击杀、死亡和（计算）助攻：识别电子竞技学习中计算支持的机会

文献标题

Kills, Deaths, and (Computational) Assists: Identifying Opportunities for Computational Support in Esport Learning

文献信息

• 主题领域: 电竞中的技能学习与计算工具支持
• 关键词: 电竞, 计算支持, 人工智能助手, 数据可视化, 数据驱动工具, 学习, 专业技能, 访谈研究, 定性方法

研究背景与问题

• 作者发现了哪些问题或挑战？
  • 电竞玩家在学习和精通游戏时面临诸多挑战，包括缺乏明确的学习路径、难以获得学习资源以及高水平游戏的复杂性。
  • 针对电竞学习的计算支持工具往往基于高层次的理解，而缺乏对具体玩家活动和挑战的深入分析。
• 为什么这个问题很重要？
  • 电竞已经被证明可以培养多种实际技能，如情绪调节、快速反应等。通过改善学习和技能获得的体验，可以使更广泛的游戏玩家受益，从而增加高水平电竞游戏及其带来的潜在好处的可及性。
• 研究动机与相关工作
  • 现有研究更多集中于描述专家玩家的技能，而较少关注玩家如何获得这些技能以及过程中面临的具体挑战。
  • 体育领域的相关研究表明，目标设定、团队合作和反思对技能提升至关重要，但这些研究的发现能否直接应用于电竞仍存在未知数。

解决方案

• 作者提出了哪些方法或解决方案？
  • 通过对 17 名电竞玩家的定性访谈研究，分析他们在学习和精通电竞过程中采取的活动和面临的挑战。
  • 提出六项设计和开发计算支持工具的高层次建议。
• 该解决方案的创新之处是什么？
  • 将玩家访谈与定性分析相结合，首次系统总结了非专家玩家在电竞学习中从事的具体活动和面临的具体挑战。
  • 强调以玩家为中心的计算工具设计理念，为未来设计可满足玩家学习需求的工具提供了坚实基础。
• 实施步骤是什么？使用了哪些关键技术？
  • 设计并运行了访谈研究，收集玩家关于目标、实践活动、挑战和对计算支持工具想法的反馈。
  • 使用迭代主题分析方法对访谈数据进行解析，以识别玩家的关键活动和困难。

研究成果

• 取得了哪些具体成果？
  • 定义了四种玩家在学习和精通电竞过程中从事的关键活动：
    1. 练习：通过游戏内实践和训练模式提高技能。
    2. 利用他人知识：通过与训练伙伴、团队成员和观看他人游戏来获取知识。
    3. 追踪表现：利用游戏内和游戏外数据跟踪自己的进步。
    4. 反思游戏并设定目标：回顾游戏表现以识别错误，设定未来的游戏目标。
  • 总结了玩家在学习过程中面临的四大挑战：
    1. 团队协调和协作：相互沟通和协调不畅。
    2. 选择下一步行动：在实时决策中遇到困难。
    3. 跟踪游戏状态：无法有效理解复杂的游戏信息。
    4. 追踪技能和改进：难以客观评估自身表现和识别错误。
  • 提出了六个用于未来工具设计和开发的高层次建议：
    1. 提供基于数据的表现评估。
    2. 运用可解释的人工智能(XAI)以增进信任。
    3. 开发更接近真人操作的 AI 对手。
    4. 实时数据追踪可替代直接玩家沟通。
    5. 状态追踪功能可增强情境感知。
    6. 将支架学习和共调学习应用于决策支持系统。
• 与现有解决方案相比，它有哪些优势？
  • 明确了玩家学习活动和挑战的细节，使得计算支持工具能够更有针对性地满足玩家需求。
  • 提出了比高层次理解更深层和人性化的工具设计原则。
• 实验或评估结果是什么？
  • 在 17 名玩家样本中，对编码的主题进行了量化与验证，发现这些活动与挑战在所有参与者中均有体现。
  • 研究详细探讨了现有挑战的潜在计算支持解决方案。
• 局限性与未来方向
  • 招募对象的样本量有限，进一步研究可以扩大参与者数量以发现与职业水平相关的模式。
  • 数据分析结果可能不能完全概括所有电竞类别，例如没有代表足球类电竞游戏的参与者。
  • 下一步工作希望与现有的计算支持工具对比，评估其实际效果；同时也探讨研究是否可推广至其他动态领域（如灾难救援）。