Bilden av "Gameplay" i spelrecensioner : Lingvistisk och komparativ analys av gameplay-begreppet i professionella spelrecensioner och i spelforskningslitteraturen

H

INFORMATIK MED SYSTEMVETENSKAPLIG INRIKTNING C, 15P: HANDLEDARE: JOHAN ADERUD

EXAMINATOR: ANN–SOFIEHELLBERG

HT2010, 19 JANUARI2011

B

ILDEN AV

»

GAMEPLAY

«

I SPELRECENSIONER

L

-

PROFESSIONELLA SPELRECENSIONER OCH I SPELFORSKNINGSLITTERATUREN

EN C–UPPSATS I INFORMATIK

K

R

820109–6610 revkalle@gmail.com

litativ analys av de adjektiv som används om ordet »gameplay« i spelrecensio-ner, härleder jag 11 kategorier av adjektiv som används om »gameplay«:

Klas-sificering, Beskrivning, Originalitet, Kognitiv tillgänglighet, Kontroller/mekanik, Komplexitet, Affekt, Tempo, Variation, Kvalitet, och Avgränsning. Vidare gör jag

en innehållsanalys av gameplay-begreppet i spelforskningslitteraturen, varur jag härleder 9 gameplay-element: Artificiell intelligens, Kontroller, Mekanik &

regler, Affekt, Agency, Immersion, Kognitiv tillgänglighet, Tid, och Trovärdighet.

Genom att jämföra de två resultaten visar jag sedan att spelrecensenternas bild av gameplay är i stort samstämming med forskningslitteraturen, med untan-taget att litteraturen i högre grad än spelrecensenterna diskuterar gameplay-elementen Agency, Artificiell intelligens, och Trovärdighet. Därefter visar jag ge-nom jämförelse med tidigare forskning kring spelarrecensioner att spelares och recensenters bild av gameplay i hög grad samstämmer.

1 Inledning 5 1.1 Syfte . . . 5 1.2 Frågeställningar. . . 5 1.3 Perspektiv . . . 5 1.4 Målgrupp . . . 5 1.5 Struktur . . . 6 1.6 Terminologi . . . 6 2 Bakgrund 7 2.1 Gameplay . . . 7 2.1.1 I användarrecensioner . . . 7

2.2 NLP och lexikalisk analys. . . 8

3 Metod 10 3.1 Datainsamling. . . 11 3.1.1 Litteraturstudie . . . 11 3.1.2 Recensioner . . . 11 3.2 Data-analys . . . 11 3.2.1 Adjektiv . . . 11 3.2.2 Kategorisering . . . 12 3.2.3 Komparativ analys . . . 13

4 Resultat och Analys 14 4.1 Litteraturstudie . . . 14

4.1.1 Gameplay-element i litteraturen. . . 14

4.1.2 Sammanfattning . . . 15

4.2 Lexikalisk analys . . . 15

4.2.1 Adjektiv & Kontext . . . 15

4.2.2 Kluster . . . 16

4.2.3 Adjektivkategorier . . . 17

4.2.4 Sammanfattning . . . 18

4.3 Jämförelser . . . 18

4.3.1 Spelrecensioner & spelarrecensioner . . . 18

4.3.2 Spelrecensioner & spelforskning. . . 19

5 Slutsatser, diskussion, vidare forskning 20 5.1 Gameplay i spelrecensioner, spelarrecensioner, & spelforskning. . . 20

5.2 Begränsningar. . . 20

3.1 Undersökningsstrategi . . . 10

3.2 Ojämn distribution i två dimensioner . . . 13

4.1 Adjektivkategorier . . . 17

Tabeller 2.1 De 20 vanligaste adjektiven i spelarrecensioner . . . 7

2.2 Zagal & Tomuros gameplay-element . . . 7

2.3 Personer klustrade efter filmbetyg . . . 8

4.1 De 20 vanligaste adjektiven . . . 16

4.2 De 20 vanligaste kontextorden . . . 16

4.3 Klustringsstatisitik, k-means . . . 16

4.4 Klustringsstatisitik, k-medians . . . 17

1 Genrer, Platformar, & Recensenter . . . 23

2 Part-of-speech taggar (urval). . . 24

3 Kategorimatris . . . 25

Bilagor A. GameSpot statistik . . . 23

B. “Part-of-speech” taggar . . . 24

C. Innehållsanalys . . . 25

1

I

TV- och datorspelsindustrin växer ständigt i omsättning och betydelse1, och en av de viktigaste fak-torerna för hur framgångsrikt ett spel blir är hur bra recensioner det får (Sacranie 2010).

Ett för spelindustrin centralt begrepp är “gameplay”2_{. Inom spelforskning är gameplay ett ofta}

undersökt och ofta definierat ämne (se t.ex.Fabricatore 2007; Desurvire & Wiberg 2009,Djaouti, et al. 2008;Koeffel, et al. 2010), och Zagal & Tomuro utförde 2010 en lexikalisk studie av 400,000 spelarrecensioner skrivna av spelare för att utreda hur det används av spelare, och vilka estetiska dimensioner det av dessa anses ha, som visade att begreppet används i 38% av spelarrecensionerna (Zagal & Tomuro 2010).

Recensioners inverkan på spelförsäljning talar för att förhållandet mellan recensenters och spe-lares bild av spel förtjänar att utforskas, och gameplay-begreppets centralitet innebär att en under-sökning av hur spelares och recensenters bild av gameplay förehåller sig till varandra är relevant. Därutöver pekar Zagal & Tomuro på skillnader mellan spelforskares och spelares användande av “ga-meplay” (Ibid.), varför det förefaller relevant att också undersöka hur spelrecensenters användande av “gameplay” förhåller sig till forskningslitteraturens.

1.1 Syfte

Föreliggande uppsats utgår ifrån framförallt Zagal & Tomuros arbete, och försöker utöka det genom att utreda på vilka sätt ordet “gameplay” används i professionella spelrecensioner, vilka spelelement som syftas till när de använder begreppet, och hur detta användande förhåller sig till spelares re-spektive spelforskares användande av “gameplay”.

1.2 Frågeställningar

Undersökningen grundar sig på följande frågor: • Hur använder spelrecensenter ordet “gameplay”? • Hur skiljer sig det från hur spelare använder det?

• Hur förhåller sig spelares resp. recensenters användande av “gameplay” till spelforskningens? 1.3 Perspektiv

Denna uppsats utreder alltså gameplay utifrån spelrecensenters perspektiv, och försöker klargöra

vad deras perspektiv är, och hur de använder “gameplay”. Dessutom undersöker jag hur begreppet

används i spelforskning och av spelare. Sammantaget har alltså uppsatsen själv ett jämförande och sammanfattande metaperspektiv.

Undertecknads egen definition av gameplay, och den definition utifrån vilken denna uppsats utgår, är allt det som en spelare, på en abstrakt nivå, gör i ett spel — de problem, utmaningar, och val spelaren ställs inför. För att skilja gameplay från två andra vanligt förekommande begrepp, “spelmekanik” och “gränssnitt”, skulle jag föreslå en definition som lyder: “gameplay är det spelaren utför, via gränssnittet, i den virtuella värld som representeras av spelmekaniken.”

1.4 Målgrupp

Uppsatsen är främst riktad till spelforskare, då dess huvudsyfte är att belysa hur spelrecensenter talar om “gameplay” och jämföra detta med just spelforskares användande av samma begrepp. Därutöver 1_{Bara mellan 2005 och 2008 växte den amerikanska spelindustrin med över 16%, och den tillförde under 2009 över}

fyra trillioner dollar till USA:s bruttonationalprodukt (Siwek 2010).

2_{Denna uppsats använder “gameplay” med citationstecken när ordet diskuteras, och utan citationstecken när begreppet}

kan uppsatsens metodologi vara av intresse för alla forskare som använder eller vill använda lingvis-tiska och statislingvis-tiska metoder för att undersöka stora textmängder, och för dem som vill kombinera sådana kvantitativa undersökningar med kvalitativa dito.

1.5 Struktur

Denna uppsats består, förutom denna inledning, av fyra delar: först en kort bakgrund, där jag ger en överblick av gameplay och av Zagal & Tomuros forskning, och beskriver NLP, lexikalisk analys, och k-means–klustring; därefter beskriver jag min undersökningsmetodik och -strategi; efter vilket jag beskriver resultaten av mina undersökningar, och analyserar dessa; och slutligen drar jag i en avslutande diskussion slutsatser utifrån min analys, och diskuterar vilka begränsningar analysen har och vilka framtida forskningsmöjligheter dessa slutsatser och begränsningar pekar mot.

1.6 Terminologi

Game interface, Gränssnitt:

Den grafik och de ljud som representerar spelvärlden (Juul & Norton 2009;Federoff 2002). Game mechanics, Spelmekanik:

De regler som styr hur spelvärlden fungerar, och som styr hur spelaren interagerar med den-samma (Koeffel, et al. 2010).

Gameplay:

Det spelaren utför, via gränssnittet, i den virtuella värld som representeras av spelmekaniken (Fabricatore 2007;Juul & Norton 2009;Djaouti, et al. 2008).

Ickespelarkaraktärer:

“Non-player Character”. Karaktärer eller agenter som styrs av spelet (Koeffel, et al. 2010). Lexikalisk analys:

“Lexical analysis”. Analys bestående på lingvistiska och statistiska metoder, baserad på språkli-ga enheter. (Zaspråkli-gal & Tomuro 2010).

NLP:

“Natural-Language Processing”: tolkandet eller manipulerandet av språk med hjälp av mjukva-ra (Church & Mercer 1993).

POS:

“Part-of-speech”: ett ords grammatiska funktion (Zagal & Tomuro 2010). Spel:

Med spel menar jag i denna uppsats underhållningsmjukvara som spelas antingen på en dator eller en dedikerad spelenhet (konsoll).

Spelare:

Alt. “användare”: den som konsumerar, spelar ett spel. Spelarrecension:

En recension skriven av en spelare, alltså av en amatör — därför också “amatörrecension”. Spelrecension:

En recension skriven av en professionell journalist; utgör denna undersöknings primära text-korpus.

Textkorpus:

2

B

Spel består av, minst, tre delar: gränssnitt, och mekanik, och gameplay. Gränssnittet är sättet på vilket spelaren interagerar med spelet: spelaren kommunicerar med spelet via inmatningsenheter (tangent-bord, handkontroll, osv.), och spelet kommunicerar med spelaren via grafik och ljud (Federoff 2002). Mekanik i sin tur är det sätt på vilket spelet översätter spelarens inmatning till utmatning — de reg-ler som styr hur spelarhandlingar påverkar spelvärlden (Ibid.). Gameplay i sin tur är totaliteten av spelarhandlingar, mekanik, och gränssnitt; med andra ord är gameplay det som gör ett spel till spel, själva kärnaktiviteten som är att spela (Juul & Norton 2009): allt det spelaren kan “göra” och spelets reaktioner på detta (Fabricatore 2007).

2.1.1 I användarrecensioner

Zagal & Tomuro undersökte 400,000 spelarrecensioner från GameSpot, med hjälp av lexikalisk ana-lys och k-means–klustring, för att se vilka adjektiv spelare använder om “gameplay”, och drog utifrån detta slutsatser om vilka estetiska element gameplay av spelare anses ha.Fig. 2.1visar de tjugo van-ligaste adjektiven i spelarrecensioner. Många av de adjektiv de hittade var, som väntat i recensioner,

Tabell 2.1: De 20 vanligaste adjektiven i spelarrecensioner

Ord Antal Ord Antal Ord Antal Ord Antal

great 3,975 solid 1,048 awesome 773 simple 612

good 3,352 overall 993 new 734 repetitive 533

actual 1,647 online 879 core 654 fast 426

same 1,321 fun 849 excellent 648 unique 425

addictive 1,111 amazing 802 bascic 629 classic 422

(Zagal & Tomuro 2010)

av värderande art — ord som “great”, “amazing”, och “excellent”. Därutöver var vissa av dessa vär-derande adjektiv spelspecifika — “buggy”, “unbalanced”, “stable” — medan andra var mer allmäna — “pretty”, “super”, “lame” (Zagal & Tomuro 2010).

Bland adjektiven som används om “gameplay” urskiljde Zagal & Tomuro sex olika grupper, som de anser visar vilka estetiska dimensioner gameplay, enligt spelare, har: Pacing, Complexity, Cogni-tive accessibility, Scope, Demand, och Impact — seFig. 2.2. Därutöver hittade de adjektivgrupper

Tabell 2.2: Zagal & Tomuros gameplay-element

Kategori Beskrivning Exempel

Pacing Hur ofta spelhändelser sker fast, stressful, dull, tedious, frantic

Complexity Hur komplext spelet är simple, enjoyable, short, complex, streamlined

Cognitive accessibility Hur lätt- eller svårförståeligt spelet är deep, designed, unusual, expansive, twisted

Scope Spelets konceptuella omfång — spelhändelsers möj-lighetsrymd

limited, complete, unlimited, large, significant

Demand Hur krävande spelet är casual, sandbox, hardcore, experienced, retro

Impact Spelets känslomässiga affekt: hur det påverkar spe-larens känslor

addictive, exciting, refreshing, exhilarating, boring

(Zagal & Tomuro 2010)

som beskriver narrativa och representationella kvaliteteter; adjektiv som beskriver kontroller och mekanik; och adjektiv som beskriver spelentiteter (objekt och figurer i spelet). Vidare hade Zagal & Tomuro förväntat sig att hitta två adjektivgrupper som dock visade sig saknas: adjektiv som har med artificiell intelligens att göra, och adjektiv som beskriver kulturella faktorer (Ibid.).

Spelarnas bild av gameplay är alltså expansiv, och inkluderar allt från inmatning och mekanik till gränssnitt och affekt.

2.2 NLP och lexikalisk analys

NLP, Natural Language Processing, är det automatiserade studiet av mänskligt, naturligt, språk, och har, i och med internets intåg, blivit en allt viktigare del av lingvistiken de senaste 20 åren (Schuller, et al. 2009). Idag finns, i och med internets intåg, mer text tillgänglig för forskare än någonsin förr, och för att analysera all denna text behövs mekaniska, kvantitativa metoder för att klassificera, kate-gorisera, och korrelera dem. Sådan rent språkbaserad analys, som alltså är begränsad till lingvistisk och statistisk analys av språkliga enheter, kallas inom NLP-litteraturen “lexikalisk analys” (Church & Mercer 1993;Zagal & Tomuro 2010).

Denna uppsats undersökning är framförallt baserad påZagal & Tomuro 2010, som alltså använde lexikalisk analys för att undersöka användandet av “gameplay” i spelarrecensioner. NLP-studier av professionella recensioner har utförts av t.ex. Schuller et al. (2009), som studerade hur ordförråden för positiva resp. negativa filmrecensioner förhåller sig till varandra, och Pang et al. (2002), som också sammanfattar tidigare forskning.

För att studera hur ett ord används i en korpus, och om denna korpus är för stor för att analysera manuellt, är en väg att studera de adjektiv som används om ordet. Adjektiv beskriver substantiv, och ger en ingång till att studera substantivets karakteristik — vilka egenskaper ordet tillskrivs i en (eller flera) texter (Bouillon & Viegas 1999;Zagal & Tomuro 2010).

Adjektiv kan, i engelska språket, finnas i två positioner: attributativ och predikativ position — dvs. “<adjektiv> <substantiv>” resp. “<substantiv> <verb>1_{<adjektiv>” (Bouillon & Viegas 1999).}

För att meningsbestämma eller gruppera ord använder man sig inom datalingvistiken ofta av me-toder för såkallad “distributional similarity”: man grupperar orden beroende på de kontexter i vilka de används (Lee & Pereira 1999). En tabell av ord och deras kontexter kan ses som en serie “mul-tivariata observationer”, alltså ett antal observationer som var och en består av flera dimensioner — varje observation består av en serie värden (dimensioner) som anger hur ofta ett ord förekom-mer tillsammans med olika kontextord (Ibid.; Zagal & Tomuro 2010). Om man har en stor serie

Tabell 2.3: Personer klustrade efter filmbetyg

Blade Runner Cube Dark City Mulholland Dr. Persona War Games

Kluster 0 Alice 5 4 3 2 1 4 Carol 1 3 3 2 1 2 Eve 2 2 3 4 1 2 Frank 1 1 1 1 1 2 Gwen 3 2 3 2 2 3 Hans 1 2 2 1 1 4 Ilsa 3 3 2 1 1 5 John 4 4 3 2 2 5 Kate 2 2 1 1 1 5 Lars 2 2 1 1 1 5 Nick 1 1 2 3 2 1 Quentin 3 2 2 2 1 1 Urban 3 2 2 3 1 5 Xerxes 2 2 2 2 2 2 Yvette 1 1 2 2 1 1 Kluster 1 Bob 5 5 5 5 5 3 Dave 3 3 3 3 3 1 Mary 3 2 2 5 5 3 Olga 3 3 3 2 5 1 Paul 4 4 2 3 5 4 Rita 1 2 3 4 5 4 Steve 3 3 2 3 3 3 Tina 4 4 4 4 4 2 Valerie 2 2 4 4 3 3 Zeke 2 5 1 4 4 1

flerdimensionella observationer — t.ex. data fysiologiska observationer av patienter (där varje ob-servation är en patient, och denna har dimensioner som längd, höjd, ålder, blodtryck, osv.), eller kvantitativ data (antal ord, meningar, tecken) om dokument — kan det vara användbart att dela in dessa i grupper, eller kluster, utifrån en eller flera av dessa dimensioner.

K-means är en algoritm för att utföra just sådan flerdimensionell klustring. För att avgöra vilket

kluster en observation hamnar i, mäter k-means dess euklidiska avstånd2_{från klustrets centroid, dvs.}

medelvärdena av alla observationer i alla dimensioner; klustret {{10, 3}, {5, 5}} har alltså centroiden {7.5, 4} (MacQueen 1967;Stanley 2006).

Fig. 2.3 visar hur k-means delar in personer i två grupper efter vilka betyg de satt på ett antal filmer (tabellen bygger på slumpmässig data).

2_{Euklidiskt avstånd är en generalisering av Pythagoras sats; avståndet mellan två punkter p och q i n dimensioner är}

pPn

i=1(pi− qi)2. Dvs. för punkterna a och b, i två dimensioner, x och y, är avståndet dab=p(ax− bx)2+ (ay− by)2

3

M

För denna uppsats har jag använt såväl kvantitativa som kvalitativa metoder för att analysera kva-litativ data. Jag använde kvantitativa, statistiska metoder för att effektivt kunna analysera stora mängder data, och använde sedan kvalitativa metoder för att vidare analysera resultatet av dessa kvantitativa analyser.

Jag samlade in data genom en litteraturstudie av begreppet gameplay och från professionella spelrecensioner. Genom att analysera litteraturen med hjälp av innehållsanalys och recensionerna med lexikalisk analys och k-means–klustring kunde jag jämföra vilka konceptuella kategorier av gameplay som används i spelrecensioner respektive spellitteratur; seFig. 3.1för en översikt av upp-satsens metod.

3.1 Datainsamling

3.1.1 Litteraturstudie

Jag genomförde litteraturstudien med hjälp av så-kallad “qualitative content analysis” (hädanefter innehållsanalys).

Innehållsanalys är en metod för att analysera och organisera data, där en text kodas i

kategorise-ringsmatriser för att klargöra dess konceptuella struktur. Detta kan ske antingen deduktivt, där man utgår från en existerande modell och använder den som kategoriseringsmatris — exempelvis för att studera hur väl modellen motsvarar data, eller för att jämföra modeller —, eller induktivt, där man bygger en ny kategoriseringsmodell utifrån en inledande abstraktion och kodning av texten (Oates 2006;Elo & Kyngäs 2008).

I detta fall utförde jag en induktiv innehållsanalys av litteraturen: jag läste igenom artiklar flera gånger, och antecknade olika omnämnanden av “gameplay” och förslag på kategorier. Dessa katego-rier förde jag sedan in i en kategoriseringsmatris, var jag visade vilka kategokatego-rier som används i vilka artiklar.

3.1.2 Recensioner

Enligt Biber (1993) är det viktigaste när man designar en textkorpus — alltså den samlig texter som utgör en lingvistisk analys källa — att definiera sin population: vilka och vilka typer av texter ingår i korpusen. I detta fall är jag intresserad av spelrecensioner, och mer specifikt, av praktiska skäl, av spelrecensioner som publicerats på webben. Jag definierar alltså min population som spelrecensioner som i fulltext publicerats på nätet.

Ur denna population valde jag att analysera recensioner från GameSpot1. Jag valde GameSpot som källa främst för att det är samma som Zagal & Tomuro använde sig av i sin analys; de recensioner jag analyserar är alltså riktade till de spelare vars texter Zagal & Tomuro analyserade, vilket innebär att en jämförelse resultaten emellan är relevant. GameSpots recensioner har också tidigare inom spelforskningen använts som källa (se t.ex.Pinelle et al. 2008a,2008b;Livingston et al. 2010), och ger därutöver tillgång till en stor mängd data (11696 recensioner2), vilket är ett krav för att utföra NLP-analyser med intressanta, generaliserbara resultat (Biber 1993;Schuller, et al. 2009). Dessutom är GameSpots recensioner i ett bekvämt format och sträcker sig över relativt lång tid (1996–2010). 3.2 Data-analys

För att analysera de insamlade recensionerna följde jag Zagal & Tomuros metodik: Först delade jag upp alla recensioner i meningar, och sedan utförde jag två analyser på dessa meningar: jag hittade alla adjektiv som används om “gameplay”, och sedan kategoriserade jag dessa adjektiv utifrån vilka andra samband de används.

Alla lexikaliska och statistiska analyser genomfördes med hjälp av egenutvecklad mjukvara i programmeringsspråken Perl och bash-script3, och med hjälp av NLP-verktygen Stanford NLP Parser4 och FreeLing5.

3.2.1 Adjektiv

Den första och (konceptuellt om än inte praktiskt) enklaste delen var att se vilka adjektiv som an-vänds om “gameplay”. För att hitta adjektiv till “gameplay” använde jag, liksom Zagal & Tomuro,

1_{http://www.gamespot.com.}

2_{Se Bilaga A. GameSpot statistik för ytterligare statistik. Recensionerna finns att ladda ner från}

http://nlp.fivebyfive.be/reviews-html.tar.gz [36MB]. Arkivet innehåller alla recensioner som enskilda HTML-filer, plus en CSV-fil, med en rad per fil, med spelens författare, namn, genre, osv.

3_{http://nlp.fivebyfive.be/scripts.tar.gz.}

4_{http://www-nlp.stanford.edu/software/index.shtml.} 5_{http://nlp.lsi.upc.edu/freeling/.}

Stanfords NLP parser (de Marneff & Manning 2008) för att analysera språkliga beroenden i mening-ar6, och extrahera språkliga uttryck med formerna “<adjektiv> gameplay” och “gameplay <verb> <adjektiv>”. Därefter normaliserade jag den resulterande adjektivlistan, genom att rätta felstav-ningar, ersätta komparativa och superlativa adjektiv med deras grundformer, och ta bort adjektiv som bara förekommer en gång.

Genom att studera vilka adjektiv som används om “gameplay” kunde jag få en bild av vilka karaktäristika gameplay av speljournalister anses ha.

3.2.2 Kategorisering

För att få en överblick av hur ordet “gameplay” används, och vilka slags karatäristika det inom spelrecensioner anses ha, kategoriserade jag adjektiven efter de kontexter i vilka de används. Dessa kategorier lät jag sedan representera fenomen eller karaktäristika av spel som gameplay enligt spel-journalister syftar till.

För att få fram de kontexter i vilka adjektiven används, undersökte jag vilka andra ord, förutom “gameplay”, som användes i närheten av adjektiven. Om, t.ex., ett adjektiv är “intuitive”, så är dess kontext alla substantiv, adjektiv, och verb som finns inom ett visst fönster (avstånd) från användning-ar av “intuitive”. I detta fall använder jag, liksom Zagal & Tomuro, ett fönster av tre ord: adjektivet självt plus ordet direkt efter och före. I meningen “The controls are intuitive and fluid”, är “intuitive”-s kontextord, efter att man förka“intuitive”-stat de ord “intuitive”-som inte är adjektiv, “intuitive”-sub“intuitive”-stantiv eller verb, “control“intuitive”-s” och “fluid”.

Jag använde NLP-verktyget FreeLing (Atserias, et al. 2006) för att utföra en så-kallad

part-of-speech–taggning av texten, alltså märka upp ord med deras grammatiska funktioner — “Sphinx of

black quartz, judge my vow.” blir “Sphinx/NNP of/IN black/JJ quartz/NN ,/PPC judge/NN my/PRPS vow/NN ./PP”7— kunde jag hitta vilka kontextord som fanns inom fönstret för varje adjektiv. Free-Ling lät mig också normalisera kontextordslistan, genom att det kan omvandla ord till deras grund-former: “players” blir “player”, “played” blir “play”, och så vidare.

Jag lade sedan in dessa kontextord i en matris där raderna var adjektiv och kolumnerna kon-textord (värdet i cellen är antalet gånger adjektivet används om det konkon-textordet); denna matris utgjorde indata till k-means–klustring, som jag använde för att dela in adjektiven i kategorier, an-vände jag sedan k-means–algoritmen för att dela in dem i kluster — grupper av adjektiv som används i liknande kontexter. Med kontext menar jag här de adjektiv, verb, och substantiv som finns inom ett visst avstånd från ordet. Att gruppera ord efter kontext på detta sätt kallas inom NLP-litteraturen “distributional similarity” (Lee & Pereira 1999) — två ord liknar varandra om deras kontexter är liknande. K-means–klustring låter mig alltså automatiskt kategorisera adjektiven. Jag undersökte se-dan klustren manuellt och gav varje adjektivkategori ett beskrivande namn; detta namn motsvarar en kategori av gameplay–egenskaper som omtalas i spelrecensioner.

k-means har två viktiga ingångsvariabler som jag laborerade med för att hitta den optimala

klustrings-lösningen. Den första, k, är antalet kluster som datat ska delas in i, och den andra variabeln, i, re-presenterar antalet iterationer k-means ska använda sig av (ju högre i, desto högre precision).

Jag hittade det optimala antalet kluster, k, genom en flerdelad strategi. Först använde jag tre olika former av index för att jämföra värden av k från-och-med 2 till-och-med 30 (med i = 20)8_:

W (k):

Genomsnittlig inom-kluster-summa av avstånd från centroiden. För varje kluster, Cr räknar man ut summan av alla punkters avstånd från centroiden, Dr, och tar medlet av D1till Dk. För att hitta optimala k-värdet väljer man det lägsta W (k) (Thibshirani, et al. 2001).

log(Wk):

Wkrepresenterar den sammantagna (eng. “pooled”) inom-kluster-summan av parvisa avstånd. 6_{Om en mening, t.ex., innehåller uttrycket “inventive gameplay”, representeras det av Stanford NLP parser som}

förhål-landet amod(gameplay, inventive): “inventive” är ett adjektiv som modifierar “gameplay” (de Marneff & Manning 2008).

7_{SeBilaga B. “Part-of-speech” taggarför en tabell över de viktigaste POS-taggarna.}

8_{Jag valde i = 20 för att det var det högsta i-värde som var praktiskt att använda — som inte tog längre tid än att 30}

För varje kluster, Cr räknar man ut summan av alla punkters avstånd från varandra, Dr, och sammantar alla klusters Dr: Wk = P30r=2 2Nr1 Dr (där Nr är antalet punkter i klustret Cr). Eftersom Wk tenderar att bli ett väldigt stort tal, valde jag att använda mig av logaritmen av talet. För att hitta det optimala k-värdet via log(Wk) gör man en graf av log(Wk) över k, och hittar den punkt där förändringstakten minskar (där grafen planar ut) — vad som kallas “elbow value”; k-värdet vid den punkten representerar det optimala k-värdet (Ibid.).

KL(k):

Krzanowski–Lai index. Ett mått på hur Wk:s förändringstakt förändras när k ökar. Baserar sig på DIF F (k) = ((k − 1)2/p_W

k−1) − (k2/pWk), där p är det totala antalet observationer, som är ett mått på Wk:s förändringstakt över k. Krzanowski–Lai indexet för k i sin tur är: KL(k) = _{DIF F (k+1)}DIF F (k) . Ett högt KL(k) representerar alltså en punkt där ändringstakten från k − 1är högre än ändringstakten till k + 1. För att hitta det optimala k-värdet via Krzanowski– Lai väljer man det k som ger störst KL(k) (Ibid.;Stanley 2006).

Därefter valde jag ut de k-värden som gav bäst W (k), log(Wk), respektive KL(k), och klustrade vid dessa k-värden och i = 50. De resulterande klustren hade väldigt varierande storlek: flera hade enbart ett eller två adjektiv, medan ett eller två kluster innehåll lejonparten av alla adjektiv, och var därmed för stora för att vägleda skapandet av adjektivkategorier.

Vissa kontextord var väldigt mycket vanligare än andra, och jag gjorde antagandet att detta för-sköt klustrens centroider, som är baserade på medelvärdena av kontextordsomnämnanden — att alla adjektiv som hade dessa ofta förekommande kontextord klumpade sig runt varandra. Fig. 3.2 visar hur detta kan gå till med ett antal observationer i två dimensioner, som har ett stort omfång av x-värden och ett litet omfång av y-värden; vid klustring skulle alltså observationerna grupperas efter x-värde.

Figur 3.2: Ojämn distribution i två dimensioner

För att pröva detta antagande, att klustrens centroider förskjöts av extremvärden i vissa dimen-sioner, undersökte jag om jag kunde få ett bättre resultat genom att, istället för att använda klustrens medelvärden, använda deras medianvärden som centroider, då medianvärdet är mindre känsligt för icke-normala distributioner (Swinscow & Campbell 2002, ss. 24–25). Jag upprepade därför ovanstå-ende tester — W (k), log(Wk), och KL(k) — med den variant av k-means som kallas k-medians, vilken, som namnet antyder, använder just klustrens medianposition som centroid, och som är utfor-mad för att vara mindre känslig för extremvärden och skev distribution (Leisch 2006;Stanley 2006). Jag valde därefter ut de k-värden som med k-medians gav bäst W (k), log(Wk), respektive KL(k), och jämförde även dessa manuellt. Mycket riktigt var klustren jämnare fördelade, och adjektiven klumpade inte längre i samma utsträckning ihop sig runt väldigt vanliga kontextord. Jag gjorde där-för en slutlig klustring vid de två bästa k-medians–resultaten och i = 512.

Slutligen undersökte jag manuellt dessa två klustringar för att hitta adjektivgrupper, genom att använda innehållsanalys för att förfina de adjektivgrupper som klustringarna hittat.

3.2.3 Komparativ analys

Jag namngav och beskrev därefter adjektivgrupperna som hittades genom klustringarna och inne-hållsanalysen, och använde dem som grund för en komparativ analys som jämförde resultatet av den lexikaliska analysen av spelrecensioner med Zagal & Tomuros analys av spelarrecensioner, och med resultatet av litteraturstudien. Jämförelsen bestod av att jag undersökte var och hur kategorier överlappade, och vilka kategorier som inte överlappade. Utifrån detta drog jag sedan dra slutsatser om hur synen på gameplay skiljer sig mellan recensenter, spelare, och forskare.

4

R

A

Jag samlade ett antal vetenskapliga artiklar genom att söka med nyckelordet “gameplay” på Google Scholar1 och ACM Digital Library2. Jag läste sedan igenom artiklarna flera gånger, och antecknade varje tillfälle där någon specifik aspekt av gameplay omnämndes (s.k. “öppen kodning”). Efter detta kategoriserade jag alla omnämnanden genom att föra in dem i en kategorimatris (SeBilaga C. Inne-hållsanalys).

Generellt urskiljde jag i den studerade spelforskningslitteraturen två metakategorier — två olika angreppsätt eller perspektiv på gameplay-begreppet: dels ett mekanistiskt utvecklarperspektiv, där fokus ligger på hur gameplay implementeras och på hur det rent tekniskt fungerar — i form av fy-siksimulation, regler, och dylikt —, och dels ett spelar- eller affektperspektiv, där fokus är på hur gameplay upplevs — huruvida spelet är roligt eller inte, och på aspekter som inlevelse och känslan av påverkbarhet.

Ur utvecklarperspektivet diskuteras främst mekanik, kontroller, och regler. Exempelvis definie-rar Djaouti, et al. (2008) gameplay utifrån s.k. “game bricks” — atomiska gameplay-handlingar, till exempel “shoot”, “move”, “select”. Ett liknande utvecklar perspektiv har Fabricatore (2007), som diskuterar gameplay som en återkopplingskrets, där spelarinmatning leder till spelutmatning3_.

Det affektiva, spelarcentrerade angreppssättet, som i de undersökta texterna är något vanligare, i sin tur diskuterar gameplay utifrån hur det upplevs av spelaren. Till exempel Desurvire & Wibergs (2009) spelheuristik4_{vars regler handlar om att spelet ska känns roligt, icke-repetitativt, och så}

vida-re. I det affektiva angreppsättet diskuteras också ofta (t.ex.Desurvire & Wiberg 2009;Ermi & Mäyra 2005;Lundgren, et al. 2009) immersion — känslan av icke-mediation, eller av att befinna sig “i spe-let” (Ermi & Mäyra 2005) — och agency — känslan av kontroll över och påverkan på spelvärlden (Desurvire & Wiberg 2009).

Ytterliggare vissa aspekter av gameplay diskuteras ur båda perspektiven. Till exempel det jag nedan benämnt kognitiv tillgänglighet, alltså hur svårt eller lätt spelet är, diskuteras både utifrån hur det upplevs av spelaren — “players should be able to understand and identify [goals]” (Koeffel, et al. 2010) — och utifrån hur det implementeras — “there should be variable difficulty levels” (Ibid.).

4.1.1 Gameplay-element i litteraturen

Totalt hittade jag genom innehållsanalysen nio olika gameplay-element. Tre av dessa är huvudsakli-gen mekanistiska, tre är huvudsaklihuvudsakli-gen affektiva, och tre diskuteras ur båda perspektiven.

Det tre mekanistiska, utvecklarcentrerade gameplay-element jag urskiljde ur litteraturen är: Artificiell intelligens (AI):

Icke-spelarkontrollerade karaktärer och enheters beteende. T.ex. säger Koeffel, et al. 2010, “artificial intelligence should be reasonable, visible, consistent with the player’s expectations”. Kontroller:

Spelets fysiska inmatningsenheter — handkontroll, tangentbord, mus, osv. — och gameplays samband med desamma. “Controls are intuitive” (Desurvire & Wiberg 2009). “Input methods should should be easy to manage and have an appropriate level of sensitivity” (Koeffel, et al. 2010).

Mekanik & regler:

De regler och funktioner som styr spelvärlden, och hur dessa interagerar med spelarens hand-1_{http://scholar.google.com.}

2_{http://portal.acm.org.}

3_{Jfr. med Aarseth som diskuterar spel som “cybertexter” — texter som skapas i en återkopplingskrets med läsaren}

(Aarseth 1997, ss. 1–2).

4_{Heuristik är regler för att utföra något (Koeffel, et al. 2010). I artiklarna under diskussion är spelheuristik regler för att}

lingar. “Proper tools for gameplay, atomic rule-based interactive subsystems capable of re-ceiving an input and reacting by producing an output” (Fabricatore 2007). “Game mechanics should feel natural and have correct weight and momentum” (Koeffel, et al. 2010).

Vidare urskiljde jag följande tre spelarcentrerade element: Affekt:

Känslomässiga effekter av gameplay: hur spelet får spelaren att känna sig. Desurvires et al. (2009) gameplay-heuristik talar t.ex. om att spelare bör finna spelet “fun, with no repetitive or boring tasks”.

Agency:

Illusionen av att spelarens handlingar kan förändra spelet5_{. “Choices in themselves are not}

enough — gamers must still feel there is a point in making them” (Lundgren, et al. 2009). “A sense of control and influence onto the game world”, “Changes the player makes in the game world are persistent and noticable” (Desurvire & Wiberg 2009).

Immersion:

Att spelaren lever sig in i spelet. “[A] psychological experience of non-mediation, i.e. the sense of being a world generated by the computer instead of just using a computer” (Ermi & Mäyra 2005).

Därutöver urskiljde jag följande tre element som diskuteras ur både mekanistiskt och affektivt per-spektiv:

Kognitiv tillgänglighet:

Hur svårt/lätt (eller svårt-/lättförståeligt) spelet är. “It should be clear what’s happening in the game” (Ibid.). “Gameplay [is] a particular balanced relation between the level of challenge and the abilities of the player” (Ermi & Mäyra 2005).

Tid:

Hur långt eller kort spelet är eller känns, alternativt i vilket tempo spelhändelser sker. “Game-play is long and enduring” (Desurvire & Wiberg 2009). “Pace should be in balance” (Koeffel, et al. 2010).

Trovärdighet:

Gameplays överensstämmelse med verkligheten, eller dess koherens med spelets tema och med spelvärlden. “When themes help gamers remember and understand rules they can improve the experience by providing consistent framing” (Lundgren, et al. 2009). “Consistency between the game elements and the overarching settings as well as the story” (Koeffel, et al. 2010).

4.1.2 Sammanfattning

Diskussionerna av gameplay i litteraturen omfattar alltså såväl mekanik och regler, användargräns-snitt, som spelupplevelse. Den sammantagna bilden av gameplay är därmed att det är ett fenomen som omfattar tekniska och implementationsmässiga såväl som affektiva aspekter. Slutsatsen jag drar utifrån litteraturstudien är att gameplay är det som gör spelet till spel, själva det faktum att spelarens handlingar har effekter i spelet; mekanik och gränssnitt understödjer gameplay, som i sin tur leder till spelarens upplevelse.

4.2 Lexikalisk analys

Av de 11,696 recensionerna i korpusen nämner totalt 8,001 av dem (68.4%) ordet “gameplay”. Detta att jämföra med användarrecensioner, där runt 38% av recensionerna nämner “gameplay” (Zagal & Tomuro 2010).

4.2.1 Adjektiv & Kontext

Jag använde Stanford NLP parser för att tolka strukturen av alla meningar som omnämner “ga-meplay”, och valde ut alla adjektiv som modifierade “gameplay”. Efter normalisering bestod den resulterande listan av 611 adjektiv.Fig. 4.1visar de tjugo vanligast förekommande adjektiven.

Tabell 4.1: De 20 vanligaste adjektiven

Ord Antal Ord Antal

actual 288 deep 104 simple 240 fast-paced 103 solid 233 fun 94 basic 191 easy 77 good 183 familiar 76 repetitive 176 similar 73 core 163 fast 71 great 132 frustrating 70 simplistic 127 interesting 69 addictive 126 classic 69

Efter att ha konstruerat adjektivlistan, gick jag igenom alla meningar och hittade alla kontexter där adjektiven användes och sparade kontextorden i en ny lista. Denna lista innehöll efter normalisering 35,661 ord.

Fig. 4.2visar de tjugo vanligast förekommande kontextorden. Det vanligaste, “game”, används mer än fyra gånger så ofta som det näst vanligaste, “have”.

Tabell 4.2: De 20 vanligaste kontextorden

Ord Antal Ord Antal

game 61,028 character 8,438 have 14,812 good 7,877 mode 13,770 way 7,611 play 13,648 control 7,601 gameplay 11,593 action 7,560 look 11,527 level 7,515 time 9,581 effect 7,350 get 9,443 more 6,772 make 9,392 player 6,618 one 9,051 use 6,418 4.2.2 Kluster

Fig. 4.3visar test-klustringar av adjektiven från k = 2 till k = 30 som alla togs fram med i = 20, och dessa k-värdens W (k), log(Wk), och KL(k). Andra steget i min strategi var att ur detta resultat välja ut de fem värden av k som enligt något av de ovan beskrivna indexen var optimala. Dessa k-värden är markerade i figuren: Vid 8 kluster fanns log(Wk):s “elbow”, den punkt där log(Wk):s förändringstakt minskar; vid 14 kluster finns maxvärdet av KL(k); vid 26 kluster finns det minsta värdet av W (k); och vid 20 och 23 kluster finns ett högt KL(k) i kombination med ett lågt W (k). Vidare gjorde jag test-klustringar vid 8, 14, 20, 23, och 26 kluster och i = 50, och jämförde manuellt resultaten. Den jämförelse visade att 14, 20, och 26 kluster gav de bästa resultaten (det vill säga att de gav kluster där begreppen såg ut att höra ihop). Därefter upprepade jag k-means med 14, 20, och 26 kluster och ett i-värde av 170. Som jag nämnde i metodavsnittet var k-means–klustren väldigt ojämnt fördelade, och jag valde därför att upprepa testklustringarna med k-medians:

Fig. 4.4 visar resultatet av testklustringar med k-medians vid k = 2 till k = 30. Jag hittade ur dessa tester följande k-kandidater: vid 10, 20, och 29 kluster finns de minsta W (k)-värdena; vid 13 och 21 kluster de högsta KL(k); och 27 och 30 kluster har en kombination av lågt W (k) och högt KL(k). Efter att manuellt analyserat klustren vid 10, 13, 20, 21, 27, 29, och 30 kluster, valde jag ut 13 och 21 kluster som de som bäst representerade datat, och upprepade klustringen med dessa k-värden och i = 512 (seBilaga D. Adjektiv klustrade efter kontextord).

Tabell 4.3: Klustringsstatisitik, k-means K W (k) log(Wk) KL(k) K W (k) log(Wk) KL(k) 16 13,034 11.6898 5 02 29,496 11.7883 5 17 12,157 11.6912 0 03 25,781 11.7896 0 18 11,058 11.6841 1 04 23,045 11.7844 0 19 14,106 11.6710 1 05 19,933 11.7517 4 20 10,850 11.6802 7 06 20,412 11.7597 1 21 12,084 11.6789 1 07 16,640 11.7488 0 22 10,927 11.6802 0 08 17,231 11.7141 5 23 11,213 11.6755 6 09 15,569 11.7218 1 24 11,367 11.6747 1 10 16,155 11.7081 4 25 9,615 11.6758 0 11 16,202 11.7048 3 26 9,560 11.6570 1 12 13,968 11.7035 0 27 11,201 11.6728 1 13 15,398 11.6905 2 28 10,081 11.6579 3 14 14,221 11.6969 39 29 10,038 11.6625 1 15 11,776 11.6967 0 30 10,794 11.6674 1

Tabell 4.4: Klustringsstatisitik, k-medians

K W (k) log(Wk) KL(k) K W (k) log(Wk) KL(k) 16 31,781 17.4586 1 02 36,812 17.6227 0 17 31,401 17.4281 6 03 34,169 17.5424 2 18 31,731 17.4334 1 04 34,103 17.4994 7 19 31,576 17.4283 0 05 34,087 17.5055 3 20 29,724 17.4499 2 06 34,054 17.5076 0 21 31,295 17.4370 203 07 32,271 17.4776 3 22 31,590 17.4371 0 08 32,070 17.4884 1 23 31,696 17.4125 1 09 32,083 17.4761 1 24 31,184 17.4306 1 10 29,923 17.4593 1 25 31,653 17.4428 5 11 31,863 17.4837 1 26 30,898 17.4455 0 12 31,852 17.4659 4 27 31,362 17.4311 16 13 31,848 17.4607 137 28 31,453 17.4302 0 14 31,824 17.4606 0 29 29,773 17.4233 1 15 31,805 17.4398 1 30 31,330 17.4337 12 4.2.3 Adjektivkategorier

Utifrån klustringsresultaten kategoriserade jag därefter adjektiven med hjälp av innehållsanalys: jag gick igenom utskrifter av klustren och kodade adjektiven i dem, med klustren som utgångspunkt för kategorierna.Fig. 4.1visar de resulterande tolv adjektivkategorierna: Klassificering, Beskrivning,

Originalitet, Kognitiv tillgänglighet, Kontroller/mekanik, Komplexitet, Affekt, Tempo, Variation, Kvali-tet, och Avgränsning.

Figur 4.1: Adjektivkategorier Klassificering:

Adjektiv som beskriver spelets gen-re, stil, eller gameplay-typ, of-ta genom jämförelser med and-ra spel, eller genom adjektivise-ring av verb. Exempel:

trial-and-error, rhythm-based, free-form, run-and-jump, first-person-shooter, tetris-like, diablo-style, stealth-based.

Originalitet:

Hur originellt eller nyskapande spe-let är. T.ex.: dated, novel,

creati-ve, unique, revamped, new, inventicreati-ve, unimaginative, genre-defining, com-monplace, cookie-cutter, revolutiona-ry, avant-garde.

Kognitiv tillgänglighet/Svårighet:

Hur svårt eller lätt spelet är, el-ler hur svår- elel-ler lättförståeligt gameplay är. T.ex.: relentless,

dif-ficult, complicated, tough-to-master, easy, pick-up-and-play, straightfor-ward, accessible.

Kontroller/mekanik:

Beskriver kvaliteter hos spelets kon-troller. T.ex.: responsive, tight,

slug-gish, sloppy, clunky, awkward, cum-bersome, clumsy, imprecise, remote.

Beskrivning:

Adjektiv av beskrivande eller värde-rande karaktär, t.ex. smooth, stylish,

cinematic, clean, good-looking, ugly, loud, excellent, top-notch, awesome, horrible, spectacular, stunning, great, good, osv.

Komplexitet:

Hur komplext eller enkelt spelet el-ler dess gameplay är. Ex.: simple,

deep, thin, layered, stripped-down, shallow, limited, underdeveloped.

Affekt:

Känslobaserade bedömningar: hur spelet påverkar recensentens käns-lor. Ex.: entertaining, exciting,

im-mersive, frustrating, engaging, thril-ling, mind-numbing, boring.

Tempo:

Hur snabbt/långsamt spelet är. Ex.: slow, fast, quick, quick-paced,

lightning-quick, slow-moving, high-speed.

Variation:

Hur varierat spelet är. Ex.: repetitive,

homogenous, one-dimensional, vari-ed, diverse, monotonous.

Kvalitet:

Hur välimplementerat spelet är. Ex.: broken, solid, fine-tuned, glitchy,

flawed, polished.

Avgränsning:

Specificerande, avgränsande adjek-tiv: beskriver vilken del av game-play som omtalas. Ex.: core, total,

key, included, fundamental, underly-ing.

Eftersom adjektiv i sig har en beskrivande, specificerande funktion (Bouillon & Viegas 1999) är det föga förvånande att många av de kategorier jag hittade uppehåller sig vid gameplays estetiska element, såsom genre, stil, tempo, och utseende.

De kategorier som var tydligast updelade i kluster var Kontroller/mekanik och Klassificering. Det första beskriver hur spelets kontroller och mekanik känns med ord som “tight”, “awkward”, och “re-mote”, t.ex. “the fighting game remains characterized by its fast, responsive gameplay and competitive spirit”6_{(Kasavin 2001). Klassificeringsadjektiven använder referenser till tidigare spel (“Tetris-like”,}

“Diablo-style”), genre (“first-person-shooter”, “platform-style”), eller spelstil (“free-form”, “trial-and-error”) — t.ex. “The Diablo-style gameplay was a significant departure for Raven” (Davis 2006a), “most of the emphasis has been placed on well-timed jumps and old-school platform-style gameplay” (GameSpot Staff 1999).

Tydligast var dock att lejonparten av adjektiven är värderande, vilket kanske är att förväntas i recensioner. Dels finns adjektiv som är direkt värderande — “excellent”, “spectacular”, “great” i ka-tegorin Beskrivning, “broken”, “solid”, “flawed” i kaka-tegorin Kvalitet.

Också adjektiv i kategorier som Variation, Komplexitet, Kognitiv tillgänglighet, Originalitet, och

Af-fekt är implicit värderande; underförstått är spel som är varierade eller originella bättre än spel som

inte är det. Om ett spel är mindre varierat omtalas det med negativt laddade adjektiv såsom “mono-tonous” eller “one-dimensional”, medan varierade spel omtalas med positivt laddade eller neutrala ord som “varied” eller “diverse” — exempelvis “Yet the boring, one-dimensional gameplay and terrible dialogue aren’t the game’s most insulting blemishes; that prize belongs to Rogue Warrior’s total lack of value” (VanOrd 2009), “The engrossing campaign is chock-full of exciting, varied gameplay and drips with intrigue and intensity” (Watters 2010).

På ett liknande diskuteras originella spel i positiva termer och icke-originella spel i negativa dito: “the generally commonplace gameplay mechanics limit the game’s appeal to more-mature players” (Davis 2003), “consistently fun and inventive gameplay make it a landmark achievement in one of gaming’s most beloved genres” (Kasavin 2002). Ett undantag från regeln att adjektiv som represen-terar icke-originalitet är negativa är ordet “classic”, som flera gånger används i positiv betydelse, främst om nyversioner av gamla spel — t.ex. “the game has taken the good, refined points of the series’ classic gameplay while leaving behind the more recent inclusions that haven’t worked so well” om Tony Hawk’s American Sk8land (Gerstmann 2005), eller “It’s a relief, then, that Worms: Open Warfare [. . . ] opts for the classic gameplay that made the series a success in the first place” (Davis 2006b).

4.2.4 Sammanfattning

De allra flesta adjektiv som används om “gameplay” i spelrecensioner är alltså värderande, och, som nämndes ovan, det faller sig naturligt i recensioner. Spelrecensenter bedömer gameplay mer än de definierar det, men från de adjektivkategorier jag hittade kan man ändå härleda vad de menar med gameplay.

Av de beskrivande adjektiv som används — “stylish”, “good-looking”, “ugly”, &c — drar jag slut-satsen att gameplay-begreppet i de undersökta recensionerna har en visuell komponent, däremot är adjektiv som har med ljud ovanligare (“loud” används två gånger, “rhythm-based” används fem gånger). Huruvida detta beror på att ljud inte anses vara en kärnegenskap hos gameplay, på att ljud-baserad gameplay är ovanlig, eller bara på att ljudadjektiv inte fungerar lika väl tillsammans med “gameplay” rent språkligt är svårt att svara på.

Som det används i de studerade recensionerna, är gameplay något spelaren utför via inmatnings-enheter och spelmekanik, och som har effekter på spelvärlden, vilka i sin tur främst representeras visuellt.

4.3 Jämförelser

4.3.1 Spelrecensioner & spelarrecensioner

När man jämför denna studies resultat med Zagal & Tomuros, är likheterna större än skillnaderna. Spelare och recensenter talar om gameplay i liknande termer, vilket också likheterna mellan före-liggande studies kategorier och Zagal & Tomuros dito talar för: tempo i denna studie motsvaras av

pacing hos Zagal & Tomuro, komplexitet av complexity, kognitiv tillgänglighet/svårighet av cognitive accessibility och demand, och affekt av impact. Även kategorier som denna studie hittat men som inte

finns hos Zagal & Tomuro omtalas av dem utanför deras kategorisering — t.ex. Kontroller/mekanik,

Beskrivning, Avgränsing, Variation.

I stort verkar alltså spelrecensenter och spelare tala om gameplay på samma sätt, men det finns en intressant skillnad: Det är hos recensenter vanligare att beskriva gameplay genom genretillhörig-het och jämförelser med tidigare spel — det som i denna studie benämns Klassificering. Det är en tydlig grupp adjektiv i spelrecensionerna men nämns inte alls i Zagal & Tomuro.

4.3.2 Spelrecensioner & spelforskning

Eftersom vetenskap företrädesvis är deskriptiv inte preskriptiv, saknar spelforskningens gameplay-diskurs det värderande perspektiv som finns hos spelrecensionerna, men i övrigt överlappar de två domänernas kategorier i mycket varandra: båda innehåller kategorier för affekt, kognitiv

tillgäng-lighet, mekanik, tid och tempo, mekanik, och kontroller. Spelforskningens immersion passar också in

under affekt i recensionskategorierna, och spelrecensionskategorin kvalitet skulle kunna kategorise-ras under mekanik & regler.

Också trovärdighet finns representerad i spelrecensioner — adjektiv som “unrealistic”, “realistic”, “faithful”, och “real-world” — men det är mindre fokus på det.

Forskningslitteraturen innehåller dock två kategorier som verkar saknas i spelrecensioner:

Agency. Det finns adjektiv som beskriver spelarhandlingar och adjektiv som beskriver spelvärlden,

men inte adjektiv som beskriver spelarhandlingars påverkan på spelvärlden, eller som uppehåller sig vid illusionen av kontroll över spelvärlden. Fokus i spelrecensioner verkar ligga mer på hur gameplay känns — kontrollers vikt och precision — än på förhållandet mellan gameplay och spelvärlden.

Artificiell Intelligens. Jag har inte heller i spelrecensioner hittat några adjektivgrupper som

5

S

,

,

5.1 Gameplay i spelrecensioner, spelarrecensioner, & spelforskning

Generellt har spelrecensenter ett värderande perspektiv på gameplay, och lägger mindre fokus på att definiera gameplay. Från de kategorier av adjektiv de använder drar jag ändå vissa slutsatser om deras bild av gameplay: Det verkar som om recensenterna ser gameplay som de handlingar spelaren utför via inmatningsenheter, och som via spelmekanik har effekter på spelvärlden, vilka i sin tur främst presenteras, främst visuellt, av gränssnittet.

Spelrecensenter använder ordet “gameplay” mycket oftare än spelare — 68% av recensionerna, att jämföra med 38% av spelarrecensionerna (Zagal & Tomuro 2010). Detta kan bero på att recen-senter har en tydligare bild av vad gameplay är, och därför är mer bekväma med ordet. Det är möjligt att spelare diskuterar samma saker som recensenterna men utan att i samma utsträckning använda ordet “gameplay”, något som förtjänar att undersökas närmare, kanske med mer kvalitativa meto-der.

När spelare använder “gameplay” gör de det dock på liknande sätt som recensenterna, vilket likheterna adjektivgrupperna emellan talar för. Den enda stora skillnaden är att recensenter i myc-ket större utsträckning uppehåller sig vid genre-tillhörighet. Detta är dock antagligen en artefakt av begränsningar i de verktyg Zagal & Tomuro använde; Stanford POS-tagger kan inte hantera bin-destreck och de genre-klassificerande adjektiven innehåller utan undantag binbin-destreck: “run-and-jump”, “stealth-based”, “Tetris-style”, och så vidare. För att säkerställa att så är fallet, och för att undersöka hur spelare använder genre-klassificering, behöver dock ytterligare studier göras av spe-larrecensioner.

I stort har recensenter, spelare, och forskare en mer eller mindre samstämmig bild av gameplay. Alla grupper verkar överrens om att gameplay återfinns i samspelet mellan spelare, gränssnitt, och mekanik — att utföra gameplay är att handla i spelet.

Spelforskningslitteraturen skiljer sig från recensenter och spelare främst i dess fokus på agency och på artificiell intelligens. Att artificiell intelligens saknas i spelarrecensioner anmärker också Zagal & Tomuro, och deras förslag på förklaring, att det ännu inte utvecklats en vokabulär för artificiell intelligens, antingen för att AI ännu är relativt primitiv, eller för att den inte fokuseras på i mark-nadsföring av spel (Ibid.), förefaller mig trovärdig.

Agency i sin tur är, enligt spelforskningen, central för spel: för att spelare ska utföra gameplay

måste den kännas meningsfull, och spelhandlingar kännas viktiga (Desurvire & Wiberg 2009; Lund-gren, et al. 2009). Att varken spelare eller recensenter verkar lägga vikt vid agency kan ha flera förklaringar. Det kan vara så att det ses som en självklar del av spelerfarenheten, eller att det inte ses som en del av gameplay utan av spelet som helhet.

För att utreda dessa skillnader mellan spelforskning och –recensioner krävs ytterligare forskning, där framförallt en djupare kvalitativ undersökning av spelares respektive recensenters syn på gameplay skulle kunna utöka och vidare förklara ovanstående resultat.

5.2 Begränsningar

Medan föreliggande undersökning använder sig av en relativt stor datamängd, kommer denna data från en enda källa — GameSpot.com — och denna källa har vissa inneboende brister. Framförallt är dess läsare till övervägande del, 95%, manlig (Zagal & Tomuro 2010), vilket också återspeglas hos dess recensenter: av de tio mest aktiva recensenterna är alla män, och bland de 100 mest aktiva finns endast fem kvinnor. GameSpot har också anklagats för att låta sig påverkas av speldistributörers krav (Koeffel, et al. 2010). Därför är ett förslag till vidare forskning att undersöka fler, och mer varierade, datakällor. Man skulle därmed kunna se vilka, om några, skillnader som finns mellan olika grupper av recensenter och spelare.

Undersökningen skulle som sagt också kunna kompletteras genom mer kvalitativa metoder: lexi-kalisk analys är användbar för att effektivt analysera stora mängder data, men det enda den egentli-gen säger något om är hur ett fenomen omtalas. Resultaten skulle med fördel kunna kontextualiseras

och fördjupas genom intervjuer med spelare och recensenter, och genom kvalitativ analys av recen-sioner.

L

ATSERIAS, J., CASAS, B., COMELLES, E., GONZÁLEZ, M., PADRÓ, L., & PADRÓ, M. (2006). “FreeLing 1.3: Syntactic and semantic services in an open-source NLP library”. I Proceedings of the fifth international conference on Language Resources and Evaluation. Genoa, Italien: ELRA.

BIBER, D. (1993). “Representativeness in Corpus Design”. Literary and Linguistic Computing, 8(4), 243–257.

BOUILLON, P., & VIEGAS, E. (1999). “The Description of Adjectives for Natural Language Processing: Theoretical and applied perspectives”. I Proceedings of Description des Adjectives pour les Traitments Informatiques. Cargèse, Korsika: Citeseer.

CHURCH, K. W., & MERCER, R. L. (1993). “Introduction to the Special Issue on Computational Linguistics Using Large Corpora”. Computational Linguistics, 19(1), 1–24.

DAVIS, R. (2003). “Tak and the Power of Juju Review”. GameSpot.com. Hämtad från http://www.gamespot.com/ps2/-action/takandthepowerofjuju/review.html.

. (2006a). “Marvel: Ultimate Alliance Review”. GameSpot.com. Hämtad från http://www.gamespot.com/xbox-360/rpg/marvelultimatealliance/review.html.

. (2006b). “Worms: Open Warfare Review”. GameSpot.com. Hämtad från http://www.gamespot.com/ds/-strategy/worms/review.html.

DE MARNEFF, M., & MANNING, C. D. (2008). “The Stanford typed dependencies representation”. I Proceedings of the Coling 2008 Workshop on Cross-Framework and Cross-Domain Parser Evaluation (ss. 1–8). Manchester, England: Association for Computational Linguistics.

DESURVIRE, H., & WIBERG, C. (2009). “Game Usability Heuristics (PLAY) for Evaluating and Designing Better Games: The Next Iteration”. Online Communities and Social Computing, 5621, 557–566.

DJAOUTI, D., ALVAREZ, J., JESSEL, J., METHEL, G., & MOLINIER, P. (2008). “A gameplay definition through videogame classification”. International Journal of Computer Games Technology.

ELO, S., & KYNGÄS, H. (2008). “The qualitative content analysis process”. Journal of Advanced Nursing, 62(1), 107–115. ERMI, L., & MÄYRA, F. (2005). “Fundamental Components of the Gameplay Experience: Analyzing Immersion”. I

Procee-dings of DiGRA 2005: Changing Views — Worlds in Play (ss. 15–27). Vancouver, BC, Canada: Citeseer.

FABRICATORE, C. (2007). “Gameplay and game mechanics design: a key to quality in videogames”. I Proceedings of the OECD–CERI Expert Meeting on Videogames and Education. Santiago de Chile, Chile.

FEDEROFF, M. A. (2002). “Heuristics and usability guidelines for the creation and evaluation of fun in video games” (Masters of Science Thesis). Bloomington, IN, USA: Indiana University.

FRANCIS, W. N., & KUCERA, H. (1979). “Brown Corpus Manual”. Providence, RI, USA: Brown University.

GAMESPOT STAFF. (1999). “Castlevania Review”. GameSpot.com. Hämtad från http://www.gamespot.com/n64/adven-ture/castlevania/review.html

GERSTMANN, J. (2005). “Tony Hawk’s American Sk8land Review”. GameSpot.com. Hämtad från http://www.game-spot.com/ds/sports/tonyhawksamericansk8land/review.html.

JUUL, J., & NORTON, M. (2009). “Easy to use and incredibly difficult: on the mythical border between interface and gameplay”. I Proceedings of the 4th_{International Conference on Foundations of Digital Games (ss. 107–112). Orlando,}

FL, USA: ACM.

KASAVIN, G. (2001). “Guilty Gear X Review”. GameSpot.com. Hämtad från http://www.gamespot.com/ps2/action/guilty-gear10/review.html.

. (2002). “Yoshi’s Island: Super Mario Advance 3 Review”. GameSpot.com. Hämtad från http://www.game-spot.com/gba/action/yoshisislandsuperma3/review.html.

KOEFFEL, C., HOCHLEITNER, W., LEITNER, J., HALLER, M., GEVEN, A., & TSCHELIGI, M. (2010). “Using Heuristics to Evaluate the Overall User Experience of Video Games and Advanced Interaction Games”. I Bernhaupt, R. (red.), Evaluating User Experience in Games, Human-Computer Interaction Series (ss. 3–7). London, England: Springer. LEE, L., & PEREIRA, F. (1999). “Distributional similarity models: clustering vs. nearest neighbors”. I Proceedings of the 37th

annual meeting of the Association for Computational Linguistics on Computational Linguistics (ss. 33–40). Morristown, NJ, USA: Association for Computational Linguistics.

LEISCH, F. (2006). “A toolbox for K-centroids cluster analysis”. Computational Statistics & Data Analysis, 51(2), 526–544. LIVINGSTON, I. J., MANDRYK, R. L., & STANLEY, K. G. (2010). “Critic-Proofing: How Using Critic Reviews and Game

Genres can Refine Heuristic Evaluations”. I Proceedings of the 2010 Conference on Future Play @ Vancouver Digital Week (ss. 72–79). Vancouver, BC, Canada: ACM.

LUNDGREN, S., BERGSTRÖM, K. J., & BJÖRK, S. (2009). “Exploring Aesthetic Ideals of Gameplay”. I Breaking New Ground: Innovation in Games, Play, Practice and Theory. Proceedings of DiGRA 2009. London, England: Brunel University. MACQUEEN, J. (1967). “Some methods for classification and analysis of multivariate observations”. I Proceedings of the Fifth

Berkeley Symposium on Mathematical Statistics and Probability, vol. 1 (ss. 281–297). Berkeley, CA, USA: University of California Press.

MURRAY, J. H. (1997). Hamlet on the Holodeck: The Future of Narrative in Cyperspace. Cambridge, MA, USA: The MIT Press.

OATES, B. J. (2006). Researching Information Systems and Computing. London, England: SAGE Publications.

ORWANT, J., HIETANIEMI, J., & MACDONALD, J. (1999). Mastering Algorithms with Perl. Sebastopol, CA, USA: O’Reilly & Associates.

PANG, B., LEE, L., & VAITHYANATHAN, S. (2002). “Thumbs up? Sentiment Classification using Machine Learning Techni-ques”. I Proceedings of the Conference on Empirical Methods in Natural Language Processing (ss. 79–86). Philadelphia, PA, USA: Association for Computational Linguistics.

PINELLE, D., WONG, N., & STACH, T. (2008a). “Heuristic evaluation for games: usability principles for video game design”. I Proceedings of the twenty-sixth annual SIGCHI conference on Human factors in computing systems (ss. 1453–1462). Florens, Italien: ACM.

. (2008b). “Using genres to customize usability evaluations of video games”. I Procee-dings of the 2008 Conference on Future Play: Research, Play, Share (ss. 129–136). Toronto, ON, Canada: ACM. SACRANIE, J. (2010). “Consumer Perceptions & Video Game Sales: A Meeting of the Minds”. Honors Projects. Paper 108.

Bloomington, IL, USA: Illinois Wesleyan University.

SCHULLER, B., SCHENK, J., RIGOLL, G., & KNAUP, T. (2009). “»The Godfather« vs. »Chaos«: Comparing Linguistic Analysis Based on On-line Knowledge Sources and Bags-of-N-Grams for Movie Review Valence Estimation”. I Proceedings of the 10thInternational Conference on Document Analysis and Recognition (ss. 858–862). Barcelona, Spanien: IEEE. SIWEK, S. E. (2010). Video Games in the 21st_{Century: The 2010 Report. Washington, DC, USA: The Entertainment Software}

Association.

STANLEY, D. (2006). “K-means clustering: A half-century synhtesis”. British Journal of Mathematical and Statistical Psycho-logy, 59, 1–34.

SWINSCOW, T. D. V., & CAMPBELL, M. J. (2002). Statistics at Square One. London, England: BMJ Books.

TIBSHIRANI, R., WALTHER, G., & HASTLE, T. (2001). “Estimating the number of clusters in a data set via the gap statistic”. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 63(2), 411–423.

VANORD, K. (2009). “Rogue Warrior Review”. GameSpot.com. Hämtad från http://www.gamespot.com/xbox360/action/-roguewarrior/review.html.

WATTERS, C. (2010). “Call of Duty: Black Ops Review”. GameSpot.com. Hämtad från http://www.gamespot.com/xbox-360/action/callofduty7workingtitle/review.html.

ZAGAL, J. P., & TOMURO, N. (2010). “The Aesthetics of Gameplay: A Lexical Approach”. I Proceedings of MindTrek 2010. Tampere, Finland: ACM.

AARSETH, E. J. (1997). Cybertext: Perspectives on Ergodic Literature. Baltimore, MD, USA: The Johns Hopkins University Press.

A. G

S

Den från GameSpot nedladdade korpusen1 består av11,696 recensioner av 235 författare från 1 Maj 1996 till 10 November 2010, med ett medelbetyg av 6.7. Den totala textmängden uppgår till 597,612 meningar. De tio mest aktiva författarna står för 47% (5496 st.) av recensionerna; dessa

tio är alla män, och bland de 100 mest aktiva författarna är 5% kvinnor. Spelen är indelade i 8 genrer, och majoriteten av spelen, 38%, tillhör Action-genren. Vidare är den vanligaste platformen

PC, med27.4% av de recenserade spelen.

Tabell 1: Genrer, Platformar, & Recensenter

Genre Antal Andel Action 4448 38.0% Sports 1849 15.8% Strategy 1200 10.3% Driving 1144 9.8% Puzzle 1046 8.9% RPG 850 7.3% Adventure 835 7.1% Simulation 324 2.8%

Platform Antal Andel PC 3201 27.4% PS2 1426 12.2% PS 932 8.0% Xbox360 854 7.3% Xbox 815 7.0% Wii 589 5.0% PS3 532 4.5% Mobile 521 4.5% DS 520 4.4% GBA 477 4.1%

Författare Recensioner Andel Jeff Gerstmann 1046 8.9% Frank Provo 779 6.7% Alex Navarro 732 6.3% Ryan Davis 688 5.9% Greg Kasavin 643 5.5% Brett Todd 436 3.7% Kevin VanOrd 413 3.5% Aaron Thomas 274 2.3% Ryan Mac Donald 246 2.1% Bob Colayco 239 2.0%

B. “P

-

-

”

Tabell 2: Part-of-speech taggar (urval)

Tag Definition

. sentence closer (. ; ? *)

, comma

: colon

AT article (a, the, no)

DT singular determiner/quantifier (this, that) IN preposition

JJ adjective

JJR comparative adjective

JJS semantically superlative adjective (chief, top) JJT morphologically superlative adjective (biggest) NN singular or mass noun

NN$ possessive singular noun NNS plural noun

NNS$ possessive plural noun

NP proper noun or part of name phrase NP$ possessive proper noun

NP§ plural proper noun

NPS$ possessive plural proper noun RB adverb

RBR comparative adverb RBT superlative adverb

RN nominal adverb (here, then, indoors) RP adverb/particle (about, off, up) TO infinitive marker to

UH interjection, exclamation VB verb, base form VBD verb, past tense

VBG verb, present participle/gerund VBN verb, past participle

VBZ verb, 3rd. singular present

C. I

Tabell 3: Kategorimatris

Kategori Artikel AI Affekt Agency Immersion Kognitiv tillgäng-lighet Kontroller Mekanik & regler Tid Tro-värdighet

Desurvire & Wiberg 2009 M A A A A,M M A A,M

Djaouti, et al. 2008 M M M

Ermi & Mäyra 2005 A A A A

Fabricatore 2007 A A A A,M M A,M A,M

Juul & Norton 2009 A,M M M M

Koeffel, et al. 2010 A,M A A A,M M M A A

Lundgren, et al. 2009 A A A M A,M

A: elementet diskuteras ur affektivt perspektiv. M: elementet diskuteras ur mekanistiskt perspektiv.

K = 13 Kluster #1

trial-and-error, rock-solid, free-form, formulaic, nuanced, one-note, substandard, run-of-the-mill, skill-based, sta-le, suspenseful, broken, tired, one-dimensional, creati-ve, unpleasant, simultaneous, rhythm-based, sophistica-ted, run-and-jump, banal, dead-on, unsatisfying, timeless, free-roaming, objective-based, middling, in-depth, unmat-ched, timing-based, archaic, relentless, well-designed, un-touched, unenjoyable, forgivable, gimmicky, static

Kluster #2

actual, simple, solid, basic, repetitive, core, deep, famili-ar, similfamili-ar, interesting, classic, identical, enjoyable, excel-lent, entertaining, exciting, overall, standard, unique, rea-listic, bad, decent, strong, much, poor, slow, old, difficult, nothing, impressive, main, hockey, long, two-player, close, present, playable, short, driving, light, real, quality, nice, single, quick, high, entire, last, camera, fine

Kluster #3

top-notch, dated, novel, lame, forgettable, immersive, awesome, horrible, slick, minimal, spectacular, crisp, high-quality, rock, sparse, adequate, atmospheric, loud, service-able, drab, stunning, catchy

Kluster #4

frustrating, challenging, engaging, concerned, improved, simplified, unbalanced, twitchy, thrilling, mind-numbing, manic, engrossing, involved, gawky, contrived, unoriginal, dungeon-crawling, captivating, all, puzzle-based, paced, trite, delivered, diablo-style, trick-oriented, something, fine-tuned, moment-to-moment, tweaked, brute-force, disjointed, analogous, goal-oriented, platform-heavy, un-complicated, features, resulting, lightweight, acrobatic, homogenous, exhilarating, racing, structured, squad-style, intriguing, head-to-head, represented, proven, hide-and-shoot, single-button, family-friendly, menu-driven, focused, updated, plodding, simple-minded, frustration-free, unintuitive, hollow, aspiration-based, rote, off, in-spired, otherwise, well-defined, glitchy, executed, explo-rative, action-based, irritating, realm-versus-realm, enth-ralling, hypnotic, statistic-and-probability-driven, time-tested, uninventive, surgical, position-style, satisfacto-ry, stats-focused, tangential, dial-a-combo, quick-paced, conceived, instrumental, fighting, unfocused, objecti-ves, pet-based, time-management, layered, combo-based, guns-blazing, inclined, just, tuned, fire-and-evade, not-so-exciting, trigger-happy, strengths, requires, suited, platform-style, bump-and-jump, tiring, annoying, substan-tive, party-based, often-standard, nerve-racking, paper-thin, white-knuckle, rehashed, risk-versus-reward-style, first-person-shooter, lightning-quick, garbage, console-rich, action-platforming, above-average, scripted, lethar-gic, platform-jumping, remedial, strafe-and-shoot, run-and-shoot, gratifying, flight-sim, disconnected,

uninvol-ving, renovated, monster-hacking, unstructured, anemic, hop-and-dodge, relaxed, tough-to-master, gripping, de-signed, stat-o-rama-based, recycled, meticulous, bare-bones, match-three, meager, unrewarding, dusting, air-tight, minute-to-minute, charming, been-there-done-that, made, sublime, involving, head-to-head-fighter, mega, contra-style, frenzied, time-proven, all-flash-and-no-substance, confusing, up-tempo, offensive-minded, othello-inspired, seven-on-seven, rubber-band, divergent, placid, revamped, text-heavy, stat-driven, rock-paper-scissors, puzzling, end-to-end, tetris-like, undaunted, stealth-action, space-shooter, top-shelf, established, com-bines, blemishes, nursing-home-ready, habit-forming, mi-serable, one-button, dull-as-a-doornail, avant-garde, gem-busting, go-through-the-motions, thought-provoking, exploration-based, pivot-and-then-go, all-too-familiar, sty-lized, hiccups, by-the-numbers, rocketmen, improv-heavy, unfulfilling

Kluster #5

predictable, city-building, pac-man, exceptional, func-tional, usual, action-packed, consistent, faithful, distin-ctive, friendly, plain, devoid, team-based, constant, bi-zarre, secondary, inherent, bomberman, straight, hard-core, lasting, unlikely, robust, exact, lighthearted, action-adventure

Kluster #6

good, great, fun, easy, new, arcade, different, online, ori-ginal, few, single-player, more, sound, little, strategy, mul-tiplayer, make, control, most, available

Kluster #7

underlying, varied, derivative, intact, diverse, uninspired, action-oriented, unchanged, inventive, balanced, funda-mental, quirky

Kluster #8

tried-and-true, lag-free, old-fashioned, buggy, unremar-kable, fare, uneven, thin, offering, questionable

Kluster #9

potent, elegant, dreary, true-to-life, near-perfect, point-and-click, slow-moving, bound, first-rate, sadistic, obnox-ious, unexciting, uneventful, nonviolent, notch, easygo-ing, unimaginative, combat-oriented, jam, middle-of-the-road, outdated, second-rate, genre-defining, commonpla-ce, affair, breezy, social, inept, pedestrian, haphazard, high-speed, abysmal, methodical, lifelike, underdevelo-ped, pervasive, robotron