Modellare la curva di apprendimento

Quello che state per leggere fa parte di una serie di articoli estratti dal mio lavoro “Progettare giochi da tavolo”. Si tratta di un progetto di cui ho parlato in questo post sul forum della Tana dei Goblin.

L’idea è quella di estrarre dai libri alcuni paragrafi che trattano argomenti ritenuti da me di particolare interesse e di presentarli sottoforma di articoli. Se avete già letto i libri non troverete nulla di nuovo, ma se non li aveste ancora letti potreste trovare qualche spunto interessante.

Di seguito i sei articoli facenti parte di questa serie:
1 - Gli archi di gioco
2 - Progressione del gioco e dei giocatori
3 - Gestione dei pareggi
4 - La casualità come fonte di incertezza
5 - La tensione e la pressione
6 - Modellare la curva di apprendimento

In generale, il processo di apprendimento può essere inteso come il rapporto tra il tempo trascorso a studiare e la quantità di conoscenza appresa. Se applicato ai giochi da tavolo, il tempo può essere inteso come la quantità di partite giocate. Questo rapporto può essere rappresentato in un piano cartesiano dove il tempo trascorso si trova sulle ascisse e la quantità di conoscenza appresa si trova sulle ordinate. Il risultato ottenuto viene chiamato curva di apprendimento e può avere diverse forme. Essa può essere:

• più o meno ripida;
• più o meno lunga;
• più o meno alta.

Si prenda in esame le seguenti immagini che rappresentano alcuni esempi di curve di apprendimento. Il puntino nero identifica il momento in cui il giocatore ha imparato tutto quello che c’è da sapere sul gioco e lo padroneggia completamente.

Nelle prime tre immagini il puntino nero è esattamente nella stessa posizione e sta ad indicare che per padroneggiare il gioco bisogna arrivare ad un livello di conoscenza piuttosto alto investendo una discreta quantità di tempo. Come si può vedere, però, le tre curve sono del tutto diverse tra loro e questo fa intendere che l’esperienza di gioco sarà molto diversa. L’immagine numero 1 ha una progressione costante tra l’impegno profuso e la conoscenza appresa. Questa è una buona curva di apprendimento in quanto ad ogni partita si impara qualcosa di nuovo in modo costante fino ad arrivare alla conoscenza completa del gioco. L’immagine numero 2 inizia con una curva piuttosto morbida per poi diventare più ripida. Questo sta a significare che all’inizio è necessario investire molto tempo per imparare poco, ma poi si arriva ad un punto di svolta dove in breve si raggiunge la conoscenza completa. Il problema di questa curva è che una persona potrebbe stufarsi dopo le prime partite trovando il gioco troppo difficile. L’immagine numero 3 mostra una curva contraria rispetto alla precedente, ovvero in poco tempo si raggiunge un discreto livello di conoscenza, per poi arrivare alla fine con molta fatica. In questo caso c’è il rischio che un giocatore, arrivato a tre quarti della curva di apprendimento, abbandoni il gioco avendo la sensazione di conoscerlo già a sufficienza e ritenendo che sia inutile investire altre energie per imparare quel poco che resta.

Le ultime tre curve di apprendimento rappresentano dei giochi con degli evidenti problemi. L’immagine numero 4 mostra un gioco difficile da imparare e che tutto sommato ha una bassa profondità. Lo sforzo che i giocatori devono impiegare non giustifica i benefici che il gioco può restituire. L’immagine numero 5 mostra, invece, un gioco che richiede un grosso sforzo di studio iniziale ma che dopo non riserva molto altro per le partite successive. Nell’immagine numero 6 si vede, infine, un gioco che per le prime partite progredisce bene, ma che si esaurisce dopo poco tempo.

Progettare una buona curva di apprendimento è molto importante per ottenere una buona esperienza di gioco. Si deve iniziare stabilendo in modo accurato dove si vuole posizionare il puntino nero per poi proseguire decidendo qual è il percorso che si vuole far fare alla curva che deve raggiungerlo. Questi parametri, chiaramente, vanno tarati molto bene in base al tipo di gioco a cui si sta lavorando ed al target al quale ci si vuole orientare.

Per comprendere come modellare la curva di apprendimento di un gioco è importante, innanzitutto, capire qual è il processo che permette di imparare a giocare meglio man mano che si avanza con le partite.

Mentre una persona gioca, la sua mente costruisce delle euristiche, ovvero delle regole empiriche che lo aiutano a valutare qual è la mossa più promettente in base alla situazione in cui si trova.  Più tempo viene dedicato ad un gioco e più queste euristiche diventano accurate. Alla fine, il giocatore che avrà costruito le euristiche più precise sarà quello che avrà imparato a giocare meglio.

Le informazioni necessarie alla formazione delle euristiche provengono dagli effetti prodotti dalle azioni dei giocatori. Questi effetti, che possono derivare dalle regole del gioco oppure dalle reazioni degli avversari, vengono chiamati feedback. È grazie a questi che i giocatori riescono a capire la bontà delle loro mosse ed a quantificare i progressi che stanno facendo. Esistono diversi tipi di feedback, ognuno dei quali contribuisce in modo differente alla creazione ed al perfezionamento delle euristiche. Per un designer è bene conoscere quali sono le tipologie di feedback esistenti per poter, poi, scegliere con cura quali usare all’interno del gioco che sta progettando. È possibile catalogare i feedback in quattro coppie.

La prima coppia è formata dai feedback positivi e dai feedback negativi.

I feedback positivi sono quelli che fanno imparare facendo guadagnare qualcosa. Per esempio, se facendo un’azione si guadagna un punto, si sta imparando che quella azione è positiva. Se facendo un’altra azione si guadagnano due punti, si sta imparando che la seconda azione è migliore della prima.

I feedback negativi, invece, sono quelli che fanno imparare facendo perdere qualcosa. Per esempio, se dopo aver lasciato sguarnito un territorio, arriva un avversario che lo invade e lo conquista, si sta imparando che è meglio proteggere i propri possedimenti.

La seconda coppia è formata dai feedback diretti e dai feedback indiretti.

I feedback diretti sono quelli che fanno ottenere qualcosa direttamente correlata all’obiettivo da raggiungere. Per esempio, fanno parte di questo tipo il guadagnare un punto vittoria in un gioco dove vince chi ne ha di più oppure avanzare in un percorso in un gioco di corse.

I feedback indiretti sono, invece, quelli che fanno ottenere qualcosa non direttamente correlata all’obiettivo da raggiungere. Un esempio può essere guadagnare un legno in un gioco dove vince chi ha più punti vittoria. Il legno non contribuisce direttamente ad avvicinarsi alla vittoria. Esso, però, può essere usato per costruire un edificio e sarà questo che farà guadagnare i punti vittoria.

La terza coppia è formata dai feedback immediati e dai feedback posticipati.

I feedback immediati sono quelli che fanno ottenere subito un vantaggio. Un esempio può essere un’azione che fa guadagnare all’istante una moneta d’oro.

I feedback posticipati sono, invece, quelli che fanno guadagnare un vantaggio dilazionato nel tempo. Per esempio, fa parte di questa categoria una rendita che fa guadagnare una moneta d’oro ad ogni inizio di round.

La quarta coppia è formata dai feedback deterministici e dai feedback non deterministici.

I feedback deterministici sono quelli che fanno guadagnare qualcosa che si conosce già a priori. Per esempio, un’azione che fa guadagnare una moneta d’oro fa parte di questo tipo.

I feedback non deterministici sono quelli che fanno guadagnare qualcosa che non si conosce a priori. Un esempio può essere la pesca di una carta da un mazzo coperto.

Per modellare la curva di apprendimento secondo le proprie necessità si possono introdurre nel gioco alcuni tipi di feedback piuttosto che altri. In generale, la regola da tenere a mente è che più è difficile prevedere quale sarà il risultato a lungo termine di un’azione, più il processo di apprendimento sarà lento. Quindi, se si vuole ottenere una curva simile a quella illustrata nell’immagine 2 sarà necessario utilizzare feedback indiretti, posticipati e non deterministici. Se, invece, si vuole ottenere una curva simile a quella illustrata nell’immagine 3 sarà necessario utilizzare feedback diretti, immediati e deterministici. Questo, ovviamente, solo a livello di principio. Per ottenere la curva di apprendimento più consona alle proprie esigenze, molto probabilmente, si dovranno sperimentare varie combinazioni fino a trovare quella migliore.