TEDGlobal 2010
Tom Chatfield: 7 ways games reward the brain
Tom Chatfield: 7 τρόποι με τους οποίους τα παιχνίδια επιβραβεύουν τον εγκέφαλο.
Filmed:
Readability: 3.8
1,288,061 views
Η ενασχόληση με τα ψηφιακά παιχνίδια συνεχίζει να εισβάλει σε όλο και περισσότερους τομείς στην ζωή μας. Καταλήγουμε να ξοδεύουμε αμέτρητες ώρες -και αληθινά λεφτά- εξερευνώντας ψηφιακούς κόσμους σε αναζήτηση φανταστικών θησαυρών. Γιατί όμως? Ο Tom Chatfield μας δείχνει ότι τα παιχνίδια έχουν δημιουργηθεί με τέτοιο τρόπο ώστε να προσφέρουν στον εγκέφαλό μας μικρές ανταμοιβές που μας προτρέπουν να αναζητήσουμε ακόμα περισσότερες στο μέλλον.
Tom Chatfield - Gaming theorist
Tom Chatfield thinks about games -- what we want from them, what we get from them, and how we might use our hard-wired desire for a gamer's reward to change the way we learn. Full bio
Tom Chatfield thinks about games -- what we want from them, what we get from them, and how we might use our hard-wired desire for a gamer's reward to change the way we learn. Full bio
Double-click the English transcript below to play the video.
00:15
I love video games.
0
0
3000
Αγαπάω τα video games.
00:18
I'm also slightly in awe of them.
1
3000
3000
Επίσης μου προκαλούν δέος.
00:21
I'm in awe of their power
2
6000
2000
Δέος με την δύναμή που δείχνουν
00:23
in terms of imagination, in terms of technology,
3
8000
2000
στο τομέα της φαντασίας, της τεχνολογίας,
00:25
in terms of concept.
4
10000
2000
των ιδεών που προσφέρουν.
00:27
But I think, above all,
5
12000
2000
Νομίζω όμως ότι περισσότερο από όλα
00:29
I'm in awe at their power
6
14000
2000
μου προκαλεί δέος το γεγονός ότι έχουν την δύναμη
00:31
to motivate, to compel us,
7
16000
3000
να μας παρακινήσουν, να μας εξωθήσουν,
00:34
to transfix us,
8
19000
2000
να μας καθηλώσουν,
00:36
like really nothing else we've ever invented
9
21000
3000
όπως δεν το έχει καταφέρει τίποτα από όσα
00:39
has quite done before.
10
24000
2000
έχουμε εφεύρει έως σήμερα.
00:41
And I think that we can learn some pretty amazing things
11
26000
3000
Πιστεύω ότι μπορούμε να μάθουμε πολλά
00:44
by looking at how we do this.
12
29000
2000
μόνο από τον τρόπο που τα δημιουργούμε.
00:46
And in particular, I think we can learn things
13
31000
2000
Συγκεκριμένα, είμαι σίγουρος ότι μπορούμε να μάθουμε
00:48
about learning.
14
33000
3000
για την ίδια την μάθηση.
00:51
Now the video games industry
15
36000
2000
Η βιομηχανία των video games
00:53
is far and away the fastest growing
16
38000
2000
είναι μακράν η ταχύτερα αναπτυσσόμενη
00:55
of all modern media.
17
40000
2000
σε σύγκριση με όλες τις υπόλοιπες στην κατηγορία της.
00:57
From about 10 billion in 1990,
18
42000
2000
Από 10 δις το 1990,
00:59
it's worth 50 billion dollars globally today,
19
44000
3000
σήμερα φτάνει να αξίζει 50 δις δολάρια σε παγκόσμιο επίπεδο,
01:02
and it shows no sign of slowing down.
20
47000
3000
και δεν έχει δείξει κανένα σημάδι επιβράδυνσης.
01:05
In four years' time,
21
50000
2000
Σε τέσσερα χρόνια από τώρα,
01:07
it's estimated it'll be worth over 80 billion dollars.
22
52000
3000
εκτιμάται ότι θα αξίζει περισσότερα από 80 δις δολάρια.
01:10
That's about three times the recorded music industry.
23
55000
3000
Αυτό το ποσό ισούται 3 φορές με το αντίστοιχο στην μουσική βιομηχανία.
01:13
This is pretty stunning,
24
58000
2000
Αρκετά εντυπωσιακό νούμερο
01:15
but I don't think it's the most telling statistic of all.
25
60000
3000
αλλά υπάρχει ένα άλλο στατιστικό στοιχείο που είναι πιο αντιπροσωπευτικό.
01:18
The thing that really amazes me
26
63000
2000
Αυτό που πραγματικά με εντυπωσιάζει
01:20
is that, today,
27
65000
2000
είναι ότι σήμερα
01:22
people spend about
28
67000
2000
κάποιοι ξοδεύουν περίπου
01:24
eight billion real dollars a year
29
69000
3000
8 δις δολάρια τον χρόνο
01:27
buying virtual items
30
72000
2000
αγοράζοντας ψηφιακά αντικείμενα
01:29
that only exist
31
74000
2000
που υπάρχουν μόνο
01:31
inside video games.
32
76000
3000
μέσα στα video games.
01:34
This is a screenshot from the virtual game world, Entropia Universe.
33
79000
3000
Αυτό είναι ένα στιγμιότυπο από τον ψηφιακό κόσμο, Enropia Universe.
01:37
Earlier this year,
34
82000
2000
Κάποιους μήνες νωρίτερα,
01:39
a virtual asteroid in it
35
84000
2000
ένας ψηφιακός αστεροειδής μέσα στο παιχνίδι
01:41
sold for 330,000 real dollars.
36
86000
4000
πουλήθηκε για 330,000 αληθινά δολάρια.
01:45
And this
37
90000
2000
Και αυτό
01:47
is a Titan class ship
38
92000
3000
είναι ένα αστρόπλοιο τύπου Titan
01:50
in the space game, EVE Online.
39
95000
2000
στο διαδικτυακό παιχνίδι, EVE Online.
01:52
And this virtual object
40
97000
2000
Αυτό το ψηφιακό αντικείμενο
01:54
takes 200 real people
41
99000
2000
απασχόλησε 200 αληθινούς ανθρώπους
01:56
about 56 days of real time to build,
42
101000
3000
και περίπου 56 μέρες αληθινού χρόνου για να φτιαχτεί.
01:59
plus countless thousands of hours
43
104000
3000
χωρίς να υπολογίζουμε τις χιλιάδες ώρες
02:02
of effort before that.
44
107000
2000
προσπάθειας που προηγήθηκαν.
02:04
And yet, many of these get built.
45
109000
3000
Κι όμως, πολλά από αυτά συνεχίζουν να δημιουργούνται.
02:07
At the other end of the scale,
46
112000
2000
Στο ακριβώς αντίθετο άκρο,
02:09
the game Farmville that you may well have heard of,
47
114000
3000
το παιχνίδι, Farmville, το οποίο πιθανόν ήδη να γνωρίζετε,
02:12
has 70 million players
48
117000
2000
έχει 70 εκατομμύρια παίχτες
02:14
around the world
49
119000
2000
σε παγκόσμια κλίμακα,
02:16
and most of these players
50
121000
2000
και οι περισσότεροι από αυτούς
02:18
are playing it almost every day.
51
123000
2000
ασχολούνται με αυτό σε καθημερινή βάση.
02:20
This may all sound
52
125000
2000
Αυτό μπορεί να ακούγεται
02:22
really quite alarming to some people,
53
127000
2000
κάπως ανησυχητικό σε κάποιους,
02:24
an index of something worrying
54
129000
2000
ένα σημάδι ότι κάτι δεν πάει καλά
02:26
or wrong in society.
55
131000
2000
στην κοινωνία που ζούμε.
02:28
But we're here for the good news,
56
133000
2000
Αλλά εδώ είμαστε να σας πούμε τα καλά νέα,
02:30
and the good news is
57
135000
2000
και τα καλά νέα είναι
02:32
that I think we can explore
58
137000
2000
ότι μπορούμε να εξερευνήσουμε τους λόγους
02:34
why this very real human effort,
59
139000
3000
για τους οποίους αυτή η πολύ αληθινή και ανθρώπινη προσπάθεια,
02:37
this very intense generation of value, is occurring.
60
142000
4000
αυτή η έντονη γενιά αξιών, συμβαίνει στην εποχή μας.
02:41
And by answering that question,
61
146000
2000
Και απαντώντας σε αυτήν την ερώτηση,
02:43
I think we can take something
62
148000
2000
πιστεύω ότι μπορούμε να αφομοιώσουμε
02:45
extremely powerful away.
63
150000
2000
κάτι που είναι εξαιρετικά ισχυρό.
02:47
And I think the most interesting way
64
152000
2000
Και ακόμα πιστεύω ότι ο πιο ενδιαφέρον τρόπος
02:49
to think about how all this is going on
65
154000
2000
για να αναλογιστούμε όλα αυτά που συμβαίνουν
02:51
is in terms of rewards.
66
156000
2000
είναι από την οπτική γωνία των "ανταμοιβών".
02:53
And specifically, it's in terms
67
158000
3000
Ειδικότερα, από την οπτική γωνία
02:56
of the very intense emotional rewards
68
161000
2000
των πολύ έντονων συναισθηματικών αμοιβών
02:58
that playing games offers to people
69
163000
2000
που προσφέρουν τα παιχνίδια στους ανθρώπους,
03:00
both individually
70
165000
2000
τόσο προσωπικά
03:02
and collectively.
71
167000
2000
όσο και συλλογικά.
03:04
Now if we look at what's going on in someone's head
72
169000
2000
Αν κοιτάξουμε τι συμβαίνει στο μυαλό κάποιου
03:06
when they are being engaged,
73
171000
2000
όταν αυτό αρχίσει να απασχολείται,
03:08
two quite different processes are occurring.
74
173000
3000
θα παρατηρήσουμε ότι συμβαίνουν δύο τελείως διαφορετικές διαδικασίες.
03:11
On the one hand, there's the wanting processes.
75
176000
3000
Από την μία, έχουμε την διαδικασία της θέλησης.
03:14
This is a bit like ambition and drive -- I'm going to do that. I'm going to work hard.
76
179000
3000
Κάτι αντίστοιχο με την φιλοδοξία. "Θα το κάνω αυτό. Θα δουλέψω σκληρά".
03:17
On the other hand, there's the liking processes,
77
182000
2000
Από την άλλη έχουμε την διαδικασία της αρέσκειας,
03:19
fun and affection
78
184000
2000
της διασκέδασης, της συμπάθειας
03:21
and delight
79
186000
2000
και της απόλαυσης.
03:23
and an enormous flying beast with an orc on the back.
80
188000
2000
Και ενός τεράστιου ιπτάμενου θηρίου με ένα όρκ στην πλάτη του.
03:25
It's a really great image. It's pretty cool.
81
190000
2000
Είναι μια πραγματικά απίθανη εικόνα. Πολύ cool.
03:27
It's from the game World of Warcraft with more than 10 million players globally,
82
192000
3000
Προέρχεται από το παιχνίδι World of Warcraft με περισσότερους από 10 εκ, παίχτες σε όλο τον κόσμο,
03:30
one of whom is me, another of whom is my wife.
83
195000
3000
περιλαμβανομένου εμένα και της γυναίκας μου.
03:33
And this kind of a world,
84
198000
2000
Κι αυτού του είδους ο κόσμος,
03:35
this vast flying beast you can ride around,
85
200000
2000
αυτό το ιπτάμενο τέρας που μπορείς να καβαλήσεις,
03:37
shows why games are so very good
86
202000
2000
μας δείχνει τον λόγο που τα παιχνίδια είναι τόσο καλά
03:39
at doing both the wanting and the liking.
87
204000
3000
στο να μας δίνουν και αυτό που θέλουμε αλλά και αυτό που μας αρέσει.
03:42
Because it's very powerful. It's pretty awesome.
88
207000
2000
Επειδή είναι πανίσχυρα. Και αρκετά φοβερά.
03:44
It gives you great powers.
89
209000
2000
Σου δίνουν τρομερές δυνάμεις.
03:46
Your ambition is satisfied, but it's very beautiful.
90
211000
3000
Η φιλοδοξίες σου καλύπτονται, μα είναι και πολύ όμορφο.
03:49
It's a very great pleasure to fly around.
91
214000
3000
Το να πετάς είναι απόλαυση.
03:52
And so these combine to form
92
217000
2000
Οπότε όλα αυτά ενώνονται για να δημιουργήσουν
03:54
a very intense emotional engagement.
93
219000
2000
ένα πολύ έντονο συναισθηματικό δέσιμο.
03:56
But this isn't the really interesting stuff.
94
221000
3000
Αλλά αυτό δεν είναι το πιο ενδιαφέρον μέρος.
03:59
The really interesting stuff about virtuality
95
224000
2000
Το πραγματικά ενδιαφέρον με την ψηφιοποίηση των δεδομένων
04:01
is what you can measure with it.
96
226000
2000
είναι το τι μπορείς να μετρήσεις με αυτήν.
04:03
Because what you can measure in virtuality
97
228000
3000
Επειδή αυτά που μπορείς να μετρήσεις με την ψηφιιοποίηση
04:06
is everything.
98
231000
2000
είναι απλά τα πάντα.
04:08
Every single thing that every single person
99
233000
2000
Κάθε πράξη που έχει κάνει ο κάθε παίχτης
04:10
who's ever played in a game has ever done can be measured.
100
235000
3000
που έχει παίξει το παιχνίδι έως τώρα, μπορεί να μετρηθεί.
04:13
The biggest games in the world today
101
238000
2000
Τα μεγαλύτερα παιχνίδια στον κόσμο αυτήν την στιγμή
04:15
are measuring more than one billion points of data
102
240000
4000
μετράνε περισσότερα από ένα δις δεδομένα
04:19
about their players, about what everybody does --
103
244000
2000
όσο αφορά τους παίχτες και τι κάνουν στο παιχνίδι,
04:21
far more detail than you'd ever get from any website.
104
246000
3000
με πολύ περισσότερη λεπτομέρεια από οποιαδήποτε ιστοσελίδα.
04:24
And this allows something very special
105
249000
3000
Και αυτό επιτρέπει στα παιχνίδια
04:27
to happen in games.
106
252000
2000
να καταφέρουν κάτι το πολύ ξεχωριστό.
04:29
It's something called the reward schedule.
107
254000
3000
Πρόκειται για κάτι που λέγεται "πρόγραμμα ανταμοιβής".
04:32
And by this, I mean looking
108
257000
2000
Και με αυτό, πραγματικά δείτε
04:34
at what millions upon millions of people have done
109
259000
2000
τι έχουν καταφέρει εκατομμύρια ανθρώπων
04:36
and carefully calibrating the rate,
110
261000
2000
απλά τηρώντας προσεκτικά τις αναλογίες,
04:38
the nature, the type, the intensity of rewards in games
111
263000
3000
την φύση, τον τύπο, την ένταση των ανταμοιβών στα παιχνίδια
04:41
to keep them engaged
112
266000
2000
ώστε να τους κρατήσουν κολλημένους σε αυτό
04:43
over staggering amounts of time and effort.
113
268000
3000
σπαταλώντας πολύ χρόνο και προσπάθεια.
04:46
Now, to try and explain this
114
271000
2000
Τώρα, για να μπορέσω να το εξηγήσω
04:48
in sort of real terms,
115
273000
3000
κάπως πιο ρεαλιστικά,
04:51
I want to talk about a kind of task
116
276000
2000
θα ήθελα να μιλήσω για ένα είδος δραστηριότητας
04:53
that might fall to you in so many games.
117
278000
2000
που μπορείτε να συναντήσετε σε πολλά παιχνίδια.
04:55
Go and get a certain amount of a certain little game-y item.
118
280000
3000
"Πηγαίνετε και βρείτε ένα συγκεκριμένο αριθμό από ψηφιακά αντικείμενα."
04:58
Let's say, for the sake of argument,
119
283000
2000
Ας πούμε, για χάρη της συζήτησης,
05:00
my mission is to get 15 pies
120
285000
3000
ότι η αποστολή μου είναι να βρω 15 πίτες,
05:03
and I can get 15 pies
121
288000
3000
και ο τρόπος να βρω αυτές τις 15 πίτες
05:06
by killing these cute, little monsters.
122
291000
2000
είναι σκοτώνοντας αυτά τα χαριτωμένα, μικρά τερατάκια.
05:08
Simple game quest.
123
293000
2000
Μια απλή αποστολή στο παιχνίδι.
05:10
Now you can think about this, if you like,
124
295000
2000
Μπορείτε, επίσης, να το σκεφτείτε ως
05:12
as a problem about boxes.
125
297000
2000
ένα πρόβλημα που αφορά κουτιά.
05:14
I've got to keep opening boxes.
126
299000
2000
Απλά πρέπει να ανοίγω συνέχεια κουτιά.
05:16
I don't know what's inside them until I open them.
127
301000
3000
Δεν ξέρω τι περιέχουν ως την στιγμή που θα τα ανοίξω.
05:19
And I go around opening box after box until I've got 15 pies.
128
304000
3000
Και τριγυρνώ ανοίγοντας κουτιά μέχρι να μαζέψω τις 15 πίτες.
05:22
Now, if you take a game like Warcraft,
129
307000
2000
Τώρα, σε ένα παιχνίδι όπως το Warcraft,
05:24
you can think about it, if you like,
130
309000
2000
μπορείτε να το σκεφτείτε ως
05:26
as a great box-opening effort.
131
311000
3000
μια μεγάλη προσπάθεια "ανοίγματος κουτιών".
05:29
The game's just trying to get people to open about a million boxes,
132
314000
3000
Το παιχνίδι απλά βάζει ανθρώπους να ανοίξουν πάνω από ένα εκ. κουτιά,
05:32
getting better and better stuff in them.
133
317000
2000
βρίσκοντας όλο και καλύτερα αντικείμενα μέσα σε αυτά.
05:34
This sounds immensely boring
134
319000
3000
Αν και ακούγεται υπερβολικά βαρετό,
05:37
but games are able
135
322000
2000
τα παιχνίδια έχουν την δυνατότητα
05:39
to make this process
136
324000
2000
να κάνουν αυτή την διαδικασία
05:41
incredibly compelling.
137
326000
2000
απίστευτα θελκτική.
05:43
And the way they do this
138
328000
2000
Και ο τρόπος με τον οποίο τα καταφέρνουν
05:45
is through a combination of probability and data.
139
330000
3000
είναι μέσω ενός συνδυασμού πιθανοτήτων και δεδομένων.
05:48
Let's think about probability.
140
333000
2000
Ας σκεφτούμε λίγο τον όρο "πιθανότητα".
05:50
If we want to engage someone
141
335000
2000
Αν θέλουμε να βάλουμε κάποιον να συμμετέχει
05:52
in the process of opening boxes to try and find pies,
142
337000
3000
σε αυτή την διαδικασία, να ανοίξουν κουτιά και να βρουν πίτες.
05:55
we want to make sure it's neither too easy,
143
340000
2000
Θέλουμε να είμαστε σίγουροι ότι δεν είναι ούτε πολύ εύκολο,
05:57
nor too difficult, to find a pie.
144
342000
2000
αλλά ούτε πολύ δύσκολο να βρούνε μια πίτα.
05:59
So what do you do? Well, you look at a million people --
145
344000
2000
Οπότε, τι κάνεις; Απλά κοιτάς ότι έχεις 1 εκ. παίχτες,
06:01
no, 100 million people, 100 million box openers --
146
346000
3000
όχι, ας πούμε 100 εκ, παίχτες που ανοίγουν κουτιά,
06:04
and you work out, if you make the pie rate
147
349000
3000
και υπολογίζεις ότι αν το ποσοστό των πιτών
06:07
about 25 percent --
148
352000
2000
θα είναι περίπου 25%
06:09
that's neither too frustrating, nor too easy.
149
354000
3000
δεν θα είναι ούτε πολύ εκνευριστικό αλλά ούτε και πολύ εύκολο'
06:12
It keeps people engaged.
150
357000
2000
κρατάει τους παίχτες απασχολημένους.
06:14
But of course, that's not all you do -- there's 15 pies.
151
359000
3000
Αλλά βέβαια, δεν είναι μόνο αυτό. Υπάρχουν 15 πίτες.
06:17
Now, I could make a game called Piecraft,
152
362000
2000
Θα μπορούσα να φτιάξω ένα παιχνίδι που να λέγεται Piecraft,
06:19
where all you had to do was get a million pies
153
364000
2000
στο οποίο το μόνο που έχεις να κάνεις είναι να μαζέψεις 1 εκ. πίτες,
06:21
or a thousand pies.
154
366000
2000
ή χίλιες πίτες.
06:23
That would be very boring.
155
368000
2000
Αυτό θα ήταν πολύ βαρετό.
06:25
Fifteen is a pretty optimal number.
156
370000
2000
Το 15 αποτελεί έναν πολύ αρεστό αριθμό.
06:27
You find that -- you know, between five and 20
157
372000
2000
Μεταξύ 5 και 20
06:29
is about the right number for keeping people going.
158
374000
2000
είναι ακριβώς ο κατάλληλος αριθμός για να κρατήσει τους παίχτες απασχολημένους.
06:31
But we don't just have pies in the boxes.
159
376000
2000
Αλλά δεν υπάρχουν μόνο πίτες στα κουτιά.
06:33
There's 100 percent up here.
160
378000
2000
Υπάρχει ένα ποσοστό που αγγίζει το 100% εδώ.
06:35
And what we do is make sure that every time a box is opened,
161
380000
3000
Και αυτό που κάνουμε είναι κάθε φορά που ένα κουτί ανοίγει,
06:38
there's something in it, some little reward
162
383000
2000
να υπάρχει κάτι μέσα, μια μικρή ανταμοιβή,
06:40
that keeps people progressing and engaged.
163
385000
2000
που θα δίνει την ώθηση στους παίκτες να προχωρήσουν και να ασχοληθούν περισσότερο.
06:42
In most adventure games,
164
387000
2000
Στα περισσότερα παιχνίδια περιπέτειας,
06:44
it's a little bit in-game currency, a little bit experience.
165
389000
3000
θα είναι λίγα ψηφιακά χρήματα, λίγοι πόντοι εμπειρίας,
06:47
But we don't just do that either.
166
392000
2000
αλλά δεν τελειώνουμε σε αυτό το σημείο.
06:49
We also say there's going to be loads of other items
167
394000
2000
Επίσης, πρόκειται να υπάρχουν πολλά άλλα αντικείμενα
06:51
of varying qualities and levels of excitement.
168
396000
2000
διαφορετικής ποιότητας που θα προσφέρουν και διαφορετική ικανοποίηση.
06:53
There's going to be a 10 percent chance you get a pretty good item.
169
398000
3000
Θα υπάρχει τουλάχιστον μια 10% πιθανότητα να βρεις ένα πολύ καλό αντικείμενο.
06:56
There's going to be a 0.1 percent chance
170
401000
2000
Και θα υπάρχει και ένα ποσοστό του 0,1%
06:58
you get an absolutely awesome item.
171
403000
3000
να βρεις ένα πραγματικά καταπληκτικό αντικείμενο.
07:01
And each of these rewards is carefully calibrated to the item.
172
406000
3000
Και κάθε μία από αυτές τις ανταμοιβές είναι προσεκτικά διαλεγμένες για κάθε αντικείμενο.
07:04
And also, we say,
173
409000
2000
Επίσης, ρωτάμε,
07:06
"Well, how many monsters? Should I have the entire world full of a billion monsters?"
174
411000
3000
"Πόσα τέρατα όμως; Πρέπει να έχουμε ένα τεράστιο κόσμο γεμάτο από τέρατα;"
07:09
No, we want one or two monsters on the screen at any one time.
175
414000
3000
Όχι, χρειαζόμαστε το πολύ 2 τέρατα κάθε φορά στην οθόνη μας.
07:12
So I'm drawn on. It's not too easy, not too difficult.
176
417000
3000
Οπότε με τραβάει. Δεν είναι ούτε πολύ εύκολο αλλά ούτε και πολύ δύσκολο.
07:15
So all this is very powerful.
177
420000
2000
Οπότε όλο αυτό αποτελεί ένα πολύ ισχυρό σκηνικό.
07:17
But we're in virtuality. These aren't real boxes.
178
422000
3000
Αλλά βρισκόμαστε σε ένα εικονικό περιβάλλον. Αυτά δεν είναι αληθινά κουτιά.
07:20
So we can do
179
425000
2000
Οπότε μπορούμε να κάνουμε
07:22
some rather amazing things.
180
427000
2000
πραγματικά απίστευτα πράγματα.
07:24
We notice, looking at all these people opening boxes,
181
429000
4000
Καθώς κοιτάμε όλους αυτούς να ανοίγουν κουτιά μπορούμε να παρατηρήσουμε,
07:28
that when people get to about 13 out of 15 pies,
182
433000
3000
ότι όταν έχουν μαζέψει 13 από τις 15 πίτες,
07:31
their perception shifts, they start to get a bit bored, a bit testy.
183
436000
3000
το ενδιαφέρον τους μειώνεται και αρχίζουν να βαριούνται.
07:34
They're not rational about probability.
184
439000
2000
Δεν βλέπουν λογικά τις πιθανότητες.
07:36
They think this game is unfair.
185
441000
2000
Πιστεύουν ότι το παιχνίδι είναι άδικο.
07:38
It's not giving me my last two pies. I'm going to give up.
186
443000
2000
"Δεν μου δίνει τις δύο τελευταίες πίτες. Θα τα παρατήσω."
07:40
If they're real boxes, there's not much we can do,
187
445000
2000
Αν ήταν αληθινά κουτιά οι επιλογές μας θα ήταν περιορισμένες,
07:42
but in a game we can just say, "Right, well.
188
447000
2000
αλλά μέσα στο παιχνίδι μπορούμε απλά να πούμε, "Ε, εντάξει".
07:44
When you get to 13 pies, you've got 75 percent chance of getting a pie now."
189
449000
4000
Όταν φτάσεις στις 13 πίτες, έχεις ένα 75% ποσοστό να βρεις την επόμενη πίτα.
07:48
Keep you engaged. Look at what people do --
190
453000
2000
Αυτό σε κρατάει απασχολημένο. Παρατηρήστε τι ακριβώς κάνουν οι άνθρωποι.
07:50
adjust the world to match their expectation.
191
455000
2000
Προσαρμόζουν τον κόσμο ανάλογα με τις προσδοκίες τους.
07:52
Our games don't always do this.
192
457000
2000
Τα παιχνίδια δεν το κάνουν πάντα αυτό.
07:54
And one thing they certainly do at the moment
193
459000
2000
Αλλά αυτό που σίγουρα κάνουν προς το παρόν
07:56
is if you got a 0.1 percent awesome item,
194
461000
3000
είναι ότι αν κάποιο αντικείμενο έχει ποσοστό 0.1% να βρεθεί,
07:59
they make very sure another one doesn't appear for a certain length of time
195
464000
3000
τότε είναι σίγουρο ότι κάποιο παρόμοιο θα βρεθεί μετά από ένα εύλογο χρονικό διάστημα
08:02
to keep the value, to keep it special.
196
467000
2000
για να διατηρηθεί η αξία του αντικειμένου, να παραμείνει μοναδικό.
08:04
And the point is really
197
469000
2000
Στην πραγματικότητα
08:06
that we evolved to be satisfied by the world
198
471000
2000
εξελιχθήκαμε έτσι ώστε να ικανοποιούμαστε από τον κόσμο γύρω μας
08:08
in particular ways.
199
473000
2000
με συγκεκριμένους τρόπους.
08:10
Over tens and hundreds of thousands of years,
200
475000
3000
Μέσα σε δεκάδες χιλιάδες χρόνια,
08:13
we evolved to find certain things stimulating,
201
478000
2000
εξελιχθήκαμε έτσι ώστε να βρίσκουμε κάποια πράγματα άκρως διεγερτικά,
08:15
and as very intelligent, civilized beings,
202
480000
2000
και ως νοήμονα και πολιτισμένα όντα,
08:17
we're enormously stimulated by problem solving and learning.
203
482000
3000
μας ερεθίζουν τα προβλήματα λογικής που προσφέρουν και γνώσεις.
08:20
But now, we can reverse engineer that
204
485000
2000
Αλλά πλέον μπορούμε αυτό να το αντιγράψουμε
08:22
and build worlds
205
487000
2000
και να χτίσουμε κόσμους
08:24
that expressly tick our evolutionary boxes.
206
489000
3000
που να αναπαράγουν τις εξελικτικές μας διαθέσεις.
08:27
So what does all this mean in practice?
207
492000
2000
Οπότε τι σημαίνουν όλα αυτά στην πράξη;
08:29
Well, I've come up
208
494000
2000
Κατέληξα,
08:31
with seven things
209
496000
2000
σε εφτά πράγματα
08:33
that, I think, show
210
498000
2000
που πιστεύω ότι δείχνουν
08:35
how you can take these lessons from games
211
500000
2000
πως μπορείς να πάρεις αυτά τα εικονικά μαθήματα
08:37
and use them outside of games.
212
502000
3000
και να τα χρησιμοποιήσεις εκτός παιχνιδιών.
08:40
The first one is very simple:
213
505000
2000
Το πρώτο είναι πολύ απλό:
08:42
experience bars measuring progress --
214
507000
2000
οι μπάρες εμπειρίας μετράνε την πρόοδο,
08:44
something that's been talked about brilliantly
215
509000
2000
κάτι το οποίο αναλύθηκε με έξοχο τρόπο
08:46
by people like Jesse Schell earlier this year.
216
511000
3000
νωρίτερα φέτος από ανθρώπους όπως ο Jesse Schell.
08:49
It's already been done at the University of Indiana in the States, among other places.
217
514000
3000
Έχει ήδη δοκιμαστεί από το Πανεπιστήμιο του Ιντιάνα στις ΗΠΑ, όπως και σε άλλα μέρη,
08:52
It's the simple idea that instead of grading people incrementally
218
517000
3000
Αντί να βαθμολογούμε την απόδοση σταδιακά
08:55
in little bits and pieces,
219
520000
2000
σε πολύ μικρά σημεία,
08:57
you give them one profile character avatar
220
522000
2000
τους δίνεις το "άβαταρ" ενός χαρακτήρα
08:59
which is constantly progressing
221
524000
2000
το οποίο συνεχώς προοδεύει
09:01
in tiny, tiny, tiny little increments which they feel are their own.
222
526000
3000
έχοντας πολλές μικρές προσαυξήσεις, τις οποίες νιώθουν ότι έχουν καταφέρει οι ίδιοι.
09:04
And everything comes towards that,
223
529000
2000
Και όλα καταλήγουν σε αυτή την πρόοδο του "άβαταρ",
09:06
and they watch it creeping up, and they own that as it goes along.
224
531000
3000
καθώς το βλέπουν να αυξάνεται σιγά σιγά και συνεχίζουν να νιώθουν την ίδια οικειότητα.
09:09
Second, multiple long and short-term aims --
225
534000
2000
Δεύτερον, πολλοί μακροπρόθεσμοι και βραχυπρόθεσμοι στόχοι.
09:11
5,000 pies, boring,
226
536000
2000
5000 πίτες, βαρετό,
09:13
15 pies, interesting.
227
538000
2000
15 πίτες, ενδιαφέρον.
09:15
So, you give people
228
540000
2000
Οπότε απλά τους δίνεις
09:17
lots and lots of different tasks.
229
542000
2000
πολλές και διαφορετικές ασχολίες.
09:19
You say, it's about
230
544000
2000
Για παράδειγμα,
09:21
doing 10 of these questions,
231
546000
2000
έχεις να απαντήσεις 10 ερωτήσεις,
09:23
but another task
232
548000
2000
αλλά μια άλλη δραστηριότητα λέει
09:25
is turning up to 20 classes on time,
233
550000
2000
να εμφανιστείς στην ώρα σου σε 20 μαθήματα,
09:27
but another task is collaborating with other people,
234
552000
3000
αλλά ακόμα μια δραστηριότητα λέει να συνεργαστείς με άλλους ανθρώπους,
09:30
another task is showing you're working five times,
235
555000
3000
μία άλλη να δουλέψεις σε κάτι 5 φορές,
09:33
another task is hitting this particular target.
236
558000
2000
ακόμα μία να χτυπήσεις ένα συγκεκριμένο στόχο.
09:35
You break things down into these calibrated slices
237
560000
3000
Χωρίζεις αυτές τις δραστηριότητες σε ίσα μέρη
09:38
that people can choose and do in parallel
238
563000
2000
όπου κάποιος μπορεί να διαλέξει και να τις κάνει ακόμα και παράλληλα.
09:40
to keep them engaged
239
565000
2000
Και αυτό είναι που τους κρατάει απασχολημένους
09:42
and that you can use to point them
240
567000
2000
και τους δείχνει τι μπορούν να κάνουν
09:44
towards individually beneficial activities.
241
569000
3000
για να αποκτήσουν περισσότερα οφέλη.
09:48
Third, you reward effort.
242
573000
2000
Τρίτον, επιβραβεύεις την προσπάθεια.
09:50
It's your 100 percent factor. Games are brilliant at this.
243
575000
3000
Πρόκειται για τον παράγοντα 100%. Τα παιχνίδια είναι εξαιρετικά σε αυτόν.
09:53
Every time you do something, you get credit; you get a credit for trying.
244
578000
3000
Κάθε φορά που κάνεις κάτι επιβραβεύεσαι, μόνο και μόνο για την προσπάθεια.
09:56
You don't punish failure. You reward every little bit of effort --
245
581000
3000
Δεν τιμωρείς την αποτυχία. Επιβραβεύεις κάθε ίχνος απόδοσης.
09:59
a little bit of gold, a little bit of credit. You've done 20 questions -- tick.
246
584000
3000
Λίγο παραπάνω ψηφιακό χρυσό, λίγο περισσότερη επιβράβευση, "έκανες 20 ερωτήσεις" οπότε κι άλλη επιβράβευση.
10:02
It all feeds in as minute reinforcement.
247
587000
3000
Όλα λειτουργούν ως στιγμιαίες ενισχύσεις.
10:05
Fourth, feedback.
248
590000
2000
Τέταρτον, ανάδραση.
10:07
This is absolutely crucial,
249
592000
2000
Η ανάδραση είναι τρομερά σημαντική,
10:09
and virtuality is dazzling at delivering this.
250
594000
2000
και η εικονικότητα τα καταφέρνει καταπληκτικά και σε αυτό.
10:11
If you look at some of the most intractable problems in the world today
251
596000
3000
Αν δούμε μερικά από τα πιο δυσεπίλυτα προβλήματα σήμερα στον πλανήτη
10:14
that we've been hearing amazing things about,
252
599000
2000
για τα οποία έχουμε ακούσει απίστευτα πράγματα.
10:16
it's very, very hard for people to learn
253
601000
3000
Είναι πολύ δύσκολο για τους ανθρώπους να μάθουν
10:19
if they cannot link consequences to actions.
254
604000
3000
αν δεν συνδέσουν τις πράξεις με τα αποτελέσματα.
10:22
Pollution, global warming, these things --
255
607000
2000
Μόλυνση, υπερθέρμανση, όλα αυτά τα προβλήματα,
10:24
the consequences are distant in time and space.
256
609000
2000
έχουν συνέπειες που θα τις δούμε στο μακρινό μέλλον.
10:26
It's very hard to learn, to feel a lesson.
257
611000
2000
Είναι πολύ δύσκολο να μάθεις κάτι,
10:28
But if you can model things for people,
258
613000
2000
εάν όμως τα μοντελοποιήσουμε,
10:30
if you can give things to people that they can manipulate
259
615000
2000
εάν δώσουμε στους ανθρώπους κάτι το οποίο μπορούν να χειριστούν
10:32
and play with and where the feedback comes,
260
617000
2000
και να παίξουν μαζί του και όπου οι συνέπειες έρθουν άμεσα,
10:34
then they can learn a lesson, they can see,
261
619000
2000
τότε μπορούν να πάρουν το μάθημα, μπορούν να δουν,
10:36
they can move on, they can understand.
262
621000
3000
μπορούν να προχωρήσουν παρακάτω και μπορούν επιτέλους να καταλάβουν.
10:39
And fifth,
263
624000
2000
Πέμπτον,
10:41
the element of uncertainty.
264
626000
2000
το στοιχείο της αβεβαιότητας.
10:43
Now this is the neurological goldmine,
265
628000
3000
Πρόκειται για ένα "νευρολογικό χρυσωρυχείο" για τα παιχνίδια,
10:46
if you like,
266
631000
2000
αν μου επιτρέπετε την έκφραση,
10:48
because a known reward
267
633000
2000
επειδή μια επιβράβευση που την περιμένουμε
10:50
excites people,
268
635000
2000
μας ενθουσιάζει,
10:52
but what really gets them going
269
637000
2000
αλλά αυτό που πραγματικά μας δίνει κίνητρο
10:54
is the uncertain reward,
270
639000
2000
είναι η άγνωστη επιβράβευση,
10:56
the reward pitched at the right level of uncertainty,
271
641000
2000
εκείνη που τυλίγεται με ένα πέπλο αβεβαιότητας,
10:58
that they didn't quite know whether they were going to get it or not.
272
643000
3000
και την οποία δεν ξέρουμε καν αν πρόκειται να αποκτήσουμε ή όχι.
11:01
The 25 percent. This lights the brain up.
273
646000
3000
Το 25%. Αυτό ενεργοποιεί τον εγκέφαλο.
11:04
And if you think about
274
649000
2000
Και αν κάποιος
11:06
using this in testing,
275
651000
2000
το χρησιμοποιήσει αυτό σε καταστάσεις εξετάσεων,
11:08
in just introducing control elements of randomness
276
653000
2000
απλά με το να προσθέσει τυχαία στοιχεία
11:10
in all forms of testing and training,
277
655000
2000
σε όλες τις μορφές εξετάσεων και εκπαιδεύσεων,
11:12
you can transform the levels of people's engagement
278
657000
2000
μπορείς πραγματικά να μετατρέψεις τα επίπεδα ενδιαφέροντος
11:14
by tapping into this very powerful
279
659000
2000
χρησιμοποιώντας αυτόν τον πανίσχυρο
11:16
evolutionary mechanism.
280
661000
2000
εξελικτικό μηχανισμό.
11:18
When we don't quite predict something perfectly,
281
663000
2000
Και ισχύει ότι όταν δεν μπορούμε να προβλέψουμε κάτι με ακρίβεια,
11:20
we get really excited about it.
282
665000
2000
είναι που πραγματικά ενθουσιαζόμαστε με αυτό.
11:22
We just want to go back and find out more.
283
667000
2000
Θέλουμε απλά να γυρίσουμε σε αυτό και να μάθουμε περισσότερα.
11:24
As you probably know, the neurotransmitter
284
669000
2000
΄ Όπως ήδη θα γνωρίζετε, ο νευροδιαβιβαστής
11:26
associated with learning is called dopamine.
285
671000
2000
που συνδέεται με την μάθηση ονομάζεται ντοπαμίμη.
11:28
It's associated with reward-seeking behavior.
286
673000
3000
Σχετίζεται με την συμπεριφορά που έχει να κάνει με την αναζήτησης επιβράβευσης.
11:31
And something very exciting is just beginning to happen
287
676000
3000
Και κάτι πραγματικά συγκλονιστικό πρόκειται να συμβεί
11:34
in places like the University of Bristol in the U.K.,
288
679000
3000
σε μέρη όπως το πανεπιστήμιο του Bristol στο Ηνωμένο Βασίλειο,
11:37
where we are beginning to be able to model mathematically
289
682000
3000
όπου έχουμε αρχίσει να μετράμε
11:40
dopamine levels in the brain.
290
685000
2000
τα επίπεδα ντοπαμίνης στον εγκέφαλο.
11:42
And what this means is we can predict learning,
291
687000
2000
Και αυτό σημαίνει ότι μπορούμε να προβλέψουμε την μάθηση,
11:44
we can predict enhanced engagement,
292
689000
3000
μπορούμε να προβλέψουμε επίπεδα ενισχυμένου ενδιαφέροντος,
11:47
these windows, these windows of time,
293
692000
2000
αυτά τα μικρά χρονικά παραθυράκια,
11:49
in which the learning is taking place at an enhanced level.
294
694000
3000
στα οποία μαθαίνουμε καλύτερα και αποδοτικότερα.
11:52
And two things really flow from this.
295
697000
2000
Και δύο πράγματα μπορούν να προέλθουν από αυτό.
11:54
The first has to do with memory,
296
699000
2000
Το πρώτο έχει να κάνει με την μνήμη,
11:56
that we can find these moments.
297
701000
2000
ότι πραγματικά μπορούμε να βρούμε αυτές τις στιγμές.
11:58
When someone is more likely to remember,
298
703000
2000
Όταν κάποιος μπορεί πιο εύκολα να θυμηθεί,
12:00
we can give them a nugget in a window.
299
705000
2000
μπορεί να αφομοιώσει και καλύτερα.
12:02
And the second thing is confidence,
300
707000
2000
Το δεύτερο είναι η αυτοπεποίθηση,
12:04
that we can see how game-playing and reward structures
301
709000
2000
ότι μπορούμε να αναγνωρίσουμε το πως τα παιχνίδια και οι δομές ανταμοιβής που έχουν
12:06
make people braver, make them more willing to take risks,
302
711000
3000
κάνουν τους ανθρώπους πιο γενναίους, πιο πρόθυμους να πάρουν ρίσκα,
12:09
more willing to take on difficulty,
303
714000
2000
πιο πρόθυμους να αντιμετωπίσουν δυσκολίες,
12:11
harder to discourage.
304
716000
2000
και πιο ανθεκτικούς στην απογοήτευση.
12:13
This can all seem very sinister.
305
718000
2000
Όλα αυτά μπορεί να φαίνονται σκοτεινά και μυστήρια.
12:15
But you know, sort of "our brains have been manipulated; we're all addicts."
306
720000
2000
Αλλά όλοι ξέρετε τι λένε, "Εχουν εκμεταλλευτεί το μυαλό μας, είμαστε όλοι εξαρτημένοι."
12:17
The word "addiction" is thrown around.
307
722000
2000
Η λέξη "εξάρτηση" χρησιμοποιείται συνεχώς για αυτό το θέμα.
12:19
There are real concerns there.
308
724000
2000
Υπάρχουν πραγματικές ανησυχίες σε αυτό το θέμα.
12:21
But the biggest neurological turn-on for people
309
726000
2000
Αλλά το μεγαλύτερο νευρολογικό κίνητρο για τους ανθρώπους
12:23
is other people.
310
728000
2000
είναι οι άνθρωποι γύρω τους.
12:25
This is what really excites us.
311
730000
3000
Αυτό είναι που πραγματικά μας συναρπάζει.
12:28
In reward terms, it's not money;
312
733000
2000
Σε όρους ανταμοιβής, δεν είναι τα λεφτά,
12:30
it's not being given cash -- that's nice --
313
735000
3000
δεν είναι τα μετρητά που παίρνουμε
12:33
it's doing stuff with our peers,
314
738000
2000
είναι τα πράγματα που κάνουμε με τους συναδέλφους μας,
12:35
watching us, collaborating with us.
315
740000
2000
το γεγονός ότι μας παρακολουθούν, ότι συνεργάζονται μαζί μας.
12:37
And I want to tell you a quick story about 1999 --
316
742000
2000
Και θέλω να σας πω μια μικρή ιστορία από το 1999 --
12:39
a video game called EverQuest.
317
744000
2000
για ένα παιχνίδι ονόματι Everquest.
12:41
And in this video game,
318
746000
2000
Και σε αυτό το παιχνίδι,
12:43
there were two really big dragons, and you had to team up to kill them --
319
748000
3000
ήταν 2 τεράστιοι δράκοι, και έπρεπε να συμμαχήσεις με άλλους για να τους σκοτώσεις.
12:46
42 people, up to 42 to kill these big dragons.
320
751000
3000
42 παίχτες μπορούσαν να μαζευτούν για να σκοτώσουν αυτούς τους μεγάλους δράκους.
12:49
That's a problem
321
754000
2000
Αυτό δημιουργούσε πρόβλημα,
12:51
because they dropped two or three decent items.
322
756000
3000
επειδή οι δράκοι έδιναν δύο ή τρία αξιοπρεπή αντικείμενα.
12:54
So players addressed this problem
323
759000
3000
Οπότε οι παίκτες έδωσαν λύση στο πρόβλημα
12:57
by spontaneously coming up with a system
324
762000
2000
με την δημιουργία ενός συστήματος
12:59
to motivate each other,
325
764000
2000
που παρακινούσε τον καθένα από αυτούς
13:01
fairly and transparently.
326
766000
2000
να φερθεί με δικαιοσύνη και διαφάνεια.
13:03
What happened was, they paid each other a virtual currency
327
768000
3000
Αυτό που έκαναν ήταν ότι δημιούργησαν ένα εικονικό νόμισμα
13:06
they called "dragon kill points."
328
771000
3000
που ονόμασαν "πόντοι του δράκου".
13:09
And every time you turned up to go on a mission,
329
774000
2000
Και κάθε φορά που εμφανιζόσουν ως μέλος σε μια αποστολή,
13:11
you got paid in dragon kill points.
330
776000
2000
έπαιρνες και "πόντους του δράκου".
13:13
They tracked these on a separate website.
331
778000
2000
Τους πόντους αυτούς μετρούσαν σε ξεχωριστή ιστοσελίδα από το παιχνίδι.
13:15
So they tracked their own private currency,
332
780000
2000
Οπότε είχαν αυτό το "ιδιωτικό" νόμισμα,
13:17
and then players could bid afterwards
333
782000
2000
με το οποίο οι παίχτες μπορούσαν να κάνουν τις προσφορές τους
13:19
for cool items they wanted --
334
784000
2000
για αντικείμενα τα οποία ήθελαν.
13:21
all organized by the players themselves.
335
786000
2000
Τα πάντα ήταν οργανωμένα από τους ίδιους τους παίχτες.
13:23
Now the staggering system, not just that this worked in EverQuest,
336
788000
3000
Το εκπληκτικό είναι ότι αυτό το σύστημα δεν δούλεψε μόνο στο Everquest,
13:26
but that today, a decade on,
337
791000
2000
αλλά ότι σήμερα, μια δεκαετία μετά,
13:28
every single video game in the world with this kind of task
338
793000
3000
κάθε παιχνίδι στον κόσμο που εμπεριέχει αποστολές αυτού του είδους
13:31
uses a version of this system --
339
796000
2000
χρησιμοποιεί μια παραλλαγή αυτού του συστήματος.
13:33
tens of millions of people.
340
798000
2000
Δεκάδες εκατομμύρια άνθρωποι.
13:35
And the success rate
341
800000
2000
Και το ποσοστό επιτυχίας
13:37
is at close to 100 percent.
342
802000
2000
είναι κοντά στο 100%.
13:39
This is a player-developed,
343
804000
2000
Πρόκειται για ένα είδος ψηφιακού συναλλάγματος,
13:41
self-enforcing, voluntary currency,
344
806000
3000
που δημιουργήθηκε από τους ίδιους τους παίχτες
13:44
and it's incredibly sophisticated
345
809000
2000
και αυτό από μόνο του αποτελεί δείγμα μιας
13:46
player behavior.
346
811000
2000
απίστευτα ανεπτυγμένης συμπεριφοράς.
13:50
And I just want to end by suggesting
347
815000
2000
Και θα ήθελα να ολοκληρώσω προτείνωντας
13:52
a few ways in which these principles
348
817000
2000
μερικούς τρόπους με τους οποίους αυτές οι αρχές
13:54
could fan out into the world.
349
819000
2000
μπορούν να μεταφερθούν στον έξω κόσμο.
13:56
Let's start with business.
350
821000
2000
Θα αρχίσω με τις επιχειρήσεις.
13:58
I mean, we're beginning to see some of the big problems
351
823000
2000
Τελευταία βλέπουμε να δημιουργούνται κάποια σοβαρά προβλήματα
14:00
around something like business are
352
825000
2000
που έχουν σχέση με τις επιχειρήσεις,
14:02
recycling and energy conservation.
353
827000
2000
όπως οι ανακύκλωση και η διατήρηση ενέργειας.
14:04
We're beginning to see the emergence of wonderful technologies
354
829000
2000
Όμως αρχίζουν να εμφανίζονται και απίστευτες τεχνολογίες
14:06
like real-time energy meters.
355
831000
2000
όπως οι μετρητές ενέργειας σε αληθινό χρόνο.
14:08
And I just look at this, and I think, yes,
356
833000
2000
Και καθώς τις παρατηρώ, σκέφτομαι ότι, ναι,
14:10
we could take that so much further
357
835000
3000
μπορούμε να πάμε τόσα βήματα παρακάτω
14:13
by allowing people to set targets
358
838000
2000
με το να αφήσουμε ανθρώπους να θέσουν στόχους,
14:15
by setting calibrated targets,
359
840000
2000
προσεχτικά τοποθετημένους στόχους,
14:17
by using elements of uncertainty,
360
842000
3000
χρησιμοποιώντας το στοιχείο της αβεβαιότητας
14:20
by using these multiple targets,
361
845000
2000
με το να εκμεταλλευτούν αυτούς τους πολλαπλούς στόχους,
14:22
by using a grand, underlying reward and incentive system,
362
847000
3000
με το να χρησιμοποιήσουν ένα σπουδαίο σύστημα ανταμοιβής και παροχής κινήτρων,
14:25
by setting people up
363
850000
2000
με το να βάλουμε ανθρώπους
14:27
to collaborate in terms of groups, in terms of streets
364
852000
2000
να συνεργαστούν σε ομάδες,
14:29
to collaborate and compete,
365
854000
2000
να συνεργαστούν και να ανταγωνιστούν,
14:31
to use these very sophisticated
366
856000
2000
να χρησιμοποιήσουν αυτούς τους εξειδικευμένους
14:33
group and motivational mechanics we see.
367
858000
2000
μηχανισμούς που είδαμε έως τώρα.
14:35
In terms of education,
368
860000
2000
Οσαναφορά την εκπαίδευση,
14:37
perhaps most obviously of all,
369
862000
2000
ίσως το πιο προφανές,
14:39
we can transform how we engage people.
370
864000
3000
είναι ότι μπορούμε να αλλάξουμε το πως βάζουμε τους ανθρώπους να ασχοληθούν με την γνώση.
14:42
We can offer people the grand continuity
371
867000
2000
Μπορούμε να τους προσφέρουμε μια συνεχή εμπειρία
14:44
of experience and personal investment.
372
869000
3000
που αποτελεί μια προσωπική επένδυση.
14:47
We can break things down
373
872000
2000
Μπορούμε να χωρίσουμε τα πράγματα
14:49
into highly calibrated small tasks.
374
874000
2000
σε μικρές και προσεχτικές εργασίες.
14:51
We can use calculated randomness.
375
876000
2000
Μπορούμε επίσης να χρησιμοποιήσουμε ένα υπολογισμένο ποσοστό τυχαίων γεγονότων.
14:53
We can reward effort consistently
376
878000
2000
Μπορούμε να επιβραβεύουμε συνεχώς την προσπάθεια
14:55
as everything fields together.
377
880000
3000
καθώς τα πάντα δένουν μεταξύ τους.
14:58
And we can use the kind of group behaviors
378
883000
2000
Και μπορούμε να χρησιμοποιήσουμε εκείνες τις συμπεριφορές
15:00
that we see evolving when people are at play together,
379
885000
3000
που βλέπουμε να δημιουργούνται καθώς οι άνθρωποι παίζουν μαζί,
15:03
these really quite unprecedentedly complex
380
888000
3000
αυτούς τους πραγματικά απρόβλεπτους και σύνθετους
15:06
cooperative mechanisms.
381
891000
2000
μηχανισμούς συνεργασίας.
15:08
Government, well, one thing that comes to mind
382
893000
2000
Κυβερνήσεις. Ένα από τα πράγματα που μου έρχεται στο μυαλό
15:10
is the U.S. government, among others,
383
895000
3000
ειδικά για την κυβέρνηση των ΗΠΑ,
15:13
is literally starting to pay people
384
898000
2000
είναι το γεγονός ότι έχει αρχίσει πραγματικά να πληρώνει ανθρώπους
15:15
to lose weight.
385
900000
2000
ώστε να χάσουν το περιττό βάρος.
15:17
So we're seeing financial reward being used
386
902000
2000
Οπότε βλέπουμε ότι χρησιμοποιούνται χρηματικές ανταμοιβές
15:19
to tackle the great issue of obesity.
387
904000
2000
για να αντιμετωπιστεί το πρόβλημα της παχυσαρκίας.
15:21
But again, those rewards
388
906000
2000
Όμως αυτές οι ανταμοιβές
15:23
could be calibrated so precisely
389
908000
3000
θα μπορούσαν να εξισορροπηθούν με τόση ακρίβεια
15:26
if we were able to use the vast expertise
390
911000
3000
αν μόνο μπορούσαμε να χρησιμοποιήσουμε την τεράστια εμπειρία
15:29
of gaming systems to just jack up that appeal,
391
914000
3000
των video games για να αυξήσουμε το πόσο θελκτικές είναι,
15:32
to take the data, to take the observations,
392
917000
2000
για να πάρουμε τις πληροφορίες, τις παρατηρήσεις που χρειαζόμαστε,
15:34
of millions of human hours
393
919000
2000
από εκατομμύρια ώρες ανθρώπινης απασχόλησης
15:36
and plow that feedback
394
921000
2000
και να τροφοδοτήσουμε με όλες αυτές τις πληροφορίες
15:38
into increasing engagement.
395
923000
2000
μια προσπάθεια να αυξήσουμε την συμμετοχή σε αντίστοιχες ασχολίες.
15:40
And in the end, it's this word, "engagement,"
396
925000
3000
Και τελικά, είναι αυτή η λέξη, "συμμετοχή",
15:43
that I want to leave you with.
397
928000
2000
με την οποία θέλω να σας αφήσω.
15:45
It's about how individual engagement
398
930000
2000
Όλα έχουν σχέση με το πόσο η προσωπική μας συμμετοχή στα πράγματα
15:47
can be transformed
399
932000
2000
μπορεί να διαφοροποιηθεί
15:49
by the psychological and the neurological lessons
400
934000
3000
με βάση κάποια ψυχολογικά και νευρολογικά μαθήματα
15:52
we can learn from watching people that are playing games.
401
937000
3000
που μπορούμε να αφομοιώσουμε βλέποντας ανθρώπους να παίζουν παιχνίδια.
15:55
But it's also about collective engagement
402
940000
3000
Σημασία όμως έχει και η συλλογική δέσμευση
15:58
and about the unprecedented laboratory
403
943000
3000
όπως και το "εργαστήριο"
16:01
for observing what makes people tick
404
946000
2000
στο οποίο παρατηρούμε τι κάνει τους ανθρώπους να ενδιαφέρονται,
16:03
and work and play and engage
405
948000
2000
να δουλεύουν, να παίζουν και να συμμετέχουν,
16:05
on a grand scale in games.
406
950000
3000
κατά βάση στα παιχνίδια.
16:08
And if we can look at these things and learn from them
407
953000
3000
Και αν μπορέσουμε να τα παρατηρήσουμε και να μάθουμε από αυτά
16:11
and see how to turn them outwards,
408
956000
2000
και μπορέσουμε να τα εφαρμόσουμε εκτός παιχνιδιών,
16:13
then I really think we have something quite revolutionary on our hands.
409
958000
3000
τότε πιστεύω ότι έχουμε στα χέρια μας κάτι πραγματικά επαναστατικό.
16:16
Thank you very much.
410
961000
2000
Σας ευχαριστώ πάρα πολύ.
16:18
(Applause)
411
963000
4000
(Χειροκρότημα)
ABOUT THE SPEAKER
Tom Chatfield - Gaming theoristTom Chatfield thinks about games -- what we want from them, what we get from them, and how we might use our hard-wired desire for a gamer's reward to change the way we learn.
Why you should listen
It can be difficult to wrap one's mind around the size and the reach of modern video- and online-game culture. But gaming is not only outstripping more-traditional media in revenue (it overtook music in 2008), it's become a powerful lens to re-examine our culture at large. Tom Chatfield, a longtime gamer, is the arts and books editor at the UK current-affairs magazine Prospect. In his book Fun Inc., he argues that games, with their immersive quests and deeply satisfying (and carefully designed) virtual rewards, are a great place to test new approaches to real-world systems that need a reboot.
More than a game journalist, Chatfield is a game theorist, looking at neurological research on how games engage our pleasure centers -- and then looking at a world where millions of videogame-veteran Generation Z'ers are entering the workforce and the voters' rolls. They're good with complex rule sets; they're used to forming ad hoc groups to reach a goal; and they love to tweak and mod existing systems. What if society harnessed that energy to redefine learning? Or voting? Understanding the psychology of the videogame reward schedule, Chatfield believes, is not only important for understanding the world of our children -- it's a stepping stone to improving our world right now.
Tom Chatfield | Speaker | TED.com