Biometrische Tests von zu Hause aus zur Verbesserung des Spielerlebnisses

Von großen Studios, die AAA-Titel herausbringen, bis hin zu Ein-Mann-Indie-Entwicklern – Spieleentwickler nutzen zunehmend biometrische Daten, um bessere Benutzeroberflächen, eindrucksvollere Erlebnisse und ein verbessertes Gameplay zu gestalten.

Wenn du als Spieleentwickler oder -tester derzeit an deinen Heim-Gaming-Posten gebunden bist, kannst du dennoch effektive, biosensorbasierte Spieletests durchführen. Eine Sache, der ich in meiner zusätzlichen Freizeit nachgehe, ist die Rückkehr zu meinen glorreichen CS-Tagen. Nun habe ich CS seit den „De-Dusk“-Tagen in den 2000er Jahren nicht mehr angerührt, aber ich wollte mir die neue E-Sport-Version ansehen und prüfen, wie sie aus neurowissenschaftlicher Sicht abschneidet.

In diesem Artikel werde ich mich auf einige Tools konzentrieren, die ich derzeit von zu Hause aus nutze, und erläutern, wie Sie diese für Ihr biometrisches Spieletesting aus der Ferne einsetzen können, um tiefere Einblicke in die Benutzerfreundlichkeit und das Spielerlebnis Ihres Spiels zu gewinnen:

Wie man Eye-Tracking für eine bessere Spieleentwicklung nutzt

Bei der Hardware ist der Vorgang ganz einfach: Man befestigt eines dieser Geräte an der Unterseite des Monitors und schließt es an einen USB-Anschluss an. Warum ist diese Technologie dann nicht überall zu finden? Eye-Tracking gibt es schon seit einigen Jahren und taucht gelegentlich in Form von Eye-Tracking-Challenges in Twitch- oder YouTube-Streams auf. Aus Sicht der Spieleentwickler wird es jedoch als Spielerei abgetan, obwohl es in Wirklichkeit ein wertvolles Werkzeug zur Verbesserung des Spiels ist. Dafür gibt es mehrere Gründe.

Ein Hauptgrund ist ein allgemeiner Mangel an Fachwissen darüber, wie diese Technologie eingesetzt werden muss, um aussagekräftige Erkenntnisse über das Gaming zu gewinnen. Die Hardware-Hersteller, die die bildschirmbasierten Eye-Tracker produzieren, die man am Monitor befestigt, sind zwar gut darin, Hardware herzustellen, aber es liegt weitgehend an Ihnen, dem GUR-Tester, herauszufinden, wie Sie diese nutzen können, um Ihr Erlebnis als Erstnutzer zu verbessern.

Große Entwickler verfügen über interne Teams, die bereit sind, die Builds zu testen, sobald diese fertig sind. In den meisten Fällen müssen sie entweder neue Experten für Eye-Tracking einstellen oder Software und Schulungen für ihr bestehendes Team bei einem Unternehmen wie iMotions erwerben.

Hier sind einige Tipps, wie Sie Eye-Tracking-Daten effektiv nutzen können. Erstens benötigen Sie aufgrund der Natur biometrischer Tests pro Studie nicht so viele Testpersonen.

Eye-Tracking bei Spielen funktioniert am besten in kleinen, iterativen Designs, bei denen alte und neue Designs in derselben Sitzung getestet werden. Auf diese Weise können Sie anhand der Heatmaps und Blickverfolgungsdiagramme Fragen beantworten wie: „Erleichtert dieses neue Design das Auffinden und Verstehen der Option x?“

Eine weitere nützliche Information, die Eye-Tracking im Spielverlauf liefern kann, sind Erkenntnisse über die Nutzung verschiedener Bildschirmelemente wie Minikarten während des Spiels, während der Nutzer sich mit dem Spiel vertraut macht. Auf einer übergeordneten Ebene kann die Gesamtzeit, die mit dem Betrachten der Minikarte verbracht wird, Aufschluss darüber geben, wie schnell Anfänger den Übergang vom Erlernen der grundlegenden Spielmechaniken zu fortgeschritteneren Fähigkeiten und Strategien schaffen.

Dies kann eine detailliertere Antwort auf die Frage liefern: „Ist mein Spiel leicht zu meistern?“ Wenn Sie das Nutzerverhalten genauer untersuchen möchten, könnten Sie die Kartennutzung über eine gesamte Spielsitzung hinweg aufzeichnen, um ein Profil des Nutzerverhaltens zu erstellen. Anschließend können Sie versuchen, das Design anzupassen, um bessere Ergebnisse zu erzielen – beispielsweise indem Sie neue Spieler dazu anregen, die Karte häufiger zu nutzen, wodurch sie im Spiel erfolgreicher werden und hoffentlich eine höhere Spielerbindung erreicht wird.

Vergessen Sie nicht, eine demografische Vergleichsanalyse durchzuführen. In der Eile, Erkenntnisse zu gewinnen, könnte man versucht sein, nur die Daten der gesamten Testgruppe zu betrachten, um zu sehen, ob Ihr Spiel gut ankommt. Eine Aufschlüsselung der Erkenntnisse nach unterschiedlichen Erfahrungsstufen, dem Alter und anderen Faktoren der Teilnehmer könnte sich jedoch als noch wertvoller erweisen.

Wie man die Kodierung von Gesichtsausdrücken für bessere Fragen nutzt

Bei der Analyse von Gesichtsausdrücken wird ein von einer Kamera aufgenommenes Video des Gesichts eines Nutzers verwendet und anschließend durch eine KI-Software geleitet, die Bild für Bild Daten zu den gezeigten Gesichtsemotionen generieren kann.

Auf den ersten Blick (entschuldigen Sie das Wortspiel) scheint es naheliegend, anhand von Mimik die Spielqualität einzuschätzen – das heißt, wenn die Spieler glücklicher wirken oder mehr lächeln, bedeutet das, dass das Spiel besser ist. Man könnte versucht sein, die Spieltests einfach nur aufzuzeichnen und es dabei zu belassen.

Sie werden jedoch schnell feststellen, dass die im Gesicht zum Ausdruck gebrachten Emotionen komplexer sind und dass die stark vereinfachte Annahme, wonach Gesichtsausdruck gleichbedeutend mit empfundener Emotion ist, mit Fallstricken behaftet ist. Testen Sie beispielsweise das Gameplay, die Zwischensequenzen oder einen Belohnungsbildschirm? Jeder dieser Aspekte weist unterschiedliche emotionale Profile auf, die bei der Gestaltung des biosensorbasierten Spieltests berücksichtigt werden müssen.

Ein Ansatz besteht darin, jeden Ausdruck – unabhängig davon, ob er positiv oder negativ ist – als allgemeine emotionale Beteiligung zu betrachten. Diese Kennzahl könnte von Entwicklern genutzt werden, um den schmalen Grat zwischen Spielspaß und dauerhaftem „Rage Quitting“ zu meistern.

Ich habe dies in der folgenden Grafik hervorgehoben. Die Daten zeigen, wie meine Gesichtsausdrucksdaten für eine einzelne Runde aussehen, wobei die linken Balken die gesamte Spielzeit und die rechten den Ergebnisbildschirm darstellen. Jeder der farbigen Balken steht für die allgemeine positive, negative und neutrale Ausdrucksstärke.

Auf den ersten Blick zeigte ich mehr negative als positive Gesichtsausdrücke, aber die Frage ist nun: Spiegelt dieses Ergebnis meine allgemeine Spielerfahrung wider oder meine Leistung im Spiel?

Man erkennt allmählich, wie schwierig es ist, Gesichtsausdrücke auf diese Weise heranzuziehen, um Fragen zur allgemeinen Spielqualität zu beantworten. Ein weiteres Ergebnis, das für diejenigen, die sich zum ersten Mal mit Gesichtsausdrucksdaten befassen, manchmal überraschend ist, ist der hohe Anteil an neutralen Gesichtsausdrücken, die in 85 bis 90 % der Fälle zu beobachten waren.

Die Ergebnisse ergeben jedoch mehr Sinn, wenn man bedenkt, dass sich Gesichtsausdrücke eigentlich als Kommunikationsmittel entwickelt haben und nicht als reiner Indikator für den emotionalen Zustand. Menschen sind als soziale Wesen nicht darauf programmiert, sozial mit Computern zu interagieren (jedenfalls noch nicht), weshalb sie dazu neigen, meist einen ausdruckslosen Gesichtsausdruck anzunehmen, wenn sie sich konzentrieren oder in eine nicht-soziale Aufgabe vertieft sind.

Dies zeigt sich auch häufig beim Medienkonsum, beispielsweise beim Testen von Fernsehsendungen und Filmen. Das bedeutet jedoch nicht, dass die wichtigen Momente, in denen Gesichtsausdrücke sichtbar werden, an Bedeutung verlieren. Wie könnten also Daten zu Gesichtsausdrücken genutzt werden, um echte Einblicke in die Spielerfahrung eines Spielers zu gewinnen?

Vor diesem Hintergrund können Spielforscher ihre Forschungsfragen neu ausrichten, um Aspekte wie das Eintauchen in das Spiel und den Flow als Prädiktoren für den angegebenen Spielspaß zu untersuchen.

Die Darstellung der durchschnittlichen Gesichtsaktivität im Verlauf des Spiels lässt erkennen, dass die emotionale Beteiligung zunahm, während das Spiel vom Ladebildschirm bis zum Spielergebnis fortschritt. Dies ist ein positives Ergebnis, da man im Allgemeinen eine Zunahme der psychologischen Beteiligung im Verlauf des Spiels erwarten würde.

Wie man die Hautleitfähigkeit oder die elektrodermale Aktivität (EDA) nutzt, um den kognitiven Zustand eines Spielers zu erfassen

Von den bisher genannten Messmethoden ist Ihnen die elektrodermale Aktivität (EDA) vielleicht am wenigsten geläufig. Wenn Sie sich das Spielerlebnis wie das Lesen eines Buches vorstellen, können Sie sich EDA als eine Möglichkeit vorstellen, jeden Satz zu markieren, den der Leser bzw. Spieler interessant fand. So erhält man einen umfassenden Einblick darin, was Wirkung gezeigt hat und was nicht – selbst wenn der Tester seine Gefühle nicht wirklich in Worte fassen kann.

Die elektrodermale Aktivität (EDA), manchmal auch als galvanische Hautreaktion (GSR) bezeichnet, ist ein Sensor, der misst, wie viel Schweiß die Haut gerade produziert. Bei diesem Test habe ich ein Shimmer-GSR-Gerät verwendet, das wie eine gewöhnliche Armbanduhr getragen wird und bei dem zwei Drähte mit Klettverschluss an meiner linken Hand befestigt wurden. Das Gerät hat meine WASD-Funktionen nicht beeinträchtigt, und nach einer Sekunde habe ich vergessen, dass es überhaupt da war.

EDA wird manchmal mit einem großen Lügendetektor mit vielen Kabeln und komplizierten, gewundenen Linien in Verbindung gebracht. In Wirklichkeit ist es viel einfacher zu verstehen, als man vielleicht denkt. Denken Sie an das Konzept von „Kampf oder Flucht“, das ein inneres System des Menschen beschreibt, das aufgrund von Umweltfaktoren wie Bedrohungen aktiviert wird.

Die Hautleitfähigkeitsmessung gibt Aufschluss über den kognitiven und emotionalen Zustand eines Spielers.

Das funktioniert so, dass es bestimmte Stellen am menschlichen Körper gibt, die empfindlich auf die Gefühlslage der Person reagieren. Wenn Sie schon einmal vor Publikum nervös waren, ist Ihnen vielleicht aufgefallen, dass diese Bereiche stark schwitzen, beispielsweise die Handflächen, die Füße oder die Stirn.

Das Tolle daran ist, dass dieser Effekt keine „Alles-oder-nichts“-Reaktion ist. Er ist proportional zum aktuellen Zustand des Spielers und kann genutzt werden, um selbst kleine Veränderungen zu erkennen, die sonst unsichtbar blieben. Man sollte wissen, dass die Reaktion nicht an die Art der empfundenen Emotion gebunden ist. Aus Sicht der Daten sieht Schwitzen ziemlich gleich aus, egal ob es dadurch verursacht wird, dass man in einen Hinterhalt gerät oder einen Comeback-Sieg feiert.

Wie nutzt man diese Daten nun? Die Ergebnisse der EDA-Analyse werden häufig anhand des Ausmaßes der emotionalen Relevanz, des Engagements, der Aktivierung oder der Erregung dargestellt, die durch ein Erlebnis hervorgerufen werden.

Dies deutet auf eine Veränderung gegenüber einem ruhigen Zustand hin, der durch einen Spitzenwert angezeigt wird, sagt jedoch nichts über die Richtung aus (d. h. ob die Erfahrung positiv oder negativ war). In der Regel müssen die Rohdaten der Hautmessung mittels eines Algorithmus verarbeitet werden, um bestimmte Informationen zu gewinnen, z. B. die Anzahl der aufregenden Momente, die der Nutzer erlebt hat, oder die Stärke dieser Reaktionen, da die Betrachtung der reinen Trendlinien kaum Aufschluss gibt.

Früher war der Analyseprozess viel manueller, doch dank der R-Notebook-Funktion von iMotions, die die Verarbeitung auf Knopfdruck für Sie übernimmt, ist er mittlerweile wesentlich einfacher geworden.

Als ich mir die Aufzeichnung meiner Sitzung ansah, fielen mir einige Dinge auf. Zu Beginn, als ich mich noch auf den Lade- und Einstellungsbildschirmen befand, gab es zwei Bereiche, in denen meine Hautleitfähigkeit eine deutliche Reaktion zeigte.

Beide Beispiele verdeutlichen den Beitrag der EDA als Maßstab für das Verständnis der allgemeinen Benutzererfahrung.  In einem Szenario war ich frustriert, im anderen erlebte ich eine komplexe Mischung aus Emotionen. Hier zeigt sich der Nutzen von EDA als detaillierte Marker für emotionale Höhepunkte im Spielverlauf. Durch die Untersuchung der Stellen, an denen diese tendenziell auftreten, können Designer sicherstellen, dass das Spiel emotional wie erwartet verläuft, und erkennen, wo sie das Erlebnis verbessern müssen, um es spannender zu gestalten.

Wie mehrere biometrische Sensoren bessere Einblicke liefern

Die Kombination der verschiedenen Datenauswertungen mit meinen eigenen Angaben zeigt, dass meine Rückkehr in die Welt von CS:GO insgesamt eine sehr positive Erfahrung war, wenn auch keine perfekte. Insgesamt spiegelten die Daten zu Gesichtsausdruck und GSR den Spaß wider, den ich während des Spiels hatte, aber auch einige anfängliche Schwierigkeiten bei der Gewöhnung an die Benutzeroberfläche, insbesondere unter Zeitdruck.

Aufmerksamkeitskarten zeigten mir Änderungen an der Benutzeroberfläche auf, die mir helfen könnten, beispielsweise eine deutlichere Hervorhebung des Guthabenbetrags sowie eine übersichtlichere Darstellung der Waffeneigenschaften im Ausrüstungsmenü.

Das Wichtigste dabei ist, dass diese Tests von zu Hause aus durchgeführt werden konnten, und zwar mit biometrischen Sensoren, die ich einfach in meiner Tasche mit nach Hause nehmen konnte. Da ich die Daten mit meinem Spielverlauf in iMotions synchronisieren konnte, erhielt ich einen besseren Einblick in mein gesamtes Spielerlebnis und konnte Bereiche für die Spieleentwicklung aufzeigen, die zur Verbesserung der Benutzerfreundlichkeit beitragen.

Weitere Informationen zu diesen Lösungen finden Sie in unserer kostenlosen Broschüre zum Thema UX mit iMotions.

---

Nam Nguyen verfügt über mehr als 15 Jahre Erfahrung in der Entwicklung von Konzepten, Entwürfen, Optimierungs- und Analyseverfahren für Spitzenforschung in verschiedenen Branchen.

Er ist Produktspezialist für Neurowissenschaften bei iMotions und nutzt sein Fachwissen im Bereich der kognitiven Neurowissenschaften sowie seine Begeisterung für Sensoren und Technologie, um die Erforschung des menschlichen Verhaltens voranzutreiben.