Les développeurs de jeux ont de plus en plus recours à des outils biométriques tels que l’oculométrie, l’EEG, l’analyse des expressions faciales et l’électrodermogramme (EDA) pour comprendre comment les joueurs vivent réellement les jeux. Ces signaux révèlent en temps réel l’attention, les émotions et la frustration, ce qui permet de mener des tests de jeu à distance plus efficaces et d’apporter des améliorations fondées sur les données au gameplay, à l’interface utilisateur et à l’expérience globale du joueur.
Table des matières
Des grands studios qui produisent des jeux AAA aux développeurs indépendants travaillant en solo, les créateurs de jeux vidéo ont commencé à exploiter les données biométriques pour concevoir de meilleures interfaces, des expériences plus captivantes et un gameplay amélioré.
Si vous êtes développeur ou testeur de jeux vidéo et que vous êtes actuellement confiné chez vous, vous pouvez tout de même réaliser des tests de jeux efficaces à l’aide de biocapteurs. Pour occuper mon temps libre, je me suis replongé dans mes années de gloire sur Counter-Strike. Je n’avais plus touché à CS depuis l’époque de « De Dusk » dans les années 2000, mais j’avais envie de découvrir la nouvelle version e-sport et de voir comment elle se comporte sous l’angle des neurosciences.
Cet article se penchera sur quelques outils que j’utilise actuellement depuis chez moi et sur la manière dont vous pouvez les mettre à profit pour vos tests de jeux à distance et biométriques, afin d’approfondir votre compréhension de l’ergonomie et de l’expérience utilisateur de votre jeu :
Comment utiliser l’oculométrie pour améliorer le développement de jeux vidéo
Côté matériel, le processus est aussi simple que de fixer l’un de ces appareils sous votre écran et de le brancher sur un port USB. Alors pourquoi n’est-ce pas encore généralisé ? L’oculométrie existe depuis quelques années déjà ; on la voit parfois apparaître sur Twitch ou YouTube sous forme de défis, mais du point de vue des développeurs de jeux, elle a été considérée comme une simple curiosité, alors qu’il s’agit en réalité d’un outil précieux pour améliorer votre jeu. Plusieurs raisons expliquent cela.
L’une des principales raisons tient à un manque général de savoir-faire quant à la manière d’utiliser cette technologie pour obtenir des informations pertinentes sur le jeu. Les fabricants de matériel qui produisent les oculomètres à fixer sur l’écran sont certes doués pour concevoir du matériel, mais c’est surtout à vous, en tant que testeur GUR, qu’il revient de trouver comment l’utiliser pour améliorer votre expérience en tant que nouvel utilisateur.
Les grands développeurs disposent d’équipes internes prêtes à tester les versions dès qu’elles sont disponibles. Dans la plupart des cas, ils doivent soit recruter de nouveaux experts en eye tracking, soit acheter des logiciels et des formations pour leur équipe actuelle auprès d’une entreprise telle qu’iMotions.
Voici quelques conseils pour exploiter efficacement les données d’oculométrie. Tout d’abord, compte tenu de la nature des tests biométriques, vous n’aurez pas besoin d’autant de participants par étude.
L’oculométrie appliquée aux jeux fonctionne mieux dans le cadre de petites itérations, où l’on teste l’ancienne et la nouvelle version du design au cours d’une même session. Cela permet d’utiliser les cartes thermiques et les tracés du regard pour répondre à des questions telles que : « Ce nouveau design permet-il de trouver et de comprendre plus facilement l’option x ? »
Une autre information utile que l’oculométrie en jeu peut révéler concerne l’utilisation des différents éléments à l’écran, comme les mini-cartes, au fur et à mesure que l’utilisateur se familiarise avec le jeu. D’une manière générale, le temps total passé à regarder la mini-carte peut indiquer à quelle vitesse les joueurs novices passent de l’apprentissage des mécanismes de base à des compétences et stratégies plus avancées.
Cela permet d’apporter une réponse plus précise à la question suivante : « Mon jeu est-il facile à maîtriser ? » Si vous souhaitez analyser plus en détail le comportement des joueurs, vous pouvez tracer l’utilisation de la carte tout au long d’une session afin d’obtenir un profil de leur comportement. Vous pouvez ensuite chercher à ajuster la conception du jeu pour obtenir de meilleurs résultats, par exemple en encourageant les nouveaux joueurs à utiliser davantage la carte, ce qui leur permettra de mieux réussir dans le jeu et, espérons-le, d’améliorer la fidélisation des joueurs.
Enfin, n’oubliez pas de réaliser une analyse démographique et comparative. Dans l’empressement d’obtenir des informations, on peut être tenté de se contenter d’examiner les données globales du groupe testé pour voir si votre jeu est bien accueilli. Il peut s’avérer encore plus utile de segmenter ces informations en fonction des différents niveaux d’expérience des joueurs, de leur âge et d’autres facteurs.
Comment utiliser le codage des expressions faciales pour poser de meilleures questions
L’analyse des expressions faciales consiste à utiliser une vidéo du visage d’un utilisateur, filmée par une caméra, puis à la traiter à l’aide d’un logiciel d’intelligence artificielle capable de générer, image par image, des données sur les émotions exprimées par le visage.
À première vue (pardonnez le jeu de mots), on pourrait croire qu’il est facile de comprendre comment utiliser les expressions faciales pour évaluer la qualité d’un jeu : en d’autres termes, si les joueurs ont l’air plus heureux ou sourient davantage, cela signifie que le jeu est meilleur. On pourrait être tenté de se contenter d’enregistrer les sessions de test et d’en rester là.
Cependant, vous vous rendrez vite compte que les émotions exprimées par le visage sont plus complexes et qu’il y a des pièges à éviter dans l’hypothèse simpliste selon laquelle l’expression faciale correspond à l’émotion ressentie. Par exemple, testez-vous le gameplay, les séquences cinématiques ou un écran de récompense ? Chacun de ces aspects présente des profils émotionnels différents dont il faut tenir compte dans la conception d’un test de jeu basé sur des biocapteurs.
Une approche consiste à considérer toute réaction, qu’elle soit positive ou négative, comme une forme d’engagement émotionnel global. Cet indicateur pourrait aider les développeurs à trouver le juste équilibre entre le plaisir et l’abandon définitif du jeu par frustration.
Je le mets en évidence dans le graphique ci-dessous. Les données montrent à quoi ressemblent mes données d’expressivité faciale pour une seule partie, avec la durée totale de jeu représentée par les barres de gauche et l’écran des résultats par celles de droite. Chacune des barres colorées correspond à l’expressivité globale positive, négative et neutre.
À première vue, j’ai affiché davantage d’émotions faciales négatives que positives, mais la question qui se pose alors est la suivante : ce résultat reflète-t-il mon expérience globale en tant que joueur ou mes performances au sein du jeu ?
On commence à se rendre compte à quel point il est difficile d’utiliser les expressions faciales de cette manière pour évaluer la qualité globale d’un jeu. L’autre résultat qui surprend parfois ceux qui examinent pour la première fois des données sur les expressions faciales est la proportion d’expressions neutres, qui représentaient entre 85 et 90 % des cas.
Ces résultats prennent toutefois tout leur sens si l’on tient compte du fait que les expressions faciales ont en réalité évolué comme un outil de communication plutôt que comme un simple indicateur de l’état émotionnel. En tant qu’êtres sociaux, les humains ne sont pas programmés pour interagir socialement avec les ordinateurs (en tout cas, pas encore), ce qui explique pourquoi ils ont tendance à adopter un visage impassible la plupart du temps lorsqu’ils se concentrent ou sont plongés dans une tâche non sociale.
On observe également ce phénomène très souvent dans le domaine des médias, par exemple lors des tests de séries télévisées et de films. Cela n’enlève toutefois rien à l’importance des moments où les expressions faciales sont visibles. Comment, alors, les données relatives aux expressions faciales pourraient-elles être utilisées pour fournir un véritable aperçu de l’expérience utilisateur d’un joueur ?
En tenant compte de ces informations, les chercheurs en jeux vidéo peuvent alors recadrer leurs questions de conception afin de comprendre comment des éléments tels que l’immersion et le flow des joueurs servent de facteurs prédictifs du plaisir déclaré.
Le graphique illustrant l’activité faciale moyenne au fur et à mesure que le jeu progresse montre une augmentation de l’investissement émotionnel entre l’écran de chargement et le résultat de la partie. Il s’agit d’un résultat positif, car on s’attend généralement à voir l’investissement psychologique augmenter à mesure que le jeu avance.
Comment utiliser la conductance cutanée ou l’activité électrodermique (EDA) pour enregistrer l’état cognitif d’un joueur
Parmi les outils mentionnés jusqu’à présent, l’activité électrodermique (EDA) est peut-être celui qui vous est le moins familier. Si l’on compare l’expérience de jeu à la lecture d’un livre, on peut considérer l’EDA comme un moyen de marquer chaque phrase que le lecteur ou le joueur a trouvée intéressante. Cela permet ainsi de mieux comprendre ce qui a eu un impact et ce qui n’en a pas eu, même lorsque le testeur n’est pas vraiment en mesure d’exprimer ses sentiments avec des mots.
L’activité électrodermique (EDA), parfois appelée réponse galvanique de la peau (GSR), est un capteur qui mesure la quantité de sueur produite par la peau à un moment donné. Pour ce test, j’ai utilisé un appareil Shimmer GSR qui se porte comme une montre-bracelet classique, avec deux électrodes fixées à ma main gauche à l’aide de velcro. L’appareil n’a pas gêné l’utilisation des touches WASD et, au bout d’une seconde, j’ai oublié qu’il était là.
On associe parfois l’EDA à l’image d’un gros appareil de détection de mensonges, avec une multitude de fils et des courbes complexes. En réalité, ce concept est bien plus simple à comprendre qu’on ne le croit. Rappelez-vous le principe de « combat ou fuite », qui décrit un mécanisme interne de l’organisme humain qui s’active en réponse à des facteurs environnementaux tels que des menaces.
La mesure de la conductance cutanée permet d’évaluer l’état cognitif et émotionnel d’un joueur.
En effet, certaines parties du corps humain sont sensibles aux états émotionnels de la personne. Si vous vous êtes déjà senti nerveux devant un public, vous avez peut-être remarqué que ces zones transpiraient abondamment, comme les paumes des mains, les pieds ou le front.
Ce qui est intéressant, c’est que cet effet ne se manifeste pas de manière binaire. Il est proportionnel à l’état actuel du joueur et permet de détecter même les plus infimes changements qui passeraient autrement inaperçus. Il faut savoir que cette réaction n’est pas liée au type d’émotion ressentie. D’un point de vue statistique, la transpiration apparaît pratiquement de la même manière, qu’elle soit provoquée par le fait de tomber dans une embuscade ou de célébrer une victoire in extremis.
Alors, comment exploiter ces données ? Les résultats de l’analyse EDA sont souvent présentés en termes de niveau de pertinence émotionnelle, d’implication, d’activation ou d’excitation suscités par une expérience.
Cela indique un changement par rapport à un état calme, signalé par un pic, mais ne précise pas la direction de ce changement (c’est-à-dire si l’expérience a été positive ou négative). En général, les données brutes issues de la mesure cutanée doivent être traitées à l’aide d’un algorithme pour en extraire des informations, par exemple le nombre de moments intenses vécus par l’utilisateur ou l’amplitude de ces réactions, car l’examen des courbes de tendance brutes ne fournit pas beaucoup d’indications.
Autrefois, le processus d’analyse était beaucoup plus fastidieux, mais il est désormais bien plus simple grâce à la fonction R-notebook d’iMotions, qui effectue le traitement à votre place d’une simple pression sur un bouton.
En regardant l’enregistrement de ma séance, j’ai remarqué plusieurs choses. Au début, pendant les écrans de chargement et de configuration, ma conductance cutanée a affiché une réponse significative à deux endroits précis.
Ces deux exemples mettent en évidence l’utilité de l’EDA comme indicateur permettant d’évaluer l’expérience utilisateur globale. Dans un scénario, je me sentais frustré et dans l’autre, je vivais un mélange complexe d’émotions. On voit ici l’utilité de l’EDA, en tant qu’indicateurs précis des moments émotionnels marquants, au sein du déroulement du jeu. En examinant les moments où ceux-ci ont tendance à se produire, les concepteurs peuvent alors s’assurer que le jeu se déroule émotionnellement comme prévu et identifier les points où ils doivent améliorer l’expérience pour la rendre plus captivante.
Comment l’utilisation de plusieurs capteurs biométriques permet d’obtenir des informations plus précises
La mise en parallèle des différents résultats des analyses avec mon propre récit montre que mon retour dans l’univers de CS:GO a été, dans l’ensemble, une expérience très positive, mais pas parfaite. Globalement, les données issues de l’analyse des expressions faciales et de la réponse galvanique de la peau (GSR) ont reflété le plaisir que j’ai éprouvé pendant le jeu, mais aussi certaines difficultés initiales pour m’habituer à l’interface, notamment sous la pression du temps.
Les cartes d’attention ont mis en évidence des modifications à apporter à l’interface utilisateur qui pourraient m’aider, comme le fait de mieux mettre en évidence le montant du solde ou de rendre les caractéristiques des armes de l’équipement plus faciles à comprendre.
Le principal enseignement à retenir est que ces tests ont pu être réalisés depuis chez moi à l’aide de capteurs biométriques que je pouvais transporter dans ma poche. La possibilité de synchroniser ces données avec mes sessions de jeu dans iMotions m’a permis de mieux comprendre mon expérience de jeu globale et de mettre en évidence les aspects à améliorer lors du développement du jeu afin d’en faciliter l’utilisation.
Pour en savoir plus sur ces solutions, consultez notre brochure gratuite sur l’expérience utilisateur avec iMotions.
Nam Nguyen possède plus de 15 ans d’expérience dans l’élaboration de la vision, la conception, l’optimisation et les protocoles d’analyse de projets de recherche de pointe dans divers secteurs.
Il est spécialiste des produits en neurosciences chez iMotions, où il met à profit sa formation en méthodologie des neurosciences cognitives et sa passion pour les capteurs et la technologie afin de faciliter la recherche sur le comportement humain.