Dynamische Spielschwierigkeitsanpassung ( DGDB ), auch bekannt als dynamische Schwierigkeitsanpassung ( DDA ), adaptive Schwierigkeit oder dynamische Spielbalance ( DGB ), ist der Prozess, Parameter, Szenarien und Verhaltensweisen in einem Videospiel in Echtzeit automatisch an die Fähigkeiten des Spielers anzupassen. Ziel ist es, Langeweile durch zu einfaches und Frustration durch zu schwieriges Spiel zu vermeiden. Die dynamische Spielschwierigkeitsanpassung soll das Interesse des Spielers während des gesamten Spiels aufrechterhalten, indem ein angemessener Schwierigkeitsgrad geboten wird.

Dynamische Spielelemente

Zu den Spielelementen, die durch dynamische Schwierigkeitsanpassung verändert werden könnten, gehören:

  • Geschwindigkeit der Feinde
  • Gesundheit der Feinde
  • Häufigkeit der Feinde
  • Häufigkeit der Einschaltvorgänge
  • Stärke des Spielers
  • Macht der Feinde
  • Dauer des Spielerlebnisses

Ansätze

Während Spieler mit einem Spiel arbeiten, sollten ihre Punktzahlen eine stetige Verbesserung widerspiegeln. Anfänger sollten Fortschritte erzielen, Fortgeschrittene mittlere Punktzahlen erreichen und erfahrene Spieler hohe Punktzahlen erzielen. Idealerweise erfolgt der Fortschritt automatisch; die Spieler beginnen auf Anfängerniveau, und die fortgeschrittenen Funktionen werden freigeschaltet, sobald der Computer ein fortgeschrittenes Spiel erkennt.

— Chris Crawford , 1982 [ 1 ]

In der Literatur finden sich verschiedene Ansätze zur dynamischen Balance des Schwierigkeitsgrades in Spielen. In allen Fällen ist es notwendig, den Schwierigkeitsgrad, dem der Spieler in einem bestimmten Moment begegnet, implizit oder explizit zu messen. Diese Messung kann mithilfe einer heuristischen Funktion erfolgen, die von einigen Autoren als „Herausforderungsfunktion“ bezeichnet wird. Diese Funktion ordnet einem gegebenen Spielzustand einen Wert zu, der angibt, wie leicht oder schwer sich das Spiel für den Spieler in diesem Moment anfühlt. Beispiele für verwendete Heuristiken sind:

  • Die Quote erfolgreicher Schüsse oder Treffer
  • Die Anzahl der gewonnenen und verlorenen Spielsteine
  • Lebenspunkte
  • Evolution
  • Zeit, eine Aufgabe zu erledigen

… oder jede andere Kennzahl, die zur Berechnung des Spielstandes verwendet wird . Chris Crawford sagte: „Wenn ich den typischen Spielstand eines Spielers in Abhängigkeit von der Spielzeit grafisch darstellen würde, sollte die Kurve gleichmäßig und stetig ansteigen. Ich bezeichne ein solches Spiel als positiv monoton.“ Spiele ohne eine solche Kurve wirken „entweder zu schwer oder zu leicht“, sagte er. [ 1 ]

Der Ansatz von Hunicke und Chapman [ 2 ] passt die Spielumgebung an, um Herausforderungen leichter oder schwerer zu gestalten. Ist das Spiel beispielsweise zu schwer, erhält der Spieler mehr Waffen, regeneriert Lebenspunkte schneller oder trifft auf weniger Gegner. Obwohl dieser Ansatz effektiv sein kann, birgt seine Anwendung Risiken für unplausible Situationen. Ein direkterer Ansatz besteht darin, diese „Parametermanipulation“ mit Mechanismen zur Anpassung des Verhaltens der Nicht-Spieler-Charaktere (vom Computer gesteuerte und üblicherweise als intelligente Agenten modellierte Charaktere) zu kombinieren. Diese Anpassung sollte jedoch mit Bedacht erfolgen, um den Gummibandeffekt zu vermeiden. Ein Beispiel für diesen Effekt in einem Rennspiel wäre, dass die Fahrzeuge des KI-Fahrers deutlich schneller werden, wenn sie hinter dem Fahrzeug des Spielers fahren, und deutlich langsamer, wenn sie davor fahren – als ob ein großes Gummiband die beiden Fahrzeuge verbinden würde.

Eine traditionelle Implementierung der Intelligenz eines solchen Agenten besteht in der Verwendung von Verhaltensregeln, die während der Spielentwicklung definiert werden . Eine typische Regel in einem Kampfspiel lautet beispielsweise: „Schlag den Gegner, wenn er erreichbar ist, ansonsten verfolge ihn.“ Die Erweiterung dieses Ansatzes um die Modellierung des Gegners kann durch das dynamische Scripting von Spronck et al . [ 3 ] [ 4 ] erfolgen , das jeder Regel eine Wahrscheinlichkeit für ihre Anwendung zuweist. Die Gewichtung der Regeln kann im Spielverlauf dynamisch an die Fähigkeiten des Gegners angepasst werden, was zu einer Anpassung an den jeweiligen Spieler führt. Mit einem einfachen Mechanismus lassen sich Regeln auswählen, die Taktiken generieren, die weder zu stark noch zu schwach für den aktuellen Spieler sind.

Andrade et al. [ 5 ] unterteilen das DGB-Problem in zwei Dimensionen: Kompetenz (möglichst gut lernen) und Performance (notwendiges Handeln). Diese Dichotomie zwischen Kompetenz und Performance ist in der Linguistik wohlbekannt und wurde, wie von Noam Chomsky [ 6 ] vorgeschlagen , eingehend untersucht . Ihr Ansatz begegnet beiden Dimensionen mit Reinforcement Learning (RL). Offline-Training dient dem Start des Lernprozesses. Dies kann durch Selbstlernen des Agenten, Training gegen andere vorprogrammierte Agenten oder menschliche Spieler erfolgen. Anschließend wird Online-Lernen eingesetzt, um die anfänglich integrierte Intelligenz kontinuierlich an jeden spezifischen menschlichen Gegner anzupassen und so die geeignetste Strategie zu ermitteln. Bezüglich der Performance besteht ihr Ansatz darin, eine adäquate Strategie für die Auswahl von Aktionen zu finden, die ein gutes Spielgleichgewicht gewährleisten, d. h. Aktionen, die Agent und menschlichen Spieler auf einem annähernd gleichen Leistungsniveau halten. Je nach Schwierigkeitsgrad des Spielers wählt der Agent Aktionen mit hoher oder niedriger erwarteter Performance. Ist der Schwierigkeitsgrad einer Spielsituation zu hoch, wählt der Agent nicht die optimale Aktion (die vom RL-Framework bereitgestellt wird), sondern zunehmend weniger suboptimale Aktionen, bis seine Leistung der des Spielers entspricht. Ist der Schwierigkeitsgrad hingegen zu niedrig, wählt er Aktionen mit höheren Werten, gegebenenfalls bis er die optimale Leistung erreicht.

Demasi und Cruz [ 7 ] entwickelten intelligente Agenten mithilfe genetischer Algorithmen , um Agenten zu erhalten, die optimal zum Benutzerniveau passen. Online-Koevolution beschleunigt den Lernprozess. Dabei dienen vordefinierte Modelle (Agenten mit vorteilhaften genetischen Eigenschaften) als Eltern in den genetischen Operationen, wodurch die Evolution beeinflusst wird. Diese Modelle werden offline trainiert oder, bei ausreichend einfacher genetischer Kodierung des Agenten, manuell erstellt.

Andere Arbeiten im Bereich der dynamischen Spieltheorie (DGB) basieren auf der Hypothese, dass die Interaktion zwischen Spieler und Gegner – und nicht die audiovisuellen Merkmale, der Kontext oder das Genre des Spiels – den größten Anteil an den Qualitätsmerkmalen des Unterhaltungswerts eines Computerspiels ausmacht. [ 8 ] Auf dieser grundlegenden Annahme aufbauend wurde eine Metrik zur Messung des Echtzeit-Unterhaltungswerts von Jäger-Beute-Spielen eingeführt und durch Validierung anhand menschlicher Beurteilungen als effizient und zuverlässig etabliert.

Weitere Studien von Yannakakis und Hallam [ 9 ] haben gezeigt, dass künstliche neuronale Netze (KNN) und Fuzzy-Netze die Spielerzufriedenheit besser schätzen können als von Menschen entwickelte Modelle, vorausgesetzt, es liegen geeignete Schätzwerte für Herausforderung und Neugier (intrinsische qualitative Faktoren für fesselndes Gameplay nach Malone) [ 10 ] des Spiels sowie Daten zu den Präferenzen menschlicher Spieler vor. Der Ansatz, Nutzermodelle von Spielern zu erstellen, die vorhersagen können, welche Spielvarianten mehr oder weniger Spaß machen, wird als Entertainment-Modellierung bezeichnet . Das Modell wird üblicherweise mithilfe von Machine-Learning- Verfahren erstellt, die auf Spielparameter angewendet werden, welche aus der Spieler-Spiel-Interaktion [ 11 ] und/oder statistischen Merkmalen der während des Spiels aufgezeichneten physiologischen Signale des Spielers abgeleitet werden [ 12 ] . Dieser grundlegende Ansatz ist auf eine Vielzahl von Spielen anwendbar, sowohl Computerspiele [ 9 ] als auch physische Spiele.

Vorbehalte

Es ist schwierig, ein faires, aber nicht vorhersehbares Spiel zu entwickeln. [ 13 ] Andrew Rollings und Ernest Adams führen ein Beispiel an, bei dem der Schwierigkeitsgrad jedes Levels an die Leistung des Spielers in mehreren vorhergehenden Levels angepasst wurde. Die Spieler bemerkten dies und entwickelten eine Strategie, um schwierige Levels zu meistern, indem sie in den vorherigen Levels absichtlich schlecht spielten. Die Autoren betonen, wie wichtig es ist, diese Anpassung des Schwierigkeitsgrades zu verschleiern, damit die Spieler sie nicht bemerken. [ 14 ]

Verwendung in Videospielen

Dynamischer Schwierigkeitsgrad (DDA) bezeichnet automatische Anpassungen, die das Spiel je nach Spielerleistung leichter oder schwerer gestalten. Im Gegensatz dazu scheint eine betrügerische KI realistische Spielmechaniken außer Kraft zu setzen und der KI dadurch unfaire Vorteile zu verschaffen. Manche Spiele kombinieren beide Systeme.

Ein frühes Beispiel für die Anpassung des Schwierigkeitsgrades findet sich in Zanac , entwickelt 1986 von Compile . Das Spiel verfügte über eine einzigartige adaptive künstliche Intelligenz , die den Schwierigkeitsgrad automatisch an das Können des Spielers, seine Feuerrate und den aktuellen Verteidigungsstatus bzw. die Verteidigungsfähigkeit des Schiffs anpasste. Noch früher gab es ein ähnliches Spiel im Arcade-Automatenspiel Gun Fight von Midway aus dem Jahr 1975. In diesem Shoot-'em-up-Spiel wurde dem gerade getroffenen Spieler geholfen, indem auf seiner Spielfeldhälfte ein zusätzliches Objekt, beispielsweise ein Kaktus, platziert wurde, wodurch er sich leichter verstecken konnte.

Der Computergegner in Archon passt sich mit der Zeit an, um den Spielern beim Besiegen zu helfen. [ 15 ] Danielle Bunten hat sowohl MULE als auch Global Conquest so konzipiert , dass das Gameplay zwischen den Spielern dynamisch ausbalanciert wird. Zufallsereignisse werden so angepasst, dass der Führende nie Glück und der Letztplatzierte nie Pech hat. [ 16 ]

Das erste Crash Bandicoot- Spiel und seine Nachfolger nutzen ein System zur dynamischen Schwierigkeitsanpassung, das Hindernisse verlangsamt, zusätzliche Trefferpunkte gewährt und Continues entsprechend der Anzahl der Tode des Spielers hinzufügt. Laut dem leitenden Spieledesigner Jason Rubin war das Ziel, „schwächeren Spielern zu helfen, ohne das Spiel für bessere Spieler zu verändern“. [ 17 ]

Sowohl Insomniac Games als auch die Spyro the Dragon- und Ratchet & Clank -Reihen nutzen einen dynamischen Schwierigkeitsgrad mit einem System namens Automatic Challenge Tuning (ACT). In den ersten Versionen dieser Spiele führten Fehlfunktionen dieses Systems aufgrund von Programmierfehlern mitunter dazu, dass Spieler das Spiel nicht zu 100 % abschließen konnten. [ 18 ] [ 19 ]

Das Videospiel Flow erlangte Bekanntheit, indem es mit seiner Flash-Version von 2006 die Anwendung mentaler Immersion (auch Flow genannt ) in Videospielen popularisierte. Das Spieldesign basierte auf der Masterarbeit eines der Entwickler und wurde später für die PlayStation 3 adaptiert .

Sin Episodes: Emergence, erschienen 2006, enthielt ein „Persönliches Herausforderungssystem“, bei dem Anzahl und Schwierigkeitsgrad der Gegner je nach Spielerleistung variierten, um den Schwierigkeitsgrad und das Spieltempo anzupassen. Der Entwickler Ritual Entertainment gab an, dass Spieler mit sehr unterschiedlichen Fähigkeiten das Spiel innerhalb eines kurzen Zeitabstands beenden konnten. [ 20 ]

Resident Evil 4 verwendete 2005 ein System namens „Schwierigkeitsgrad“, das den meisten Spielern unbekannt war, da es nur im offiziellen Strategiehandbuch erwähnt wurde . Dieses System bewertet die Leistung des Spielers auf einer Skala von 1 bis 10 und passt sowohl das Verhalten/die Angriffe der Gegner als auch deren Schaden/Resistenz basierend auf der Leistung des Spielers (z. B. Tode, kritische Treffer usw.) an. Die gewählten Schwierigkeitsgrade fixieren die Spieler auf einer bestimmten Stufe; beispielsweise beginnt man im normalen Schwierigkeitsgrad bei Stufe 4, kann bei schlechter Leistung auf Stufe 2 absteigen oder bei guter Leistung auf Stufe 7 aufsteigen. Die Stufen der verschiedenen Schwierigkeitsgrade können sich überschneiden. [ 21 ]

God Hand , ein 2006 von Clover Studio entwickeltes und von Shinji Mikami ( Regisseur von Resident Evil 4) inszeniertesVideospielfür die PlayStation 2 , verfügt über eine Anzeige, die die Intelligenz und Stärke der Gegner steuert. Diese Anzeige füllt sich, wenn der Spieler erfolgreich ausweicht und angreift, und verringert sich, wenn er getroffen wird. Sie ist in vier Stufen unterteilt, wobei die höchste Stufe „Stufe DIE“ heißt. Das Spiel bietet drei Schwierigkeitsgrade: Im leichten Modus kann die Anzeige nur bis Stufe 2 steigen, während sie im schwersten Modus auf Stufe DIE fixiert ist. Das System belohnt das Besiegen von Gegnern höherer Stufen mit größeren Belohnungen.

Das Videospiel Left 4 Dead aus dem Jahr 2008 nutzt eine künstliche Intelligenz namens „KI-Direktor“ [ 22 ] . Dieser generiert prozedural ein individuelles Spielerlebnis. Er analysiert die Leistung einzelner Spieler und deren Zusammenarbeit, um das Spieltempo zu steuern. Basierend auf diesen Informationen bestimmt er die Anzahl der angreifenden Zombies und die Positionen von Bosskämpfen. Der Direktor regelt außerdem, wie schnell die Spieler die einzelnen Level in Richtung ihrer Ziele durchqueren. Verweilen die Spieler zu lange an einem Ort oder kommen sie nicht schnell genug voran, beschwört er eine Horde gewöhnlicher Infizierter, um Spieler und KI-Charaktere zum Kampf gegen die neue Bedrohung zu zwingen. Neben der Steuerung des Spieltempos beeinflusst der Direktor auch Video- und Audioelemente, um die Atmosphäre eines Bosskampfes zu gestalten oder die Aufmerksamkeit der Spieler auf bestimmte Bereiche zu lenken. [ 23 ] Valve bezeichnet die Funktionsweise des Directors als „ prozedurale Erzählung “, da die KI, anstatt einen Schwierigkeitsgrad mit konstantem Niveau zu verwenden, analysiert, wie sich die Spieler bisher im Spiel geschlagen haben, und versucht, weitere Ereignisse hinzuzufügen, die ihnen ein narratives Gefühl vermitteln. [ 24 ]

Madden NFL 09 führt „Madden IQ“ ein, einen optionalen Test, der das Wissen des Spielers über den Sport und seine Fähigkeiten in verschiedenen Situationen prüft. Das Ergebnis bestimmt anschließend den Schwierigkeitsgrad des Spiels. [ 25 ] [ 26 ]

Im Match-3-Spiel Fishdom wird das Zeitlimit an die Leistung des Spielers angepasst. Scheitert ein Spieler an einem Level, verlängert sich das Zeitlimit, sodass jeder Spieler ein Level nach wenigen Versuchen schaffen kann.

Im Videospiel Homeworld von 1999 hängt die Anzahl der Schiffe, mit denen die KI zu Beginn jeder Mission startet, von der Stärke der Spielerflotte ab, die das Spiel einschätzt. Erfolgreiche Spieler verfügen über größere Flotten, da sie weniger Verluste erleiden. So wird ein Spieler, der mehrere Missionen erfolgreich meistert, im Laufe des Spiels immer stärker herausgefordert.

In Fallout: New Vegas und Fallout 3 werden mit steigendem Spielerlevel die älteren Gegner durch stärkere Varianten, Gegner mit besseren Werten und Waffen oder neue Gegner ersetzt, um einen gleichbleibenden Schwierigkeitsgrad zu gewährleisten. Dieser kann in Fallout 3 mithilfe eines Schiebereglers durch Erfahrungsboni erhöht und umgekehrt angepasst werden. In New Vegas ist dies ebenfalls möglich , allerdings gibt es keine Boni für das Erhöhen oder Verringern des Schwierigkeitsgrades.

Die Mario Kart- Reihe bietet während der Rennen Items, die den Fahrern helfen, sich einen Vorteil gegenüber ihren Gegnern zu verschaffen. Diese Items werden basierend auf der Platzierung des Fahrers verteilt, was ein Beispiel für dynamisches Spiel-Schwierigkeits-Balancing ist. So erhält beispielsweise ein Fahrer im hinteren Feld wahrscheinlich ein Item, das seine Geschwindigkeit drastisch erhöht oder die seiner Gegner stark verringert, während ein Fahrer auf Platz eins oder zwei solche Items nur selten erhält (und wahrscheinlich die schwächeren Items des Spiels bekommt). Die Computergegner passen sich ebenfalls der Geschwindigkeit des Spielers an – sie verlangsamen, wenn der führende Spieler zu weit hinter dem besten Computergegner liegt, und umgekehrt – wenn die rivalisierenden Computergegner den führenden Spieler einholen.

Angeblicher Einsatz zur Beeinflussung des Kaufverhaltens von Spielern

Im Jahr 2020 wurde in einer Sammelklage vor dem US-Bezirksgericht für den nördlichen Bezirk von Kalifornien der Spieleentwickler Electronic Arts beschuldigt, seine patentierte Technologie zur dynamischen Schwierigkeitsanpassung in drei seiner EA-Sports- Franchises – Madden NFL , FIFA und NHL – seit den Versionen von 2017 einzusetzen . Die Kläger behaupten, EA nutze diese Technologie, um Spieler zum Kauf von Lootboxen in Form von Spielerpaketen zu verleiten , wodurch selbst Spieler mit hohen Werten nicht ihr volles Potenzial ausschöpfen könnten.

Die Klage führt außerdem an, dass EA diese Technologie einsetzt, ohne die Spieler darüber zu informieren, und verweist darauf, dass EA deren Verwendung in der Vergangenheit in mehreren in der Klage genannten Spielen bestritten hat. Auf die Vorwürfe angesprochen, bezeichnete EA diese als „haltlos“ und erklärte, sie würden „unsere Spiele falsch darstellen“. [ 27 ] [ 28 ] [ 29 ] Die Kläger zogen die Klage 2021 freiwillig zurück. [ 30 ]

Siehe auch

Referenzen

  1. ^ a b Crawford, Chris (Dezember 1982). „Design Techniques and Ideas for Computer Games“ . BYTE . S. 96. Abgerufen am 19. Oktober 2013 .
  2. ^ Robin Hunicke; V. Chapman (2004). „KI zur dynamischen Schwierigkeitsanpassung in Spielen“. Challenges in Game Artificial Intelligence AAAI Workshop . San Jose. S.  91–96 .{{cite book}}CS1 Wartung: Standort des fehlenden Herausgebers ( Link )
  3. ^ Pieter Spronck, archiviert am 10.12.2008 in der Wayback Machine vom Tilburg Centre for Creative Computing
  4. ^ P. Spronck; I. Sprinkhuizen-Kuyper; E. Postma (2004). „Schwierigkeitsskalierung von Spiel-KI“. Tagungsband der 5. Internationalen Konferenz über Intelligente Spiele und Simulation . Belgien. S.  33–37 .{{cite book}}CS1 Wartung: Standort des fehlenden Herausgebers ( Link )
  5. ^ G. Andrade; G. Ramalho; H. Santana; V. Corruble (2005). „Herausforderungssensitive Aktionsauswahl: Eine Anwendung auf das Spielbalancing“. Proceedings der IEEE/WIC/ACM International Conference on Intelligent Agent Technology (IAT-05) . Compiègne, Frankreich: IEEE Computer Society. S.  194–200 .
  6. ^ Chomsky, Noam. (1965). Aspekte der Syntax-Theorie . Cambridge, MA: MIT Press.
  7. ^ P. Demasi; A. Cruz (2002). „Online-Koevolution für Aktionsspiele“. Proceedings der 3. Internationalen Konferenz über Intelligente Spiele und Simulation . London. S.  113–120 .{{cite book}}CS1 Wartung: Standort des fehlenden Herausgebers ( Link )
  8. ^ G. N. Yannakakis; J. Hallam (13.–17. Juli 2004). „Entwicklung von Gegnern für interessante interaktive Computerspiele“. Tagungsband der 8. Internationalen Konferenz zur Simulation adaptiven Verhaltens (SAB’04); From Animals to Animats 8. Los Angeles, Kalifornien, USA: The MIT Press. S.  499–508 .
  9. ^ a b G. N. Yannakakis; J. Hallam (18.–20. Mai 2006). „Towards Capturing and Enhancing Entertainment in Computer Games“. Proceedings of the 4th Hellenic Conference on Artificial Intelligence, Lecture Notes in Artificial Intelligence . Heraklion, Kreta, Griechenland: Springer-Verlag. S.  432–442 .
  10. ^ Malone, TW (1981). „Was macht Computerspiele unterhaltsam?“. Byte . 6 : 258– 277.
  11. Wheat , D.; Masek, M.; Lam, C. P.; Hingston, P. (2015). „Dynamische Schwierigkeitsanpassung in 2D-Plattformern durch agentenbasierte prozedurale Levelgenerierung“. 2015 IEEE International Conference on Systems, Man, and Cybernetics . S.  2778–2785 . doi : 10.1109/SMC.2015.485 . ISBN 978-1-4799-8697-2. S2CID  19949213 .
  12. ^ Chanel, Guillaume; Rebetez, Cyril; Betrancourt, Mireille; Pun, Thierry (2011). „Emotion Assessment from Physiological Signals for Adaptation of Game Difficulty“. IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans . 41 (6): 1052–1063 . CiteSeerX 10.1.1.650.5420 . doi : 10.1109/TSMCA.2011.2116000 . S2CID 8681078 .  
  13. ^ Barry, Tim (11.05.1981). „Auf der Suche nach dem ultimativen Computerspiel“ . InfoWorld . S. 11, 48. Archiviert vom Original am 14.02.2023 . Abgerufen am 17.04.2019 .
  14. ^ A. Rollings; E. Adams. „Gameplay“ (PDF) . Andrew Rollings und Ernest Adams über Spieldesign . New Riders Press. Archiviert vom Original (PDF) am 1. Mai 2021. Abgerufen am 23. Dezember 2014 .
  15. ^ Bateman, Selby (November 1984). „Free Fall Associates: Die Entwickler von Archon und Archon II: Adept“ . Compute!'s Gazette . S. 54. Abgerufen am 6. Juli 2014 .
  16. ^ „Designing People…“ Computer Gaming World . August 1992. S.  48–54 . Archiviert vom Original am 2. Juli 2014. Abgerufen am 3. Juli 2014 .
  17. ^ Gavin, Andy (07.02.2011). „Die Entstehung von Crash Bandicoot – Teil 6“ . All Things Andy Gavin. Archiviert vom Original am 07.07.2011 . Abgerufen am 03.09.2016 .
  18. ^ „PS1 Bugs - Spyro 3 Guide“ . IGN . 29. Oktober 2018.
  19. ^ „Wie Ratchet & Clank heimlich den Schwierigkeitsgrad ändert“ . 10. Dezember 2023.
  20. ^ Monki (22.05.2006). „Monki interviewt Tom Mustaine von Ritual über SiN: Emergence“ . Ain't It Cool News . Archiviert vom Original am 23.08.2006 . Abgerufen am 24.08.2006 .
  21. ^ Resident Evil 4: Der offizielle Strategieführer . Future Press. 4. November 2005.
  22. ^ „Left 4 Dead“ . Valve . Archiviert vom Original am 27.03.2009.
  23. ^ „Left 4 Dead Hands-on Preview“ . Left 4 Dead 411. Archiviert vom Original am 20.02.2012 . Abgerufen am 16.03.2009 .
  24. ^ Newell, Gabe (21. November 2008). „Gabe Newell schreibt für Edge“ . edge-online.com . Abgerufen am 22. November 2008 .{{cite web}}CS1-Wartung: Veralteter Archivierungsdienst ( Link )
  25. ^ "„Madden NFL 09 Preseason Report“, 25. April 2008. Archiviert vom Original am 14. Februar 2023. Abgerufen am 25. Mai 2015 .
  26. ^ "„Madden NFL 09 – Erste Eindrücke“, 22. Mai 2008. Archiviert vom Original am 14. Februar 2023. Abgerufen am 25. Mai 2015 .
  27. ^ Valentine, Rebekah. „EA sieht sich einer weiteren Sammelklage im Zusammenhang mit Lootboxen gegenüber“ . GamesIndustry.biz . Archiviert vom Original am 12.11.2020 . Abgerufen am 12. November 2020 .
  28. ^ Hetfeld, Malindy (12. November 2020). „Sammelklage behauptet, EAs dynamische Schwierigkeitstechnologie fördere den Kauf von Lootboxen“ . PC Gamer . Archiviert vom Original am 12. November 2020. Abgerufen am 12. November 2020 .
  29. ^ McAloon, Alissa. „Sammelklage wirft EA vor, den Schwierigkeitsgrad des Spiels geändert zu haben, um Lootboxen zu fördern“ . www.gamasutra.com . Archiviert vom Original am 11. November 2020. Abgerufen am 12. November 2020 .
  30. ^ Fitzgerald, Jack (11.02.2021). „Mitteilung über die freiwillige Rücknahme einer Klage ohne Präjudiz“ (PDF) . RECAP-Archiv .

Weiterführende Literatur

  • Hunicke, Robin (2005). „Argumente für eine dynamische Schwierigkeitsanpassung in Spielen“. In: Proceedings of the 2005 ACM SIGCHI International Conference on Advances in computer entertainment technology . New York: ACM. S.  429–433 . doi : 10.1145/1178477.1178573 .
  • Byrne, Edward (2004). Game Level Design . Charles River Media. S.  74. ISBN 1-58450-369-6Die
  • Chen, Jenova (2006). „Flow in Games“ .