TEDGlobal 2010
Tom Chatfield: 7 ways games reward the brain
7 روش که بازی ها به مغز پاداش می دهند
Filmed:
Readability: 3.8
1,288,061 views
ما بازیهای کامپیوتری را با صرفِ ساعتهای بیشمار و پول، برای جستجوی گنجهای خیالی در جهانِ مجازی، به جنبه های بیشتری از زندگی هایمان وارد می کنیم. چرا؟ همانطور که تام چتفیلد نشان می دهد، بازی ها برای تقسیم پاداش به طور ایده آلی تنظیم شده اند. پاداش ها مغز را درگیر و ما را در طمع نگه می دارند.
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
من بازیهای ویدئویی را خیلی دوست دارم.
00:18
I'm also slightly in awe of them.
1
3000
3000
و تا حدودی ازآنها شگفت زده هستم.
00:21
I'm in awe of their power
2
6000
2000
در شگفت از قدرت آنها
00:23
in terms of imagination, in terms of technology,
3
8000
2000
در تخیل، در تکنولوژی
00:25
in terms of concept.
4
10000
2000
در ایده و مفهوم.
00:27
But I think, above all,
5
12000
2000
ولی فکر می کنم، بیشتر از همه
00:29
I'm in awe at their power
6
14000
2000
شگفت زده هستم از قدرت آنها
00:31
to motivate, to compel us,
7
16000
3000
در برانگیختن و وادار کردن ما،
00:34
to transfix us,
8
19000
2000
در میخکوب کردن ما،
00:36
like really nothing else we've ever invented
9
21000
3000
جوری که قبلا هیچ کدام از اختراعات ما
00:39
has quite done before.
10
24000
2000
اینچنین انجام نداده اند.
00:41
And I think that we can learn some pretty amazing things
11
26000
3000
و به نظرم ما می توانیم نکاتِ جالبی را با نگاه کردن به
00:44
by looking at how we do this.
12
29000
2000
روش آنها درانجام این کار، یاد بگیریم.
00:46
And in particular, I think we can learn things
13
31000
2000
و به طور مشخص، ما می توانیم چیزهایی را دربارۀ یادگیری
00:48
about learning.
14
33000
3000
یاد بگیریم.
00:51
Now the video games industry
15
36000
2000
الان صنعت بازیهای ویدئویی،
00:53
is far and away the fastest growing
16
38000
2000
با فاصله زیاد، سریعترین رشد را
00:55
of all modern media.
17
40000
2000
در میان رسانه های مدرن دارد.
00:57
From about 10 billion in 1990,
18
42000
2000
از حدود 10 بیلیون در سال 1990
00:59
it's worth 50 billion dollars globally today,
19
44000
3000
تا امروز که 50 بیلیون دلار ارزش جهانی دارد،
01:02
and it shows no sign of slowing down.
20
47000
3000
و هیچ علامتی هم از کند شدن این سرعت نشان نمی دهد.
01:05
In four years' time,
21
50000
2000
ارزیابی شده که
01:07
it's estimated it'll be worth over 80 billion dollars.
22
52000
3000
در طی چهار سال، بیشتر از 80 بیلیون ارزش خواهد داشت.
01:10
That's about three times the recorded music industry.
23
55000
3000
این تقریبا سه برابر صنعت ضبط موسیقی است.
01:13
This is pretty stunning,
24
58000
2000
خیلی چشمگیر است.
01:15
but I don't think it's the most telling statistic of all.
25
60000
3000
ولی فکر نکنم، گویا ترین آمار باشد.
01:18
The thing that really amazes me
26
63000
2000
چیزی که من را واقعا حیرت زده می کند
01:20
is that, today,
27
65000
2000
این است که، امروز
01:22
people spend about
28
67000
2000
مردم سالانه
01:24
eight billion real dollars a year
29
69000
3000
هشت بیلیون دلار خرج می کنند
01:27
buying virtual items
30
72000
2000
و اشیایی مجازی می خرند
01:29
that only exist
31
74000
2000
که فقط در بازی های ویدئویی
01:31
inside video games.
32
76000
3000
وجود دارند.
01:34
This is a screenshot from the virtual game world, Entropia Universe.
33
79000
3000
این صحنه ای از بازی مجازی " جهان آنتروپی" است
01:37
Earlier this year,
34
82000
2000
در ابتدای امسال، در این بازی
01:39
a virtual asteroid in it
35
84000
2000
یک خرده سیارۀ مجازی
01:41
sold for 330,000 real dollars.
36
86000
4000
به قیمت 330/000 دلار واقعی فروخته شده.
01:45
And this
37
90000
2000
و این
01:47
is a Titan class ship
38
92000
3000
یک سفینه در ردۀ غول پیکر است
01:50
in the space game, EVE Online.
39
95000
2000
در " بازی فضایی"، EVE آنلاین
01:52
And this virtual object
40
97000
2000
و این شیء مجازی
01:54
takes 200 real people
41
99000
2000
توسط 200 نفر آدم
01:56
about 56 days of real time to build,
42
101000
3000
در 56 روز از زمان واقعی ساخته شده،
01:59
plus countless thousands of hours
43
104000
3000
به علاوۀ ساعتهای غیر قابل شمارش
02:02
of effort before that.
44
107000
2000
از تلاش قبل از آن.
02:04
And yet, many of these get built.
45
109000
3000
و با این همه، خیلی از این چیزها ساخته می شوند.
02:07
At the other end of the scale,
46
112000
2000
در طرف دیگر ترازو
02:09
the game Farmville that you may well have heard of,
47
114000
3000
بازی " مزرعه " که ممکن است درباره اش شنیده باشید،
02:12
has 70 million players
48
117000
2000
70 میلیون بازیکن
02:14
around the world
49
119000
2000
از سراسر جهان دارد،
02:16
and most of these players
50
121000
2000
و بیشتر این بازیکنان
02:18
are playing it almost every day.
51
123000
2000
تقریبا هر روز آن را بازی می کنند.
02:20
This may all sound
52
125000
2000
این ممکن ست به نظر بعضی ها
02:22
really quite alarming to some people,
53
127000
2000
هشدار دهنده باشد،
02:24
an index of something worrying
54
129000
2000
نشانه چیزی نگران کننده
02:26
or wrong in society.
55
131000
2000
یا اشتباه در جامعه.
02:28
But we're here for the good news,
56
133000
2000
ولی ما برای خبر خوبِ قضیه، اینجا هستیم،
02:30
and the good news is
57
135000
2000
و خبر خوب این است که
02:32
that I think we can explore
58
137000
2000
ما می توانیم بررسی کنیم که
02:34
why this very real human effort,
59
139000
3000
چرا این تلاشهای انسانی،
02:37
this very intense generation of value, is occurring.
60
142000
4000
این تولید ارزش، رخ می دهد.
02:41
And by answering that question,
61
146000
2000
و با جواب دادن به این سوال،
02:43
I think we can take something
62
148000
2000
به نظرم ما می توانیم
02:45
extremely powerful away.
63
150000
2000
چیز خیلی قدرتمندی را بدست بیاوریم.
02:47
And I think the most interesting way
64
152000
2000
و جالبترین روش برای فکر کردن به اینکه
02:49
to think about how all this is going on
65
154000
2000
همه اینها چطور پیش می آیند
02:51
is in terms of rewards.
66
156000
2000
مرتبط است با پاداش.
02:53
And specifically, it's in terms
67
158000
3000
و به خصوص مرتبط است با
02:56
of the very intense emotional rewards
68
161000
2000
پاداش احساسی که
02:58
that playing games offers to people
69
163000
2000
بازی کردن به افراد می دهد،
03:00
both individually
70
165000
2000
هم به صورت فردی
03:02
and collectively.
71
167000
2000
و هم جمعی.
03:04
Now if we look at what's going on in someone's head
72
169000
2000
حالا، ببینیم در سر کسی که
03:06
when they are being engaged,
73
171000
2000
درگیر بازی است، چه می گذرد.
03:08
two quite different processes are occurring.
74
173000
3000
دو فرآیند کاملا مختلف رخ می دهد.
03:11
On the one hand, there's the wanting processes.
75
176000
3000
در یک طرف، فرآیند "خواستن" هست.
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
چیزی شبیه جاه طلبی و اشتیاق -- من این کار را می کنم. من سخت تلاش خواهم کرد.
03:17
On the other hand, there's the liking processes,
77
182000
2000
طرف دیگر، فرآیند "دوست داشتن" است،
03:19
fun and affection
78
184000
2000
سرگرمی و علاقه
03:21
and delight
79
186000
2000
و خوشی --
03:23
and an enormous flying beast with an orc on the back.
80
188000
2000
و یک جانور عظیم الجثه پرنده با دیوی که سوارش است.
03:25
It's a really great image. It's pretty cool.
81
190000
2000
یک تصویر فوق العاده ست. خیلی باحال ست.
03:27
It's from the game World of Warcraft with more than 10 million players globally,
82
192000
3000
این از بازی " ورد اف وارکرفت " با بیش از 10 میلیون بازیکن از سراسر جهان ست
03:30
one of whom is me, another of whom is my wife.
83
195000
3000
یکی از آنها من هستم و یکی دیگر همسرم.
03:33
And this kind of a world,
84
198000
2000
و این نوع دنیا،
03:35
this vast flying beast you can ride around,
85
200000
2000
این جانور پرنده که می شه به اطراف راند
03:37
shows why games are so very good
86
202000
2000
نشان می دهد که چرا بازی ها اینقدر
03:39
at doing both the wanting and the liking.
87
204000
3000
در" خواستن" و" دوست داشتن" ، خوب هستند.
03:42
Because it's very powerful. It's pretty awesome.
88
207000
2000
چون خیلی قدرتمند ست. خیلی پر ابهت ست.
03:44
It gives you great powers.
89
209000
2000
به تو یک قدرت فوق العاده می دهد.
03:46
Your ambition is satisfied, but it's very beautiful.
90
211000
3000
جاه طلبی ات ارضا می شود ولی این خیلی زیباست.
03:49
It's a very great pleasure to fly around.
91
214000
3000
به اطراف پرواز کردن لذت فوق العاده ای ست.
03:52
And so these combine to form
92
217000
2000
و اینها ترکیب می شوند تا
03:54
a very intense emotional engagement.
93
219000
2000
یک مشغولیت احساسی را شکل دهند.
03:56
But this isn't the really interesting stuff.
94
221000
3000
ولی این، اون چیز خیلی جالب نیست.
03:59
The really interesting stuff about virtuality
95
224000
2000
آنچه دربارۀ دنیای مجازی واقعا جالب است
04:01
is what you can measure with it.
96
226000
2000
چیزهایی است که با آنها، می شود سنجید.
04:03
Because what you can measure in virtuality
97
228000
3000
چون آنچه که در دنیای مجازی می شه سنجید،
04:06
is everything.
98
231000
2000
همه چیز است.
04:08
Every single thing that every single person
99
233000
2000
هر کاری که هر بازیکنی که
04:10
who's ever played in a game has ever done can be measured.
100
235000
3000
تا به حال بازی کرده، انجام داده، می تواند اندازه گیری شود.
04:13
The biggest games in the world today
101
238000
2000
امروز، بزرگترین بازی ها در جهان
04:15
are measuring more than one billion points of data
102
240000
4000
بیشتر از بیلیون ها داده را اندازه می گیرند
04:19
about their players, about what everybody does --
103
244000
2000
درباره بازیکنانشان و درباره فعالیتهای هر کس --
04:21
far more detail than you'd ever get from any website.
104
246000
3000
خیلی بیشتر از جزئیاتی که شما تا به حال از هر سایتی گرفته اید.
04:24
And this allows something very special
105
249000
3000
و این اجازه می دهد که چیز خیلی خاصی
04:27
to happen in games.
106
252000
2000
در بازی ها اتفاق بیافتد.
04:29
It's something called the reward schedule.
107
254000
3000
چیزی به اسم " ریز پاداش".
04:32
And by this, I mean looking
108
257000
2000
منظورم، نگاه کردن به
04:34
at what millions upon millions of people have done
109
259000
2000
آنچه میلیون ها میلیون فرد انجام داده اند
04:36
and carefully calibrating the rate,
110
261000
2000
و به دقت درجه بندی کردن میزان،
04:38
the nature, the type, the intensity of rewards in games
111
263000
3000
ماهیت، نوع، کیفیتِ پاداش در بازی ها ست
04:41
to keep them engaged
112
266000
2000
برای درگیر نگه داشتن آنها
04:43
over staggering amounts of time and effort.
113
268000
3000
طی زمان و تلاش متناوب.
04:46
Now, to try and explain this
114
271000
2000
حالا، برای سعی و توضیح این
04:48
in sort of real terms,
115
273000
3000
در عبارات کاملتر،
04:51
I want to talk about a kind of task
116
276000
2000
می خواهم درباره یک نوع کار حرف بزنم
04:53
that might fall to you in so many games.
117
278000
2000
که ممکن است در خیلی از بازی ها با آن برخورد کرده باشید.
04:55
Go and get a certain amount of a certain little game-y item.
118
280000
3000
رفتن و به دست آوردن مقدار مشخصی از آیتم های مشخص بازی.
04:58
Let's say, for the sake of argument,
119
283000
2000
بیاین برای استدلال بگیم،
05:00
my mission is to get 15 pies
120
285000
3000
ماموریت من بدست آوردن 15 پای شیرینی است،
05:03
and I can get 15 pies
121
288000
3000
و من می توان با کشتن
05:06
by killing these cute, little monsters.
122
291000
2000
این هیولاهای بامزۀ کوچک، 15 پای بگیرم.
05:08
Simple game quest.
123
293000
2000
یک تلاش ساده در بازی.
05:10
Now you can think about this, if you like,
124
295000
2000
حالا اگر مایلید، می توانید جعبه ها را به عنوان
05:12
as a problem about boxes.
125
297000
2000
دردسر بازی در نظر بگیرید.
05:14
I've got to keep opening boxes.
126
299000
2000
من باید مدام جعبه ها را باز کنم.
05:16
I don't know what's inside them until I open them.
127
301000
3000
تا وقتی باز نکرده ام، نمی دانم درون آنها چیست.
05:19
And I go around opening box after box until I've got 15 pies.
128
304000
3000
و جعبه به جعبه باز می کنم، تا 15وقتی پای بگیرم.
05:22
Now, if you take a game like Warcraft,
129
307000
2000
حالا، بازیی مثل " وارکرفت" را در نظر بگیرید
05:24
you can think about it, if you like,
130
309000
2000
اگر مایل هستید، به عنوان
05:26
as a great box-opening effort.
131
311000
3000
یک جعبه باز کردن عظیم، به آن فکر کنید.
05:29
The game's just trying to get people to open about a million boxes,
132
314000
3000
بازی فقط سعی می کند مردم را، با گذاشتن چیزهای بهتر و بهتر در جعبه ها،
05:32
getting better and better stuff in them.
133
317000
2000
به باز کردن یک میلیون جعبه، وادار کند.
05:34
This sounds immensely boring
134
319000
3000
این بی نهایت کسل کننده به نظر می رسد،
05:37
but games are able
135
322000
2000
ولی بازی ها قادرند
05:39
to make this process
136
324000
2000
این فرآیند را
05:41
incredibly compelling.
137
326000
2000
به طور باورنکردنی گیرا کنند.
05:43
And the way they do this
138
328000
2000
و این را از طریق
05:45
is through a combination of probability and data.
139
330000
3000
ترکیبی از احتمالات و داده ها انجام می دهند.
05:48
Let's think about probability.
140
333000
2000
بیاید راجع به احتمالات فکر کنیم.
05:50
If we want to engage someone
141
335000
2000
اگر بخواهیم کسی را در فرآیند
05:52
in the process of opening boxes to try and find pies,
142
337000
3000
جعبه باز کردن برای پیدا کردن پای، درگیر کنیم.
05:55
we want to make sure it's neither too easy,
143
340000
2000
ما می خواهیم مطمئن شویم که پیدا کردن پای،
05:57
nor too difficult, to find a pie.
144
342000
2000
نه خیلی آسان و نه خیلی سخت باشد.
05:59
So what do you do? Well, you look at a million people --
145
344000
2000
پس چی کار می کنید؟ خب، نگاه کنید به یک میلیون نفر
06:01
no, 100 million people, 100 million box openers --
146
346000
3000
نه 100 میلیون نفر، 100 میلیون جعبه بازکن
06:04
and you work out, if you make the pie rate
147
349000
3000
و حساب می کنید، اگر نرخ پای را به حدود
06:07
about 25 percent --
148
352000
2000
25 درصد برسانید --
06:09
that's neither too frustrating, nor too easy.
149
354000
3000
این نه خیلی درمانده کننده است و نه خیلی آسان.
06:12
It keeps people engaged.
150
357000
2000
این افراد را درگیر نگه می دارد --
06:14
But of course, that's not all you do -- there's 15 pies.
151
359000
3000
ولی البته، این تمام کاری که می کنید نیست-- اینجا 15 پای نقش دارند.
06:17
Now, I could make a game called Piecraft,
152
362000
2000
حالا، می توانم یک بازی درست کنم به اسم " پای کرفت"،
06:19
where all you had to do was get a million pies
153
364000
2000
جایی که کل کار، گرفتن یک میلیون پای است،
06:21
or a thousand pies.
154
366000
2000
یا هزار پای.
06:23
That would be very boring.
155
368000
2000
خیلی کسل کننده خواهد بود.
06:25
Fifteen is a pretty optimal number.
156
370000
2000
15 عدد مطلوبی است.
06:27
You find that -- you know, between five and 20
157
372000
2000
متوجه می شوید که عدد مناسب،
06:29
is about the right number for keeping people going.
158
374000
2000
برای مشغول نگه داشتن افراد، بین 5 تا 20 است.
06:31
But we don't just have pies in the boxes.
159
376000
2000
ولی ما در بازی فقط پای در جعبه ها نداریم.
06:33
There's 100 percent up here.
160
378000
2000
بلکه یک ترقی صد درصدی اینجا نقش دارد.
06:35
And what we do is make sure that every time a box is opened,
161
380000
3000
و کار ما این است که مطمئن شویم، هر بار جعبه ای باز می شود،
06:38
there's something in it, some little reward
162
383000
2000
چیزی درون آن است. یک جایزه کوچک.
06:40
that keeps people progressing and engaged.
163
385000
2000
این افراد را در حال پیشروی و درگیر نگه می دارد.
06:42
In most adventure games,
164
387000
2000
در بیشتر باریهای ماجراجویانه
06:44
it's a little bit in-game currency, a little bit experience.
165
389000
3000
این جایزه، یک مقدار پول خیالی یا یک مقدار ورزیدگی است،
06:47
But we don't just do that either.
166
392000
2000
ولی ما در بازی فقط این کار را هم نمی کنیم.
06:49
We also say there's going to be loads of other items
167
394000
2000
ما می گوییم یک عالمه آیتم های دیگر با
06:51
of varying qualities and levels of excitement.
168
396000
2000
سطوح و کیفیت های مختلف هیجان، وجود خواهد داشت.
06:53
There's going to be a 10 percent chance you get a pretty good item.
169
398000
3000
10 درصد شانس گرفتن آیتم های خوب خواهد بود.
06:56
There's going to be a 0.1 percent chance
170
401000
2000
0.1 درصد شانس
06:58
you get an absolutely awesome item.
171
403000
3000
گرفتن آیتم های عالی.
07:01
And each of these rewards is carefully calibrated to the item.
172
406000
3000
و هر کدام از این پاداش ها به دقت برای هر آیتم درجه بندی شده است.
07:04
And also, we say,
173
409000
2000
و همچنین، ما می گوییم،
07:06
"Well, how many monsters? Should I have the entire world full of a billion monsters?"
174
411000
3000
خب، چندتا هیولا؟ باید دنیایی پر از یک بیلیون هیولا داشته باشم؟
07:09
No, we want one or two monsters on the screen at any one time.
175
414000
3000
نه، ما در هر زمان، یک یا دو هیولا روی صحنه می خواهیم.
07:12
So I'm drawn on. It's not too easy, not too difficult.
176
417000
3000
در نتیجه من جذب می شوم. این نه خیلی ساده است، نه خیلی سخت.
07:15
So all this is very powerful.
177
420000
2000
پس تا اینجا خیلی قدرتمند است.
07:17
But we're in virtuality. These aren't real boxes.
178
422000
3000
ولی ما در دنیای مجازی هستیم، این جعبه ها واقعی نیستند.
07:20
So we can do
179
425000
2000
بنابراین ما می توانیم
07:22
some rather amazing things.
180
427000
2000
کارهای جالبی انجام دهیم.
07:24
We notice, looking at all these people opening boxes,
181
429000
4000
ما با نگاه کردن به کسانی که جعبه ها را باز می کنند، متوجه می شویم،
07:28
that when people get to about 13 out of 15 pies,
182
433000
3000
وقتی افراد 13 پای از 15 تا بدست می آورند،
07:31
their perception shifts, they start to get a bit bored, a bit testy.
183
436000
3000
احساس شان عوض می شود، آنها کمی کسل می شوند، کمی بدخلق.
07:34
They're not rational about probability.
184
439000
2000
به احتمال، منطقی نگاه نمی کنند.
07:36
They think this game is unfair.
185
441000
2000
آنها فکر می کنند که این بازی عادلانه نیست.
07:38
It's not giving me my last two pies. I'm going to give up.
186
443000
2000
به من دو تا پای آخرم را نمی دهد. من بازی را ول می کنم.
07:40
If they're real boxes, there's not much we can do,
187
445000
2000
اگر جعبه ها واقعی بودند، کار زیادی از ما ساخته نبود،
07:42
but in a game we can just say, "Right, well.
188
447000
2000
ولی در بازی ما می توانیم بگوییم " خیلی خب، درسته"
07:44
When you get to 13 pies, you've got 75 percent chance of getting a pie now."
189
449000
4000
وقتی به 13 پای رسیدی، الان 75 درصد شانس داری که یک پای بگیری.
07:48
Keep you engaged. Look at what people do --
190
453000
2000
تو را درگیر نگه می دارد. ببین مردم چی کار می کنند --
07:50
adjust the world to match their expectation.
191
455000
2000
این دنیا را با انتظاراتشان تطبیق می دهند.
07:52
Our games don't always do this.
192
457000
2000
بازی های ما همیشه این کار را نمی کنند.
07:54
And one thing they certainly do at the moment
193
459000
2000
کاری که آنها در حال حاضر، حتما می کنند
07:56
is if you got a 0.1 percent awesome item,
194
461000
3000
این است که، اگر یک آیتم عالی که 0.1 درصد شانس گرفتن دارد، گرفتی،
07:59
they make very sure another one doesn't appear for a certain length of time
195
464000
3000
آنها مطمئن می شوند که بعدی، تا مدت مشخصی، ظاهر نشود
08:02
to keep the value, to keep it special.
196
467000
2000
تا ارزش اش را حفظ کنند و آن را خاص نگه دارند.
08:04
And the point is really
197
469000
2000
و نکته اینجاست که در واقع
08:06
that we evolved to be satisfied by the world
198
471000
2000
ما به گونه ای شکل گرفته ایم، که از راه های مشخصی
08:08
in particular ways.
199
473000
2000
توسط این دنیا، ارضا شویم.
08:10
Over tens and hundreds of thousands of years,
200
475000
3000
در طی ده ها و صدها هزاران سال
08:13
we evolved to find certain things stimulating,
201
478000
2000
ما به گونه ای توسعه یافته ایم که چیزهای مشخصی را مهیج ببنیم،
08:15
and as very intelligent, civilized beings,
202
480000
2000
و به عنوان موجودات باهوش و متمدن
08:17
we're enormously stimulated by problem solving and learning.
203
482000
3000
ما با یادگیری و حل مشکل، برانگیخته می شویم.
08:20
But now, we can reverse engineer that
204
485000
2000
حالا ما می توانیم مهندسی معکوس کنیم
08:22
and build worlds
205
487000
2000
و دنیا و محیطی بسازیم که در آن
08:24
that expressly tick our evolutionary boxes.
206
489000
3000
جعبه های در حال تکمیل ما، به خوبی عمل کنند.
08:27
So what does all this mean in practice?
207
492000
2000
پس در عمل همه اینها چه مفهومی دارد؟
08:29
Well, I've come up
208
494000
2000
خب، من هفت چیز را
08:31
with seven things
209
496000
2000
مطرح می کنم،
08:33
that, I think, show
210
498000
2000
که فکر می کنم نشان می دهند،
08:35
how you can take these lessons from games
211
500000
2000
چطور این درسها را از بازی ها بگیریم
08:37
and use them outside of games.
212
502000
3000
و از آنها در خارج از بازیها استفاده کنیم.
08:40
The first one is very simple:
213
505000
2000
اولی خیلی ساده است:
08:42
experience bars measuring progress --
214
507000
2000
تجربۀ فرآیند اندازه گیری میله ای --
08:44
something that's been talked about brilliantly
215
509000
2000
چیزی که افرادی مثل" جس شل" در ابتدای امسال
08:46
by people like Jesse Schell earlier this year.
216
511000
3000
به طور درخشانی درباره اش صحبت کرده اند.
08:49
It's already been done at the University of Indiana in the States, among other places.
217
514000
3000
این کار پیش از این در دانشگاه " ایندینا" در آمریکا و جاهای دیگر انجام شده است
08:52
It's the simple idea that instead of grading people incrementally
218
517000
3000
ایدۀ ساده ای است که به جای اینکه به مردم به صورت افزایشی
08:55
in little bits and pieces,
219
520000
2000
در اندازه های کوچک، امتیاز داده شود،
08:57
you give them one profile character avatar
220
522000
2000
به آنان یک شخصیت مجازی داده شود
08:59
which is constantly progressing
221
524000
2000
که پیوسته در مقدارهای خیلی خیلی کوچکی
09:01
in tiny, tiny, tiny little increments which they feel are their own.
222
526000
3000
پیشرفت می کند، که آنان احساس می کنند مال خودشان است.
09:04
And everything comes towards that,
223
529000
2000
و همه چیز به سمت آن می آید
09:06
and they watch it creeping up, and they own that as it goes along.
224
531000
3000
و آنان آن را در حال بالا رفتن تماشا می کنند و در طول مدتی که پیش می رود، مالک آن هستند
09:09
Second, multiple long and short-term aims --
225
534000
2000
دوم، چندین هدف کوتاه و بلند مدت
09:11
5,000 pies, boring,
226
536000
2000
5000 پای، کسل کننده
09:13
15 pies, interesting.
227
538000
2000
15 تا پای، جالب
09:15
So, you give people
228
540000
2000
پس به مردم
09:17
lots and lots of different tasks.
229
542000
2000
کارهای مختلف خیلی خیلی زیادی می دهید.
09:19
You say, it's about
230
544000
2000
شما می گید،
09:21
doing 10 of these questions,
231
546000
2000
10 تا از این مساله ها باید انجام شود
09:23
but another task
232
548000
2000
ولی کار دیگر
09:25
is turning up to 20 classes on time,
233
550000
2000
سر 20 کلاس سر وقت حاضر شدن، است،
09:27
but another task is collaborating with other people,
234
552000
3000
ولی کار دیگر، همکاری کردن با افراد دیگر است،
09:30
another task is showing you're working five times,
235
555000
3000
کار دیگر 5 بار ارائه کارتان است،
09:33
another task is hitting this particular target.
236
558000
2000
کار دیگر رسیدن به این هدف مشخص است،
09:35
You break things down into these calibrated slices
237
560000
3000
شما چیزها را به بخشهای درجه بندی شده، می شکنید
09:38
that people can choose and do in parallel
238
563000
2000
تا افراد بتوانند آنها را به طور موازی انتخاب و انجام دهند،
09:40
to keep them engaged
239
565000
2000
تا آنها را درگیر نگه دارید.
09:42
and that you can use to point them
240
567000
2000
تا آنها را به طرف
09:44
towards individually beneficial activities.
241
569000
3000
فعالیتهای جداگانۀ سودمند، سوق دهید.
09:48
Third, you reward effort.
242
573000
2000
سوم، شما به تلاش، پاداش می دهید.
09:50
It's your 100 percent factor. Games are brilliant at this.
243
575000
3000
این عامل 100 درصدی شماست. بازی ها در این امر هوشمندانه هستند.
09:53
Every time you do something, you get credit; you get a credit for trying.
244
578000
3000
هر بار که کاری می کنید، اعتبار می گیرید. برای تلاش، اعتبار می گیرید.
09:56
You don't punish failure. You reward every little bit of effort --
245
581000
3000
برای شکست مجازات نمی کنید، برای هر ذره از تلاش، پاداش می دهید --
09:59
a little bit of gold, a little bit of credit. You've done 20 questions -- tick.
246
584000
3000
یک مقدار طلا، یک مقدار اعتبار -- 20 مساله را حل کردی -- تیک
10:02
It all feeds in as minute reinforcement.
247
587000
3000
همه اینها به عنوان تقویتی های کوچک، تهیه می شوند.
10:05
Fourth, feedback.
248
590000
2000
چهارم، بازخور
10:07
This is absolutely crucial,
249
592000
2000
قطعا حیاتی است
10:09
and virtuality is dazzling at delivering this.
250
594000
2000
و دنیای مجازی درتهیه و تحویل آن چشمگیر است.
10:11
If you look at some of the most intractable problems in the world today
251
596000
3000
اگر به بعضی از لاینحل ترین مشکلات جهان امروز که
10:14
that we've been hearing amazing things about,
252
599000
2000
چیزهای حیرت آوری درباره شان شنیده ایم، نگاه کنید،
10:16
it's very, very hard for people to learn
253
601000
3000
درک آنها برای مردم خیلی سخت است
10:19
if they cannot link consequences to actions.
254
604000
3000
اگر نتوانند نتایج را به اعمال پیوند دهند.
10:22
Pollution, global warming, these things --
255
607000
2000
در آلودگی، گرم شدن کره زمین، امثال اینها،
10:24
the consequences are distant in time and space.
256
609000
2000
نتایج از نظر زمانی و مکانی دور هستند.
10:26
It's very hard to learn, to feel a lesson.
257
611000
2000
درک کردن و فهم نکته و درس خیلی سخت است
10:28
But if you can model things for people,
258
613000
2000
ولی اگر بتوانید برای مردم الگوسازی کنید،
10:30
if you can give things to people that they can manipulate
259
615000
2000
اگر به مردم چیزهایی بدهید که بتوانند کنترل و استفاده کنند
10:32
and play with and where the feedback comes,
260
617000
2000
و با آن بازی کنند و بازخور دریافت کنند
10:34
then they can learn a lesson, they can see,
261
619000
2000
آن وقت می توانند درس بگیرند، می توانند ببینند،
10:36
they can move on, they can understand.
262
621000
3000
می توانند تغییر کنند، می توانند بفهمند.
10:39
And fifth,
263
624000
2000
و پنجم
10:41
the element of uncertainty.
264
626000
2000
عامل عدم قطعیت
10:43
Now this is the neurological goldmine,
265
628000
3000
حالا، این از نظر عصب شناسی یک معدن طلا است،
10:46
if you like,
266
631000
2000
اگر از این اصطلاح خوشتان بیاید،
10:48
because a known reward
267
633000
2000
زیرا یک پاداش شناخته شده
10:50
excites people,
268
635000
2000
مردم را هیجان زده می کند،
10:52
but what really gets them going
269
637000
2000
ولی چیزی که باعث می شود، ادامه دهند،
10:54
is the uncertain reward,
270
639000
2000
پاداش نامشخص است.
10:56
the reward pitched at the right level of uncertainty,
271
641000
2000
پاداشی که در سطح مناسبی از عدم قطعیت، قرار داده شده
10:58
that they didn't quite know whether they were going to get it or not.
272
643000
3000
آنها کاملا نمی دانند که آیا آن را خواهند گرفت یا نه.
11:01
The 25 percent. This lights the brain up.
273
646000
3000
همان 25 درصد. این مغز را به کار می اندازد.
11:04
And if you think about
274
649000
2000
و اگر فکر کنید به
11:06
using this in testing,
275
651000
2000
استفاده از این در آزمون ها
11:08
in just introducing control elements of randomness
276
653000
2000
در فقط معرفی عوامل کنترلِ رخدادهای تصادفی
11:10
in all forms of testing and training,
277
655000
2000
در همه انواع آزمون و آموزش
11:12
you can transform the levels of people's engagement
278
657000
2000
می توانید سطح مشغولیت مردم را با
11:14
by tapping into this very powerful
279
659000
2000
سود بردن از این مکانیسم خیلی قدرتمند و
11:16
evolutionary mechanism.
280
661000
2000
تکاملی، دگرگون کنید.
11:18
When we don't quite predict something perfectly,
281
663000
2000
وقتی ما نمی توانیم چیزی را به طور کامل پیش بینی کنیم،
11:20
we get really excited about it.
282
665000
2000
دستخوش هیجان می شویم.
11:22
We just want to go back and find out more.
283
667000
2000
فقط می خواهیم برگردیم و بیشتر کشف کنیم.
11:24
As you probably know, the neurotransmitter
284
669000
2000
همانطور که احتمالا می دانید، انتقال دهنده عصبی ای که
11:26
associated with learning is called dopamine.
285
671000
2000
در یادگیری نقش دارد " دوپامين" نام دارد.
11:28
It's associated with reward-seeking behavior.
286
673000
3000
" دوپامين" در رفتار " جویندگی پاداش" شرکت دارد.
11:31
And something very exciting is just beginning to happen
287
676000
3000
و اتفاق خیلی هیجان انگیزی به تازگی
11:34
in places like the University of Bristol in the U.K.,
288
679000
3000
در بعضی جاها مثل " دانشگاه بریستون" در انگلیس، آغاز شده ست،
11:37
where we are beginning to be able to model mathematically
289
682000
3000
ما داریم قادر می شویم، الگوی ریاضی سطح دوپامین
11:40
dopamine levels in the brain.
290
685000
2000
در مغز را بسازیم.
11:42
And what this means is we can predict learning,
291
687000
2000
این یعنی ما می توانیم یادگیری را پیش بینی کنیم،
11:44
we can predict enhanced engagement,
292
689000
3000
ما می توانیم مشغولیت بالا رفته را پیش بینی کنیم،
11:47
these windows, these windows of time,
293
692000
2000
این فرجه ها، این فرجه های زمانی
11:49
in which the learning is taking place at an enhanced level.
294
694000
3000
که یادگیری در سطح بالایی در آنها اتفاق می افتد، را پیش بینی کنیم.
11:52
And two things really flow from this.
295
697000
2000
و دو چیز به دنبال این می آید.
11:54
The first has to do with memory,
296
699000
2000
اولی مربوط به حافظه است،
11:56
that we can find these moments.
297
701000
2000
ما می توانیم این لحظه ها را پیدا کنیم.
11:58
When someone is more likely to remember,
298
703000
2000
وقتی احتمال یادآوری در فردی بالا باشد
12:00
we can give them a nugget in a window.
299
705000
2000
می توانیم درخلال این زمان، به او یک تکه جایزه بدهیم.
12:02
And the second thing is confidence,
300
707000
2000
و دومی اعتماد به نفس است.
12:04
that we can see how game-playing and reward structures
301
709000
2000
ما می توانیم ببینیم که چطور بازی کردن و ساختار پاداش
12:06
make people braver, make them more willing to take risks,
302
711000
3000
مردم را شجاع تر می کند، آنها را به قبول ریسک مشتاق تر می کند.
12:09
more willing to take on difficulty,
303
714000
2000
هر چه قبول سختی ها مشتاقانه تر باشد،
12:11
harder to discourage.
304
716000
2000
مایوس کردن هم سخت تر است.
12:13
This can all seem very sinister.
305
718000
2000
همه اینها می تواند خیلی شرورانه به نظر برسد.
12:15
But you know, sort of "our brains have been manipulated; we're all addicts."
306
720000
2000
ولی وقتی می گوییم " مغز ما دستکاری شده و همه ما معتاد هستیم"
12:17
The word "addiction" is thrown around.
307
722000
2000
کلمه اعتیاد زیادی از حد استفاده شده.
12:19
There are real concerns there.
308
724000
2000
نگرانی واقعی آنجا هست.
12:21
But the biggest neurological turn-on for people
309
726000
2000
ولی بزرگترین تحریک برای مردم از نظر عصب شناختی
12:23
is other people.
310
728000
2000
افراد دیگر هستند.
12:25
This is what really excites us.
311
730000
3000
این چیزی است که ما را هیجان زده می کند.
12:28
In reward terms, it's not money;
312
733000
2000
به عبارت پاداشی، این پول نیست
12:30
it's not being given cash -- that's nice --
313
735000
3000
پول نقد گرفتن نیست -- آن هم خوب است --
12:33
it's doing stuff with our peers,
314
738000
2000
انجام دادن چیزی با همتا هایمان است که
12:35
watching us, collaborating with us.
315
740000
2000
ما را نگاه می کنند، با ما همکاری می کنند.
12:37
And I want to tell you a quick story about 1999 --
316
742000
2000
می خواهم یک داستان کوتاه درباره سال 1999 --
12:39
a video game called EverQuest.
317
744000
2000
در یک بازی به اسم " اِوِرکوئست"، تعریف کنم.
12:41
And in this video game,
318
746000
2000
در این بازی ویدئویی،
12:43
there were two really big dragons, and you had to team up to kill them --
319
748000
3000
دو اژدهای واقعا بزرگ بودند، و برای کشتنشان
12:46
42 people, up to 42 to kill these big dragons.
320
751000
3000
باید 42 نفر با هم تیم تشکیل می دادند.
12:49
That's a problem
321
754000
2000
این یک معضل است،
12:51
because they dropped two or three decent items.
322
756000
3000
چون کشتن آنها فقط دو یا سه آیتم مناسب می داد.
12:54
So players addressed this problem
323
759000
3000
بنابراین بازیکنان این مشکل را به صورت خودجوش
12:57
by spontaneously coming up with a system
324
762000
2000
با ارائه یک سیستم برای برانگیختن یکدیگر
12:59
to motivate each other,
325
764000
2000
به صورت عادلانه و شفاف
13:01
fairly and transparently.
326
766000
2000
هدف قرار دادند.
13:03
What happened was, they paid each other a virtual currency
327
768000
3000
چیزی که اتفاق افتاد این بود که آنها به همدیگر پول مجازی که به آن
13:06
they called "dragon kill points."
328
771000
3000
" امتیاز کشتن اژدها " می گفتند، پرداخت کردند.
13:09
And every time you turned up to go on a mission,
329
774000
2000
و هر بار که در یک ماموریت حاضر می شدی،
13:11
you got paid in dragon kill points.
330
776000
2000
به نرخ "امتیاز کشتن اژدها" ، دستمزد می گرفتی.
13:13
They tracked these on a separate website.
331
778000
2000
آنان اینها را در سایتی جداگانه دنبال کردند.
13:15
So they tracked their own private currency,
332
780000
2000
به این صورت آنها پول اختصاصی خودشان را پیگیری کردند،
13:17
and then players could bid afterwards
333
782000
2000
و بعد از آن بازیکنان می توانستند برای آیتم های با حالی
13:19
for cool items they wanted --
334
784000
2000
که می خواستند، پیشنهاد قیمت بدهند --
13:21
all organized by the players themselves.
335
786000
2000
همه توسط خود بازیکانان سازماندهی شد.
13:23
Now the staggering system, not just that this worked in EverQuest,
336
788000
3000
حالا، این سیستم باورنکردنی است که نه تنها در "اور کوئست" جواب داد،
13:26
but that today, a decade on,
337
791000
2000
بلکه امروز، یک دهه بعد از آن،
13:28
every single video game in the world with this kind of task
338
793000
3000
هر بازی ویدئویی در جهان که یک چنین کاری دارد
13:31
uses a version of this system --
339
796000
2000
یک نوع مدل از این سیستم را به کار می برد --
13:33
tens of millions of people.
340
798000
2000
دهها میلیون نفر.
13:35
And the success rate
341
800000
2000
و نرخ موفقیت
13:37
is at close to 100 percent.
342
802000
2000
نزدیک به 100 درصد است.
13:39
This is a player-developed,
343
804000
2000
این یک پول توسعه داده شده توسط بازیکنان،
13:41
self-enforcing, voluntary currency,
344
806000
3000
خود تحمیل شده و داوطلبانه است.
13:44
and it's incredibly sophisticated
345
809000
2000
این رفتار به طور باورنکردنی پخته،
13:46
player behavior.
346
811000
2000
از بازیکنان است.
13:50
And I just want to end by suggesting
347
815000
2000
و من فقط می خواهم با پیشنهاد چند راه که
13:52
a few ways in which these principles
348
817000
2000
از طریق آنها این مفاهیم، می توانند
13:54
could fan out into the world.
349
819000
2000
در جهان رواج بیابند، تمام کنم.
13:56
Let's start with business.
350
821000
2000
با کسب و کار شروع می کنم.
13:58
I mean, we're beginning to see some of the big problems
351
823000
2000
منظورم این است، ما شروع کردیم به دیدن اینکه بعضی مشکلات بزرگ
14:00
around something like business are
352
825000
2000
در اطراف چیزی مثل کسب و کار
14:02
recycling and energy conservation.
353
827000
2000
بازیافت و جلوگیری از اتلاف انرژی هستند.
14:04
We're beginning to see the emergence of wonderful technologies
354
829000
2000
ما شروع کردیم به دیدن شکوفایی تکنولوژی های زیبا
14:06
like real-time energy meters.
355
831000
2000
مثل "کنتورهای برق همزمان".
14:08
And I just look at this, and I think, yes,
356
833000
2000
و من به این نگاه می کنم، و فکر می کنم که، بله
14:10
we could take that so much further
357
835000
3000
ما می توانیم این را خیلی جلوتر ببریم
14:13
by allowing people to set targets
358
838000
2000
با اجازه دادن به مردم که هدف گذاری کنند
14:15
by setting calibrated targets,
359
840000
2000
با تعیین هدف های درجه بندی شده،
14:17
by using elements of uncertainty,
360
842000
3000
با استفاده از عوامل عدم قطعیت،
14:20
by using these multiple targets,
361
845000
2000
با استفاده از هدفهای چندگانه،
14:22
by using a grand, underlying reward and incentive system,
362
847000
3000
با استفاده از یک سیستم پاداش و محرک که به صورت گسترده و نهفته باشد،
14:25
by setting people up
363
850000
2000
با سازماندهی به مردم برای
14:27
to collaborate in terms of groups, in terms of streets
364
852000
2000
همکاری در گروه، در خیابان
14:29
to collaborate and compete,
365
854000
2000
برای همکاری کردن و رقابت کردن،
14:31
to use these very sophisticated
366
856000
2000
برای استفاده از این گروه های مجرب
14:33
group and motivational mechanics we see.
367
858000
2000
و ساز و کار انگیزشی پیچیده، که دیدیم.
14:35
In terms of education,
368
860000
2000
در ارتباط با آموزش،
14:37
perhaps most obviously of all,
369
862000
2000
احتمالا از همه واضح تر،
14:39
we can transform how we engage people.
370
864000
3000
ما می توانیم نحوۀ جلب توجه مردم را دگرگون کنیم.
14:42
We can offer people the grand continuity
371
867000
2000
می توانیم به مردم، تداوم گستردۀ تجربه و
14:44
of experience and personal investment.
372
869000
3000
سرمایه گذاری فردی را ارائه دهیم.
14:47
We can break things down
373
872000
2000
می توانیم چیزها را به
14:49
into highly calibrated small tasks.
374
874000
2000
کارهای درجه بندی شده و کوچک، تقسیم کنیم.
14:51
We can use calculated randomness.
375
876000
2000
می توانیم از رخدادهای تصادفی حساب شده، استفاده کنیم.
14:53
We can reward effort consistently
376
878000
2000
می توانیم پیوسته به تلاش پاداش دهیم.
14:55
as everything fields together.
377
880000
3000
وقتی همه چیز با هم وارد عمل می شوند.
14:58
And we can use the kind of group behaviors
378
883000
2000
و می توانیم از آن نوع رفتارهای گروهی که وقتی
15:00
that we see evolving when people are at play together,
379
885000
3000
افراد با هم بازی می کنند، شکل می گیرد، استفاده کنیم.
15:03
these really quite unprecedentedly complex
380
888000
3000
این مکانیسم های پیچیدۀ همکاری که
15:06
cooperative mechanisms.
381
891000
2000
واقعا بی سابقه هستند.
15:08
Government, well, one thing that comes to mind
382
893000
2000
دولت، خب چیزی که به ذهن می آید
15:10
is the U.S. government, among others,
383
895000
3000
این است که دولت آمریکا، وسایر دولتها
15:13
is literally starting to pay people
384
898000
2000
جداً شروع به پرداخت پول به افراد کرده تا
15:15
to lose weight.
385
900000
2000
کاهش وزن داشته باشند.
15:17
So we're seeing financial reward being used
386
902000
2000
پس ما می گوییم پاداش مالی برای
15:19
to tackle the great issue of obesity.
387
904000
2000
غلبه بر مسئله بزرگ چاقی مفرط استفاده می شود.
15:21
But again, those rewards
388
906000
2000
ولی، آن پاداش ها می توانند
15:23
could be calibrated so precisely
389
908000
3000
به طور دقیق درجه بندی شوند
15:26
if we were able to use the vast expertise
390
911000
3000
اگر ما می توانستیم از تخصص گستردۀ
15:29
of gaming systems to just jack up that appeal,
391
914000
3000
سیستمهای بازی در بالابردن جذابیت،
15:32
to take the data, to take the observations,
392
917000
2000
در دریافت اطلاعات و در مشاهدۀ
15:34
of millions of human hours
393
919000
2000
میلیونها ساعت از انسانها استفاده کنیم و
15:36
and plow that feedback
394
921000
2000
مشغولیت در حال افزایش را با اضافه کردن بازخور
15:38
into increasing engagement.
395
923000
2000
آماده بهره برداری کنیم.
15:40
And in the end, it's this word, "engagement,"
396
925000
3000
و در آخر، این کلمه هست،" مشغولیت"
15:43
that I want to leave you with.
397
928000
2000
که می خواهم شما را با آن تنها بگذارم.
15:45
It's about how individual engagement
398
930000
2000
در این باره که چطور مشغولیت فردی
15:47
can be transformed
399
932000
2000
می تواند به وسیلۀ آموزه های روانشناختی و
15:49
by the psychological and the neurological lessons
400
934000
3000
عصب شناختی که ما می توانیم از
15:52
we can learn from watching people that are playing games.
401
937000
3000
تماشای مردمی که بازی می کنند، یاد بگیریم، تغییر شکل یابد.
15:55
But it's also about collective engagement
402
940000
3000
اما همچنین دربارۀ مشغولیت گروهی
15:58
and about the unprecedented laboratory
403
943000
3000
و دربارۀ این کارگاه آموزشی بی سابقه برای
16:01
for observing what makes people tick
404
946000
2000
مشاهدۀ آنچه مردم را به حرکت
16:03
and work and play and engage
405
948000
2000
و کار و بازی و جذب شدن، وا می دارد
16:05
on a grand scale in games.
406
950000
3000
در یک مقیاس بزرگ در بازی ها.
16:08
And if we can look at these things and learn from them
407
953000
3000
و اگر بتوانیم به این چیزها نگاه کنیم و از آنها یاد بگیریم
16:11
and see how to turn them outwards,
408
956000
2000
و بفهمیم که چطور آنها را به محیط بیرون بیاوریم
16:13
then I really think we have something quite revolutionary on our hands.
409
958000
3000
آن وقت من واقعا فکر می کنم، که ما چیزی کاملا انقلابی در اختیار داریم.
16:16
Thank you very much.
410
961000
2000
خیلی ممنون
16:18
(Applause)
411
963000
4000
( تشویق)
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