeguato, e che siano continuamente disponibili nuovi pattern da apprendere. È importante notare che che i giochi possono ancora essere divertenti anche dopo che si è capito come batterli, finché è possibile
per il giocatore imparare come giocare ancora meglio e finché i giochi offrono nuove sfide [1].
Tale comportamento del giocatore è modellizzato secondo il ciclo di competenze acquisite definito da Gee [2]: la competenza in un’area si forma praticando un insieme di abilità, finché queste non diventano quasi automatiche. Modificando l’ambiente, le abilità acquisite non sono più efficaci e l’individuo è costretto ad apprenderne di nuove. I giochi coinvolgenti sono quelli che creano e supportano questo ciclo della competenza. Per generare questo ciclo è necessario che il gioco capisca quando il giocatore ha raggiunto il limite di una competenza, e produca nuove sfide adatte al suo livello di abilità.

Un approccio naturale per affrontare il problema dell’adattamento è l’apprendimento automatico [3]. In particolare, l’apprendimento per rinforzo è specialmente adatto ad applicazioni come i videogiochi. Prima di tutto, a differenza dell’apprendimento supervisionato, esso non richiede esempi di comportamento ottimale, essendo in grado di trovare strategie ottime per tentativi, e riducendo quindi gli sforzi necessari a costruire l’IA del gioco. Inoltre, può essere applicato online, durante la fase di sviluppo del gioco, e in seguito migliorarsi continuamente dopo il suo rilascio [4].

L'interazione agente-ambiente all'interno dell'apprendimento per rinforzo (6)

In base a queste informazioni possiamo stabilire che l’andamento ideale di un gioco, affinché sia coinvolgente, debba possedere un doppio ciclo di apprendimento:

• il giocatore deve imparare a giocare in risposta a una certa situazione di gioco;
• il gioco deve capire quando il giocatore ha raggiunto il massimo livello di abilità in quella determinata situazione (tale massimo non è unico, ma è caratteristico per ogni individuo);
• il gioco deve imparare a modificarsi per offrire nuove sfide, prima che il giocatore incorra nella noia. Le nuove sfide devono essere bilanciate in base all’abilità raggiunta dal giocatore, per evitare che egli sia frustrato o, al contrario, poco stimolato.

Nel prossimo articolo analizzeremo nel dettaglio questa situazione, per poi passare a formalizzarla come sistema di apprendimento.

Riferimenti bibliografici:
[1] R. Koster. A theory of fun for game design. Paraglyph press, 2005.
[2] J.P. Gee. Learning by design: Games as learning machines. Interactive
Educational Multimedia, 8:1523, 2004.
[3] P. Langley. Machine learning for adaptive user interfaces. Proceedings
of the 21st German Annual Conference on Artificial Intelligence, pages
5362, 1997.
[4] J. Manslow. Using reinforcement learning to solve AI control problems.
AI Game Programming Wisdom, 2:591601, 2004.
[5] J. Togelius. Optimization, Imitation and Innovation: Computational Intelligence and Games. PhD thesis, University of Essex, 2007.
[6] R. S. Sutton and A. G. Barto. Reinforcement Learning: An Introduction. The MIT Press, March 1998.