AI能否提示人类？多模态代理提示玩家的游戏动作并展示后果以提高可持续性意识

研究背景与问题

作者发现的问题或挑战

• 长期性与难以察觉的后果：不可持续行为的后果通常长期并且难以察觉，导致公众在日常生活中难以直观理解其影响。
• 传统游戏的局限性：传统严肃游戏依赖预设选项和有限交互方式，无法充分反映玩家的真实生活意图与行动。此外，这种方式也可能无法有效缩小虚拟环境与现实生活中行为之间的差距。

为什么这个问题重要

• 应对环境危机的必要性：随着全球气候变化和环境退化问题的加剧，培养公众的可持续行为意识变得尤为关键。
• 教育和影响的潜力：游戏作为教育工具，可以通过角色扮演和虚拟世界的即时反馈来直观展示现实行为的后果，从而潜在地激发行为改变。

研究动机与相关工作

• 大语言模型（LLM）的新机会：生成式人工智能（Generative AI）和大语言模型的新技术提供了模拟人类行为后果和丰富交互体验的可能性。
• 现有工作中的差距：虽然已有旨在提高可持续意识的游戏存在，但它们面临复杂交互机制和高学习成本的问题，无法吸引更广泛的受众。

解决方案

作者提出的方法或解决方案

• EcoEcho游戏设计：开发了一款基于生成式AI的虚拟角色扮演游戏，结合多模式代理（如视觉、听觉和对话），旨在通过实时行动-后果机制提高玩家对可持续发展的意识。

解决方案的创新之处

1. 基于生成式AI的对话系统：利用自定义的NPC交互，玩家可以通过自然语言与系统交流，其行为被直接映射为游戏中的动作。
2. 行动后果反馈：游戏通过逐步变化的环境视觉效果（如污染程度加剧）来动态反馈玩家的行为后果。
3. 嵌入式评估功能：通过在游戏内多阶段的投票机制，实时捕捉玩家对可持续能源政策态度的变化。

实施步骤和关键技术

1. 游戏叙事设计：基于RECIPE框架，叙事聚焦于UN可持续发展目标中的“可负担和清洁能源”，通过时间旅行的故事让玩家在两个时代间展开行动。
2. 多模式代理与意图检测：
   • 通过Llama大语言模型和多模式生成工具（如DALL·E和Suno），为NPC设置专属角色和行为逻辑。
   • 使用意图检测系统，将玩家的语言输入解读为具体动作。
3. 用户评估与反馈迭代：
   • 使用问卷、半结构化访谈和嵌入式游戏行为追踪来量化游戏对意识和行为的影响。

研究成果

取得的具体成果

1. 行为意图显著增加：实验结果显示，玩完游戏后，参与者在可持续行为意图（General Ecological Behavior, GEB）上的得分显著提升，但在生态态度（New Ecological Paradigm, NEP）上的变化较小。
2. 游戏促进了多维度思考：玩家在访谈中提到，与不同NPC的互动使得他们能从多角度看待可持续议题，如社会公平、技术创新和政策制定等问题。
3. 潜在现实行为影响：不少玩家提到游戏使他们更关注现实生活中的可持续行为，例如减少使用塑料、购买电动汽车等。

与现有解决方案相比的优势

• 降低学习曲线：使用自然语言交互代替复杂的机制，吸引了非游戏玩家参与。
• 即时行为反馈：通过动态的环境变化强化了行为的可见后果，提升了参与者的反思深度。
• 个性化叙述体验：AI驱动的NPC增强了叙事的沉浸感和多样性。

实验或评估结果

• 行为变化：GEB分数从3.40显著提升到4.09，证明游戏在短期内能显著改变行为意图。
• 态度保持稳定：NEP分数虽有轻微上升，但未达到统计显著性，暗示态度改变可能需要更长时间的干预。

局限性与未来方向

1. 样本的代表性：参与者大多为年轻、高学历的技术熟练者，可能导致结果偏向。
2. 时间限制：短期实验无法完全验证游戏对长期行为改变的影响。
3. 对话与叙事深度：玩家希望NPC互动更加深入，与角色背景和核心议题更紧密相关。
4. 对控制实验的需求：未来研究需设置更多对照组以排除外部因素对结果的影响。
5. 生成式AI的局限性：例如AI生成的视觉与叙事表现的质量不够稳定，需要进一步优化。

通过EcoEcho的案例，该研究展示了生成式AI在严肃游戏教育中的潜力，同时也强调了人机交互设计、AI伦理和可持续性方面的潜在挑战，为未来的实践提供了重要启示。