TEDGlobal 2010
Tom Chatfield: 7 ways games reward the brain
Tom Chatfield: 7 módja annak, ahogy a játékok megjutalmazzák az agyunk
Filmed:
Readability: 3.8
1,288,061 views
A videojátékok egyre inkább részévé válnak a mindennapi életünknek, megszámlálhatatlan órát töltünk -- és valódi pénzt költünk -- kincsek felkutatásával virtuális világokban. Miért? Tom Chatfield megmutatja, hogy a játékok tökéletesen rá vannak hangolva arra, hogy úgy osszanak ki jutalmakat, hogy az leköti az agyunkat és rávesz minket, hogy tovább kalandozzunk.
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
Imádom a videojátékokat.
00:18
I'm also slightly in awe of them.
1
3000
3000
És egy kicsit le is nyűgöznek.
00:21
I'm in awe of their power
2
6000
2000
Lenyűgöz az erejük
00:23
in terms of imagination, in terms of technology,
3
8000
2000
a képzelet, a technológia
00:25
in terms of concept.
4
10000
2000
és a koncepció tekintetében.
00:27
But I think, above all,
5
12000
2000
De mindenek felett
00:29
I'm in awe at their power
6
14000
2000
lenyűgöz a hatalmuk,
00:31
to motivate, to compel us,
7
16000
3000
hogy motiváljanak, rávegyenek,
00:34
to transfix us,
8
19000
2000
lekössenek minket,
00:36
like really nothing else we've ever invented
9
21000
3000
mint igazából semmi más,
00:39
has quite done before.
10
24000
2000
amit ezelőtt feltaláltunk.
00:41
And I think that we can learn some pretty amazing things
11
26000
3000
És azt hiszem érdekes dolgokat tanulhatunk,
00:44
by looking at how we do this.
12
29000
2000
ha megnézzük, hogy csináljuk ezt.
00:46
And in particular, I think we can learn things
13
31000
2000
És legfőképpen, azt hiszem tanulhatunk dolgokat
00:48
about learning.
14
33000
3000
magáról a tanulásról.
00:51
Now the video games industry
15
36000
2000
A videojáték-ipar
00:53
is far and away the fastest growing
16
38000
2000
messzemenően a leggyorsabban fejlődő
00:55
of all modern media.
17
40000
2000
minden modern média típus közül.
00:57
From about 10 billion in 1990,
18
42000
2000
1990-ben kb. 10 milliárdot ért,
00:59
it's worth 50 billion dollars globally today,
19
44000
3000
ma már globálisan 50 milliárd dollárt ér,
01:02
and it shows no sign of slowing down.
20
47000
3000
és semmi jelét nem mutatja a lassulásnak.
01:05
In four years' time,
21
50000
2000
Négy éven belül,
01:07
it's estimated it'll be worth over 80 billion dollars.
22
52000
3000
becslések szerint több mint 80 milliárd dollárt fog érni.
01:10
That's about three times the recorded music industry.
23
55000
3000
Ez kb. háromszorosa a zeneiparnak.
01:13
This is pretty stunning,
24
58000
2000
Ez egész elképesztő,
01:15
but I don't think it's the most telling statistic of all.
25
60000
3000
de szerintem nem ez a legárulkodóbb statisztika.
01:18
The thing that really amazes me
26
63000
2000
Ami igazán elképeszt engem,
01:20
is that, today,
27
65000
2000
az az, hogy ma
01:22
people spend about
28
67000
2000
az emberek általában
01:24
eight billion real dollars a year
29
69000
3000
nyolcmilliárd igazi dollárt költenek évente
01:27
buying virtual items
30
72000
2000
virtuális tárgyak vásárlására,
01:29
that only exist
31
74000
2000
amelyek csupán
01:31
inside video games.
32
76000
3000
a videojátékban léteznek.
01:34
This is a screenshot from the virtual game world, Entropia Universe.
33
79000
3000
Ez egy képernyőkép a virtuális játék világból, az Entropia Universe-ből.
01:37
Earlier this year,
34
82000
2000
Az év elején
01:39
a virtual asteroid in it
35
84000
2000
egy virtuális aszteroida a játékban
01:41
sold for 330,000 real dollars.
36
86000
4000
330.000 igazi dollárért kelt el.
01:45
And this
37
90000
2000
És ez
01:47
is a Titan class ship
38
92000
3000
egy Titan osztályú hajó
01:50
in the space game, EVE Online.
39
95000
2000
az EVE Online űrjátékban.
01:52
And this virtual object
40
97000
2000
És ez a virtuális tárgy
01:54
takes 200 real people
41
99000
2000
200 igazi embernek
01:56
about 56 days of real time to build,
42
101000
3000
kb. 56 valódi napjába került megépíteni,
01:59
plus countless thousands of hours
43
104000
3000
és még sok ezer órányi erőfeszítésébe
02:02
of effort before that.
44
107000
2000
ezt megelőzően.
02:04
And yet, many of these get built.
45
109000
3000
És mégis nagyon sok épül meg.
02:07
At the other end of the scale,
46
112000
2000
A skála másik végén,
02:09
the game Farmville that you may well have heard of,
47
114000
3000
a Farmville játéknak, amiről valószínűleg hallottak,
02:12
has 70 million players
48
117000
2000
70 millió játékosa van
02:14
around the world
49
119000
2000
világszerte,
02:16
and most of these players
50
121000
2000
és a legtöbbjük
02:18
are playing it almost every day.
51
123000
2000
majdnem minden nap játszik.
02:20
This may all sound
52
125000
2000
Mindez lehet,
02:22
really quite alarming to some people,
53
127000
2000
hogy ijesztően hangzik egyeseknek,
02:24
an index of something worrying
54
129000
2000
mint valami aggasztó jel
02:26
or wrong in society.
55
131000
2000
vagy társadalmi probléma.
02:28
But we're here for the good news,
56
133000
2000
De mi a jó hírek miatt vagyunk itt,
02:30
and the good news is
57
135000
2000
és a jó hír az,
02:32
that I think we can explore
58
137000
2000
hogy szerintem megtudhatjuk,
02:34
why this very real human effort,
59
139000
3000
hogy miért folyik ez a nagyon is valódi
02:37
this very intense generation of value, is occurring.
60
142000
4000
emberi erőfeszítés, ez az intenzív értékteremtés.
02:41
And by answering that question,
61
146000
2000
És ha megválaszoljuk ezt a kérdést,
02:43
I think we can take something
62
148000
2000
azt hiszem megtanulhatunk
02:45
extremely powerful away.
63
150000
2000
valami nagyon jelentőset.
02:47
And I think the most interesting way
64
152000
2000
Szerintem a legérdekesebb megközelítés
02:49
to think about how all this is going on
65
154000
2000
azt tanulmányozni, hogy hogy történik mindez,
02:51
is in terms of rewards.
66
156000
2000
az a jutalom.
02:53
And specifically, it's in terms
67
158000
3000
És kifejezetten
02:56
of the very intense emotional rewards
68
161000
2000
a nagyon intenzív érzelmi jutalmak,
02:58
that playing games offers to people
69
163000
2000
amiket a videojátékok nyújtanak a játékosoknak
03:00
both individually
70
165000
2000
mind egyénileg,
03:02
and collectively.
71
167000
2000
mind kollektíven.
03:04
Now if we look at what's going on in someone's head
72
169000
2000
Ha megnézzük, hogy mi történik valaki fejében,
03:06
when they are being engaged,
73
171000
2000
amikor leköti őt valami,
03:08
two quite different processes are occurring.
74
173000
3000
két nagyon különböző folyamat zajlik le.
03:11
On the one hand, there's the wanting processes.
75
176000
3000
Egyrészt ott van az akarás folyamata.
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
Kicsit olyan, mint az ambíció és a hajtóerő -- ezt fogom tenni. Keményen fogok dolgozni.
03:17
On the other hand, there's the liking processes,
77
182000
2000
Másrészt ott van az élvezet folyamata,
03:19
fun and affection
78
184000
2000
izgalom, szeretet
03:21
and delight
79
186000
2000
és öröm,
03:23
and an enormous flying beast with an orc on the back.
80
188000
2000
és egy hatalmas repülő szörny egy orkkal a hátán.
03:25
It's a really great image. It's pretty cool.
81
190000
2000
Ez egy igazán remek kép. Nagyon menő.
03:27
It's from the game World of Warcraft with more than 10 million players globally,
82
192000
3000
A World of Warcraftból származik, egy játék több mint 10 millió játékossal világszerte,
03:30
one of whom is me, another of whom is my wife.
83
195000
3000
az egyikük én vagyok, egy másikuk a feleségem.
03:33
And this kind of a world,
84
198000
2000
És ez a fajta világ,
03:35
this vast flying beast you can ride around,
85
200000
2000
ez a hatalmas repülő szörny, amit meg lehet lovagolni,
03:37
shows why games are so very good
86
202000
2000
jól bemutatja, hogy a játékok mennyire jók
03:39
at doing both the wanting and the liking.
87
204000
3000
az akarásban és a szeretésben is.
03:42
Because it's very powerful. It's pretty awesome.
88
207000
2000
Mert nagyon erőteljes. Egészen csodálatos.
03:44
It gives you great powers.
89
209000
2000
Hatalommal ruház fel.
03:46
Your ambition is satisfied, but it's very beautiful.
90
211000
3000
Kielégíti az ambíciód, de nagyon szép is.
03:49
It's a very great pleasure to fly around.
91
214000
3000
Örömteljes repülni rajta.
03:52
And so these combine to form
92
217000
2000
Ezek együttesen egy nagyon intenzív
03:54
a very intense emotional engagement.
93
219000
2000
érzelmi részvételt eredményeznek.
03:56
But this isn't the really interesting stuff.
94
221000
3000
De nem ez az igazán érdekes.
03:59
The really interesting stuff about virtuality
95
224000
2000
Ami igazán érdekes a vitrualitásban, az az,
04:01
is what you can measure with it.
96
226000
2000
hogy mivel mérhető.
04:03
Because what you can measure in virtuality
97
228000
3000
Mert a virtuális világban
04:06
is everything.
98
231000
2000
minden mérhető.
04:08
Every single thing that every single person
99
233000
2000
Minden egyes dolog, amit minden egyes személy
04:10
who's ever played in a game has ever done can be measured.
100
235000
3000
csinált, aki valaha játszott a játékban mérhető.
04:13
The biggest games in the world today
101
238000
2000
Ma a legnagyobb játékok a világon
04:15
are measuring more than one billion points of data
102
240000
4000
több mint egymilliárd adatpontot mérnek
04:19
about their players, about what everybody does --
103
244000
2000
a játékosaikról, arról, hogy mit csinál mindenki --
04:21
far more detail than you'd ever get from any website.
104
246000
3000
sokkal több részlet, mint amit egy weboldalról lehet kapni.
04:24
And this allows something very special
105
249000
3000
És ez lehetővé teszi, hogy valami nagyon különleges
04:27
to happen in games.
106
252000
2000
történjen meg a játékokban.
04:29
It's something called the reward schedule.
107
254000
3000
Ezt a valamit úgy hívják, hogy a jutalom menetrend.
04:32
And by this, I mean looking
108
257000
2000
Ez alatt azt értem, hogy megnézik,
04:34
at what millions upon millions of people have done
109
259000
2000
hogy mit csináltak játékosok milliói,
04:36
and carefully calibrating the rate,
110
261000
2000
és gondosan kiszámolják a jutalmak
04:38
the nature, the type, the intensity of rewards in games
111
263000
3000
gyakoriságát, típusát, és intenzitását a játékban ahhoz,
04:41
to keep them engaged
112
266000
2000
hogy lekössék a játékosokat
04:43
over staggering amounts of time and effort.
113
268000
3000
elképesztően hosszú időn és befektetett energián keresztül.
04:46
Now, to try and explain this
114
271000
2000
Hogy megpróbáljam ezt elmagyarázni
04:48
in sort of real terms,
115
273000
3000
valós fogalmakkal,
04:51
I want to talk about a kind of task
116
276000
2000
vegyünk egy olyan feldatot,
04:53
that might fall to you in so many games.
117
278000
2000
ami egy játékosra várhat nagyon sok játékban.
04:55
Go and get a certain amount of a certain little game-y item.
118
280000
3000
Menj és szerezz egy bizonyos mennyiségű játékbeli tárgyat.
04:58
Let's say, for the sake of argument,
119
283000
2000
Mondjuk, a példa kedvéért,
05:00
my mission is to get 15 pies
120
285000
3000
hogy a küldetésem szerezni 15 pitét,
05:03
and I can get 15 pies
121
288000
3000
és úgy szerezhetek 15 pitét,
05:06
by killing these cute, little monsters.
122
291000
2000
hogy megölöm ezeket a cuki kis szörnyeket.
05:08
Simple game quest.
123
293000
2000
Egyszerű játékbeli küldetés.
05:10
Now you can think about this, if you like,
124
295000
2000
Gondolhatunk erre úgy,
05:12
as a problem about boxes.
125
297000
2000
mint egy problémára dobozokkal.
05:14
I've got to keep opening boxes.
126
299000
2000
Dobozokat kell kinyitnom.
05:16
I don't know what's inside them until I open them.
127
301000
3000
Nem tudom mi van bennük, amíg nem nyitom ki őket.
05:19
And I go around opening box after box until I've got 15 pies.
128
304000
3000
És egymás után nyitom ki a dobozokat, amíg nincs 15 pitém.
05:22
Now, if you take a game like Warcraft,
129
307000
2000
Ha veszünk egy olyan játékot, mint a Warcraft,
05:24
you can think about it, if you like,
130
309000
2000
gondolhatunk rá úgy,
05:26
as a great box-opening effort.
131
311000
3000
mint egy nagy doboznyitogató erőfeszítésre.
05:29
The game's just trying to get people to open about a million boxes,
132
314000
3000
A játék megpróbálja rávenni az embereket, hogy kinyissanak milliónyi dobozt,
05:32
getting better and better stuff in them.
133
317000
2000
miközben egyre jobb dolgokat kapnak.
05:34
This sounds immensely boring
134
319000
3000
Ez hihetetlenül unalmasan hangzik,
05:37
but games are able
135
322000
2000
de a játékok képesek
05:39
to make this process
136
324000
2000
ezt a folyamatot
05:41
incredibly compelling.
137
326000
2000
hihetetlenül érdekessé tenni.
05:43
And the way they do this
138
328000
2000
És ezt a valószínűségszámítás
05:45
is through a combination of probability and data.
139
330000
3000
és az adatok kombinációjával érik el.
05:48
Let's think about probability.
140
333000
2000
Gondoljunk a valószínűségre.
05:50
If we want to engage someone
141
335000
2000
Ha le akarunk kötni valakit a folyamattal,
05:52
in the process of opening boxes to try and find pies,
142
337000
3000
hogy dobozokat nyit ki és pitéket próbál találni,
05:55
we want to make sure it's neither too easy,
143
340000
2000
biztosítanunk kell, hogy se nem túl nehéz,
05:57
nor too difficult, to find a pie.
144
342000
2000
se nem túl könnyű megtalálni egy pitét.
05:59
So what do you do? Well, you look at a million people --
145
344000
2000
Tehát mit teszünk? Megnézünk egymillió embert --
06:01
no, 100 million people, 100 million box openers --
146
346000
3000
nem, 100 millió embert, 100 doboznyitogatót --
06:04
and you work out, if you make the pie rate
147
349000
3000
és kiszámoljuk, hogyha a pite gyakorisága
06:07
about 25 percent --
148
352000
2000
kb. 25% --
06:09
that's neither too frustrating, nor too easy.
149
354000
3000
ez se nem túl idegesítő, se nem túl könnyű.
06:12
It keeps people engaged.
150
357000
2000
Leköti az embereket.
06:14
But of course, that's not all you do -- there's 15 pies.
151
359000
3000
De persze nem csak ezt tesszük -- 15 pite van.
06:17
Now, I could make a game called Piecraft,
152
362000
2000
Csinálhatnék egy Pitecraft nevű játékot,
06:19
where all you had to do was get a million pies
153
364000
2000
ahol csak meg kell szerezni egymillió pitét,
06:21
or a thousand pies.
154
366000
2000
vagy ezer pitét.
06:23
That would be very boring.
155
368000
2000
Ez nagyon unalmas lenne.
06:25
Fifteen is a pretty optimal number.
156
370000
2000
A 15 egy optimális szám.
06:27
You find that -- you know, between five and 20
157
372000
2000
Kiderült -- öt és 20 között van
06:29
is about the right number for keeping people going.
158
374000
2000
az ideális szám, hogy az emberek folytassák.
06:31
But we don't just have pies in the boxes.
159
376000
2000
De nem csak piték vannak a dobozokban.
06:33
There's 100 percent up here.
160
378000
2000
Itt fent van a 100%.
06:35
And what we do is make sure that every time a box is opened,
161
380000
3000
És azt csináljuk, hogy valahányszor kinyitsz egy dobozt,
06:38
there's something in it, some little reward
162
383000
2000
van benne valami, egy kis jutalom,
06:40
that keeps people progressing and engaged.
163
385000
2000
ami leköti az embereket és tovább folytatják.
06:42
In most adventure games,
164
387000
2000
A legtöbb kalandjátékban
06:44
it's a little bit in-game currency, a little bit experience.
165
389000
3000
ez egy kis játékbeli pénznem, egy kis tapasztalat.
06:47
But we don't just do that either.
166
392000
2000
De nem csak ezt tesszük.
06:49
We also say there's going to be loads of other items
167
394000
2000
Hanem azt mondjuk, hogy lesz egy csomó másik,
06:51
of varying qualities and levels of excitement.
168
396000
2000
különböző minőségű és változatosan izgalmas tárgy.
06:53
There's going to be a 10 percent chance you get a pretty good item.
169
398000
3000
10% esélyed van találni egy nagyon jó tárgyat.
06:56
There's going to be a 0.1 percent chance
170
401000
2000
0,1% esélyed van arra,
06:58
you get an absolutely awesome item.
171
403000
3000
hogy egy elképesztően jó tárgyat találsz.
07:01
And each of these rewards is carefully calibrated to the item.
172
406000
3000
És mindegyik jutalom gondosan be van állítva a tárgyhoz.
07:04
And also, we say,
173
409000
2000
És azt is mondjuk, hogy
07:06
"Well, how many monsters? Should I have the entire world full of a billion monsters?"
174
411000
3000
"Mennyi szörny? Legyen tele az egész világ milliárdnyi szörnnyel?"
07:09
No, we want one or two monsters on the screen at any one time.
175
414000
3000
Nem, egyszerre mindig csak egy-két szörnyet akarunk a képernyőn.
07:12
So I'm drawn on. It's not too easy, not too difficult.
176
417000
3000
Így tovább vezetnek. Nem túl könnyű, nem túl nehéz.
07:15
So all this is very powerful.
177
420000
2000
Mindez nagyon erőteljes.
07:17
But we're in virtuality. These aren't real boxes.
178
422000
3000
De egy virtuális világban vagyunk. Ezek nem valódi dobozok.
07:20
So we can do
179
425000
2000
Így meg tudunk csinálni
07:22
some rather amazing things.
180
427000
2000
egészen elképesztő dolgokat.
07:24
We notice, looking at all these people opening boxes,
181
429000
4000
Észrevesszük, tanulmányozva ezeket az embereket, akik dobozokat nyitogatnak,
07:28
that when people get to about 13 out of 15 pies,
182
433000
3000
hogy amikor az emberek elérkeznek a 13. pitéhez a 15-ből,
07:31
their perception shifts, they start to get a bit bored, a bit testy.
183
436000
3000
a figyelmük elkalandozik, kezdenek unatkozni, nyugtalanok lenni.
07:34
They're not rational about probability.
184
439000
2000
Nem gondolkodnak racionálisan a valószínűségről.
07:36
They think this game is unfair.
185
441000
2000
Azt gondolják, hogy a játék igazságtalan.
07:38
It's not giving me my last two pies. I'm going to give up.
186
443000
2000
Nem adja oda nekem az utolsó két pitém. Feladom.
07:40
If they're real boxes, there's not much we can do,
187
445000
2000
Ha igazi dobzok lennének, nem sokat tehetnénk,
07:42
but in a game we can just say, "Right, well.
188
447000
2000
de egy játékban azt mondhatjuk: "Rendben.
07:44
When you get to 13 pies, you've got 75 percent chance of getting a pie now."
189
449000
4000
Ha elértél 13 pitét, innentől kezdve 75% esélyed van találni egy pitét."
07:48
Keep you engaged. Look at what people do --
190
453000
2000
Továbbra is lekötnek. Megnézik, hogy az emberek mit csinálnak --
07:50
adjust the world to match their expectation.
191
455000
2000
hozzáigazítják a világot az elvárásaikhoz.
07:52
Our games don't always do this.
192
457000
2000
A játékok nem mindig csinálják ezt.
07:54
And one thing they certainly do at the moment
193
459000
2000
De egy dolog, amit most csinálnak az,
07:56
is if you got a 0.1 percent awesome item,
194
461000
3000
hogyha találtál egy 0,1%-os csodálatos tárgyat,
07:59
they make very sure another one doesn't appear for a certain length of time
195
464000
3000
biztosítják, hogy nem jelenik meg még egy nagyon hosszú ideig,
08:02
to keep the value, to keep it special.
196
467000
2000
hogy értékes és ritka maradjon.
08:04
And the point is really
197
469000
2000
A lényeg igazán az,
08:06
that we evolved to be satisfied by the world
198
471000
2000
hogy úgy fejlődtünk ki, hogy a világ
08:08
in particular ways.
199
473000
2000
bizonyos módokon elégít ki bennünket.
08:10
Over tens and hundreds of thousands of years,
200
475000
3000
Több tíz és több száz évezreden keresztül
08:13
we evolved to find certain things stimulating,
201
478000
2000
kifejlődött, hogy bizonyos dolgokat stimulálónak találjunk,
08:15
and as very intelligent, civilized beings,
202
480000
2000
és mint nagyon intelligens, civilizált lények,
08:17
we're enormously stimulated by problem solving and learning.
203
482000
3000
nagyon stimulál minket a problémamegoldás és tanulás.
08:20
But now, we can reverse engineer that
204
485000
2000
De ezt most már vissza tudjuk fejteni,
08:22
and build worlds
205
487000
2000
és olyan világokat építeni,
08:24
that expressly tick our evolutionary boxes.
206
489000
3000
amelyek kifejezetten megnyomják az evoluciós gombjainkat.
08:27
So what does all this mean in practice?
207
492000
2000
Mit jelent mindez a gyakorlatban?
08:29
Well, I've come up
208
494000
2000
Kidolgoztam
08:31
with seven things
209
496000
2000
hét dolgot,
08:33
that, I think, show
210
498000
2000
amelyek szerintem megmutatják,
08:35
how you can take these lessons from games
211
500000
2000
hogy tanulhatunk a játékokból,
08:37
and use them outside of games.
212
502000
3000
és használhatjuk ezeket a tanulságokat más környezetben.
08:40
The first one is very simple:
213
505000
2000
Az első nagyon egyszerű:
08:42
experience bars measuring progress --
214
507000
2000
a fejlődést jelző tapasztalat csík --
08:44
something that's been talked about brilliantly
215
509000
2000
erről ragyogóan beszéltek már korábban is
08:46
by people like Jesse Schell earlier this year.
216
511000
3000
olyan emberek, mint Jesse Schell.
08:49
It's already been done at the University of Indiana in the States, among other places.
217
514000
3000
Ezt már gyakorlatba is ültették többek között az Indiana Egyetemen az államokban.
08:52
It's the simple idea that instead of grading people incrementally
218
517000
3000
Egy egyszerű ötlet, hogy ahelyett, hogy apránként osztályoznák az embereket,
08:55
in little bits and pieces,
219
520000
2000
kis darabokban itt és ott,
08:57
you give them one profile character avatar
220
522000
2000
kapnak egy profil karakter avatárt,
08:59
which is constantly progressing
221
524000
2000
ami folyamatosan halad előre,
09:01
in tiny, tiny, tiny little increments which they feel are their own.
222
526000
3000
ici-pici kis lépésekben, amit a sajátjuknak éreznek.
09:04
And everything comes towards that,
223
529000
2000
És minden efelé törekszik,
09:06
and they watch it creeping up, and they own that as it goes along.
224
531000
3000
és figyelik, ahogy kúszik felfelé, és a sajátjuk, miközben halad.
09:09
Second, multiple long and short-term aims --
225
534000
2000
A második: több hosszú- és rövidtávú cél --
09:11
5,000 pies, boring,
226
536000
2000
5.000 pite unalmas,
09:13
15 pies, interesting.
227
538000
2000
15 pite izgalmas.
09:15
So, you give people
228
540000
2000
Tehát sok-sok
09:17
lots and lots of different tasks.
229
542000
2000
különböző feladatot adsz az embereknek.
09:19
You say, it's about
230
544000
2000
Azt mondod, hogy
09:21
doing 10 of these questions,
231
546000
2000
meg kell oldani 10 feladatot,
09:23
but another task
232
548000
2000
de egy másik feladat
09:25
is turning up to 20 classes on time,
233
550000
2000
pontosan megjelenni egymás után 20 órán,
09:27
but another task is collaborating with other people,
234
552000
3000
de egy másik feladat együttműködni emberekkel,
09:30
another task is showing you're working five times,
235
555000
3000
egy másik feladat megmutatni ötször, hogy dolgozol,
09:33
another task is hitting this particular target.
236
558000
2000
egy másik feladat elérni ezt a bizonyos célt.
09:35
You break things down into these calibrated slices
237
560000
3000
Lebonthatjuk a dolgokat ezekre a kalibrált szeletekre,
09:38
that people can choose and do in parallel
238
563000
2000
amit az emberek választhatnak és párhuzamosan csinálhatnak,
09:40
to keep them engaged
239
565000
2000
hogy megtartsd a figyelmüket,
09:42
and that you can use to point them
240
567000
2000
és amit arra használhatsz, hogy egyénileg
09:44
towards individually beneficial activities.
241
569000
3000
hasznos tevékenységek felé irányítsd őket.
09:48
Third, you reward effort.
242
573000
2000
A harmadik az erőfeszítés jutalmazása.
09:50
It's your 100 percent factor. Games are brilliant at this.
243
575000
3000
Ez a 100% faktor. A játékok zseniálisak ebben.
09:53
Every time you do something, you get credit; you get a credit for trying.
244
578000
3000
Valahányszor csinálsz valamit, jutalmat kapsz. Jutalmat kapsz a próbálkozásért.
09:56
You don't punish failure. You reward every little bit of effort --
245
581000
3000
Nem bünteted a bukást. Megjutalmazol egy kis erőfeszítést --
09:59
a little bit of gold, a little bit of credit. You've done 20 questions -- tick.
246
584000
3000
egy kis arany, egy kis tapasztalat. Megoldottál 20 kérdést -- pipa.
10:02
It all feeds in as minute reinforcement.
247
587000
3000
Ez mind apró megerősítésként szolgál.
10:05
Fourth, feedback.
248
590000
2000
A negyedik a visszajelzés.
10:07
This is absolutely crucial,
249
592000
2000
Ez kritikus fontosságú,
10:09
and virtuality is dazzling at delivering this.
250
594000
2000
és a virtuális világ ezt lélegzetelállítóan hajtja végre.
10:11
If you look at some of the most intractable problems in the world today
251
596000
3000
Ha megnézzük a világ néhány legmakacsabb problémáját,
10:14
that we've been hearing amazing things about,
252
599000
2000
amelyekől elképesztő dolgokat hallottunk,
10:16
it's very, very hard for people to learn
253
601000
3000
az embereknek nagyon nehéz tanulni,
10:19
if they cannot link consequences to actions.
254
604000
3000
ha nem tudják a következményeket tettekhez kötni.
10:22
Pollution, global warming, these things --
255
607000
2000
Szennyezés, globális felmelegedés, ezek a dolgok --
10:24
the consequences are distant in time and space.
256
609000
2000
a következmények messze vannak időben és térben.
10:26
It's very hard to learn, to feel a lesson.
257
611000
2000
Nagyon nehéz megtanulni, átérezni egy leckét.
10:28
But if you can model things for people,
258
613000
2000
De ha modellezni tudunk dolgokat embereknek,
10:30
if you can give things to people that they can manipulate
259
615000
2000
ha olyan dolgokat adunk nekik, amiket manipulálhatnak,
10:32
and play with and where the feedback comes,
260
617000
2000
és játszhatnak vele, és ahol a visszajelzésből
10:34
then they can learn a lesson, they can see,
261
619000
2000
megtanulhatnak egy leckét, láthatják,
10:36
they can move on, they can understand.
262
621000
3000
továbbléphetnek, megérthetik.
10:39
And fifth,
263
624000
2000
Az ötödik
10:41
the element of uncertainty.
264
626000
2000
a bizonytalanság eleme.
10:43
Now this is the neurological goldmine,
265
628000
3000
Ez egy neurológiai aranybánya,
10:46
if you like,
266
631000
2000
ha úgy tetszik,
10:48
because a known reward
267
633000
2000
mert egy ismert jutalom
10:50
excites people,
268
635000
2000
izgalomba hozza az embereket,
10:52
but what really gets them going
269
637000
2000
de ami igazán felpörgeti őket
10:54
is the uncertain reward,
270
639000
2000
az egy ismeretlen jutalom,
10:56
the reward pitched at the right level of uncertainty,
271
641000
2000
a jutalom, ami éppen elég bizonytalan,
10:58
that they didn't quite know whether they were going to get it or not.
272
643000
3000
amiről nem igazán tudták, hogy megkapják vagy sem.
11:01
The 25 percent. This lights the brain up.
273
646000
3000
A 25%. Ez felvillanyozza az agyat.
11:04
And if you think about
274
649000
2000
És ha belegondolunk,
11:06
using this in testing,
275
651000
2000
ha ezt felhasználjuk tesztekhez,
11:08
in just introducing control elements of randomness
276
653000
2000
ha hozzáadjuk a véletlenszerűség kontrollelemeit
11:10
in all forms of testing and training,
277
655000
2000
a mindenfajta teszthez és tréninghez,
11:12
you can transform the levels of people's engagement
278
657000
2000
átalakíthatjuk az emberek lekötöttségének szintjét azáltal,
11:14
by tapping into this very powerful
279
659000
2000
hogy merítünk ebből a nagyon erőteljes
11:16
evolutionary mechanism.
280
661000
2000
evoluciós mechanizmusból.
11:18
When we don't quite predict something perfectly,
281
663000
2000
Amikor nem látunk előre valamit tökéletesen,
11:20
we get really excited about it.
282
665000
2000
akkor az nagyon izgalmassá válik.
11:22
We just want to go back and find out more.
283
667000
2000
Többet akarunk vele foglalkozni és még többet megtudni.
11:24
As you probably know, the neurotransmitter
284
669000
2000
Mint biztos tudják, a neurotranszmitter,
11:26
associated with learning is called dopamine.
285
671000
2000
amit a tanuláshoz kötünk a dopamin.
11:28
It's associated with reward-seeking behavior.
286
673000
3000
A jutalomkereső viselkedésformához kötődik.
11:31
And something very exciting is just beginning to happen
287
676000
3000
És valami nagyon izgalmas dolog kezdődött el
11:34
in places like the University of Bristol in the U.K.,
288
679000
3000
olyan helyeken, mint a Bristol Egyetem az Egyesült Királyságban,
11:37
where we are beginning to be able to model mathematically
289
682000
3000
ahol kezdünk képesek lenni matematikailag modellezni
11:40
dopamine levels in the brain.
290
685000
2000
a dopamin szintet az agyban.
11:42
And what this means is we can predict learning,
291
687000
2000
És ez azt jelenti, hogy előre tudjuk jelezni a tanulást,
11:44
we can predict enhanced engagement,
292
689000
3000
előre tudjuk jelezni a fokozott érdeklődést,
11:47
these windows, these windows of time,
293
692000
2000
ezeket az időszakaszokat,
11:49
in which the learning is taking place at an enhanced level.
294
694000
3000
amikor a tanulás fokozott intenzitással történik.
11:52
And two things really flow from this.
295
697000
2000
És ebből igazán két dolog következik.
11:54
The first has to do with memory,
296
699000
2000
Az első a memóriához kapcsolódik,
11:56
that we can find these moments.
297
701000
2000
hogy meg tudjuk találni ezeket a pillanatokat.
11:58
When someone is more likely to remember,
298
703000
2000
Amikor valaki hajlamosabb emlékezni,
12:00
we can give them a nugget in a window.
299
705000
2000
tudunk adni neki egy morzsát ebben a szakaszban.
12:02
And the second thing is confidence,
300
707000
2000
A második az önbizalom,
12:04
that we can see how game-playing and reward structures
301
709000
2000
láthatjuk, ahogy a játék és a jutalomszerkezetek
12:06
make people braver, make them more willing to take risks,
302
711000
3000
bátrabbá teszik az embereket, hajlandóbbá a kockázatvállalásra,
12:09
more willing to take on difficulty,
303
714000
2000
hajlandóbbá a nehéz feladatok elvállalására,
12:11
harder to discourage.
304
716000
2000
nehezebb őket eltántorítani.
12:13
This can all seem very sinister.
305
718000
2000
Ez elég baljósnak is tűnhet.
12:15
But you know, sort of "our brains have been manipulated; we're all addicts."
306
720000
2000
Úgy, hogy "manipulálták az agyunkat, mind függők vagyunk!"
12:17
The word "addiction" is thrown around.
307
722000
2000
A "függőség" szót nagyon gyakran hallani.
12:19
There are real concerns there.
308
724000
2000
Tényleg vannak valós problémák.
12:21
But the biggest neurological turn-on for people
309
726000
2000
De neurológiailag a legvonzóbb dolog az emberek számára
12:23
is other people.
310
728000
2000
az más emberek.
12:25
This is what really excites us.
311
730000
3000
Ez az, ami igazán izgalomba hoz minket.
12:28
In reward terms, it's not money;
312
733000
2000
A jutalom szintjén ez nem pénz,
12:30
it's not being given cash -- that's nice --
313
735000
3000
nem a készpénz -- bár ez is jó --
12:33
it's doing stuff with our peers,
314
738000
2000
hanem a társainkkal együtt csinálni valamit,
12:35
watching us, collaborating with us.
315
740000
2000
egymást figyelni, együttműködni.
12:37
And I want to tell you a quick story about 1999 --
316
742000
2000
El akarok mondani egy rövid történetet 1999-ből --
12:39
a video game called EverQuest.
317
744000
2000
egy EverQuest nevű videojátékról.
12:41
And in this video game,
318
746000
2000
Ebben a játékban volt két
12:43
there were two really big dragons, and you had to team up to kill them --
319
748000
3000
hatalmas sárkány, és össze kellett fogni, hogy megöljék őket --
12:46
42 people, up to 42 to kill these big dragons.
320
751000
3000
akár 42 ember is megölhette ezeket a nagy sárkányokat.
12:49
That's a problem
321
754000
2000
Ez egy probléma,
12:51
because they dropped two or three decent items.
322
756000
3000
mert csak két-három rendes cuccot ejtettek el.
12:54
So players addressed this problem
323
759000
3000
A játékosok úgy oldották meg ezt a problémát,
12:57
by spontaneously coming up with a system
324
762000
2000
hogy spontán kialakítottak egy rendszert arra,
12:59
to motivate each other,
325
764000
2000
hogy motiválják egymást,
13:01
fairly and transparently.
326
766000
2000
tisztességesen és átlátszóan.
13:03
What happened was, they paid each other a virtual currency
327
768000
3000
Az történt, hogy egy virtuális pénznemmel fizették ki egymást,
13:06
they called "dragon kill points."
328
771000
3000
amit "sárkányölő pontoknak" neveztek.
13:09
And every time you turned up to go on a mission,
329
774000
2000
És valahányszor megjelentél egy küldetésen,
13:11
you got paid in dragon kill points.
330
776000
2000
sárkányölő pontokban kaptál fizetést.
13:13
They tracked these on a separate website.
331
778000
2000
Ezeket egy külön weboldalon vezették.
13:15
So they tracked their own private currency,
332
780000
2000
Szóval követték a saját pénznemüket,
13:17
and then players could bid afterwards
333
782000
2000
és aztán a játékosok licitálhattak
13:19
for cool items they wanted --
334
784000
2000
a tárgyakra, amiket akartak --
13:21
all organized by the players themselves.
335
786000
2000
és mindezt maguk a játékosok szervezték.
13:23
Now the staggering system, not just that this worked in EverQuest,
336
788000
3000
Az elképesztő az, hogy ez nemcsak hogy működött az EverQuestben,
13:26
but that today, a decade on,
337
791000
2000
hanem hogy ma, egy évtizeddel később,
13:28
every single video game in the world with this kind of task
338
793000
3000
minden egyes videojáték a világon ehhez a fajta feladathoz
13:31
uses a version of this system --
339
796000
2000
ennek a rendszernek egy változatát használja --
13:33
tens of millions of people.
340
798000
2000
több tízmillió ember.
13:35
And the success rate
341
800000
2000
És a sikerarány
13:37
is at close to 100 percent.
342
802000
2000
közel van a 100 százalékhoz.
13:39
This is a player-developed,
343
804000
2000
Ez egy játékosok által fejlesztett,
13:41
self-enforcing, voluntary currency,
344
806000
3000
önmegerősítő, önkéntes pénznem,
13:44
and it's incredibly sophisticated
345
809000
2000
és ez hihtetlenül kifinomult
13:46
player behavior.
346
811000
2000
játékos viselkedés.
13:50
And I just want to end by suggesting
347
815000
2000
És befejezésképpen csak javasolni szeretnék
13:52
a few ways in which these principles
348
817000
2000
néhány módot arra, hogy ezek az elvek
13:54
could fan out into the world.
349
819000
2000
hogyan érvényesülhetnek a való világban.
13:56
Let's start with business.
350
821000
2000
Kezdjük az üzlettel.
13:58
I mean, we're beginning to see some of the big problems
351
823000
2000
Kezdjük észrevenni, hogy néhány súlyos probléma
14:00
around something like business are
352
825000
2000
az üzleti életben az újrahasznosítás
14:02
recycling and energy conservation.
353
827000
2000
és energiatakarékosság körül van.
14:04
We're beginning to see the emergence of wonderful technologies
354
829000
2000
Látjuk az olyan csodálatos technikák megjelenítését,
14:06
like real-time energy meters.
355
831000
2000
mint a valós idejű energiamérő.
14:08
And I just look at this, and I think, yes,
356
833000
2000
És én csak ránézek erre, és arra gondolok,
14:10
we could take that so much further
357
835000
3000
hogy ezt milyen messzire vihetnénk még
14:13
by allowing people to set targets
358
838000
2000
azáltal, hogy lehetővé tesszük az embereknek,
14:15
by setting calibrated targets,
359
840000
2000
hogy kalibrált célokat tűzzenek ki,
14:17
by using elements of uncertainty,
360
842000
3000
a bizonytalanság elemét felhasználva,
14:20
by using these multiple targets,
361
845000
2000
többszörös célokat felhasználva,
14:22
by using a grand, underlying reward and incentive system,
362
847000
3000
az egy nagy jutalom és az ösztönzés rendszerét felhasználva,
14:25
by setting people up
363
850000
2000
megszervezve, hogy az emberek
14:27
to collaborate in terms of groups, in terms of streets
364
852000
2000
csoportokban együttműködjenek, utcák szerint,
14:29
to collaborate and compete,
365
854000
2000
hogy együttműködjenek és versenyezzenek,
14:31
to use these very sophisticated
366
856000
2000
hogy ezeket a nagyon kifinomult
14:33
group and motivational mechanics we see.
367
858000
2000
csoport és motivációs mechanizmusokat használják, amiket láttunk.
14:35
In terms of education,
368
860000
2000
Az oktatás tekintetében,
14:37
perhaps most obviously of all,
369
862000
2000
ami talán mind közül a legnyilvánvalóbb,
14:39
we can transform how we engage people.
370
864000
3000
forradalmasíthatjuk, hogy hogyan kötjük le az embereket.
14:42
We can offer people the grand continuity
371
867000
2000
A tapasztalat és a személyes erőfeszítés
14:44
of experience and personal investment.
372
869000
3000
folytonosságát kínálhatjuk az embereknek.
14:47
We can break things down
373
872000
2000
Lebonthatjuk a dolgokat
14:49
into highly calibrated small tasks.
374
874000
2000
pontosan kiszámított kisebb feladatokra.
14:51
We can use calculated randomness.
375
876000
2000
Használhatjuk a kiszámított véletlenszerűséget.
14:53
We can reward effort consistently
376
878000
2000
Következetesen jutalmazhatjuk az erőfeszítést,
14:55
as everything fields together.
377
880000
3000
ahogy minden összejátszik.
14:58
And we can use the kind of group behaviors
378
883000
2000
És kihasználhatjuk azokat a csoportos viselkedésformákat,
15:00
that we see evolving when people are at play together,
379
885000
3000
amiket akkor látunk megjelenni, amikor az emberek együtt játszanak,
15:03
these really quite unprecedentedly complex
380
888000
3000
ezeket a sohasem látott bonyolultságú
15:06
cooperative mechanisms.
381
891000
2000
együttműködési mechanizmusokat.
15:08
Government, well, one thing that comes to mind
382
893000
2000
Kormányzás, nos, egy dolog ami rögtön eszembe jut,
15:10
is the U.S. government, among others,
383
895000
3000
hogy az USA kormánya, többek között,
15:13
is literally starting to pay people
384
898000
2000
elkezdett szó szerint fizetni azért,
15:15
to lose weight.
385
900000
2000
hogy az emberek lefogyjanak.
15:17
So we're seeing financial reward being used
386
902000
2000
Azt látjuk, hogy pénzbeli jutalmat használnak arra,
15:19
to tackle the great issue of obesity.
387
904000
2000
hogy a túlsúlyosság problémáját megoldják.
15:21
But again, those rewards
388
906000
2000
De megintcsak, ezeket a jutalmakat
15:23
could be calibrated so precisely
389
908000
3000
olyan pontosan lehetne kalibrálni,
15:26
if we were able to use the vast expertise
390
911000
3000
ha képesek lennénk arra használni a játékrendszerek
15:29
of gaming systems to just jack up that appeal,
391
914000
3000
rengeteg tapasztalatát, hogy vonzóbbá tegyük,
15:32
to take the data, to take the observations,
392
917000
2000
hogy fogjuk az adatokat, a megfigyeléseket,
15:34
of millions of human hours
393
919000
2000
több millió emberi óra után,
15:36
and plow that feedback
394
921000
2000
és hogy ezt a visszajelzést befektessük
15:38
into increasing engagement.
395
923000
2000
az egyre nagyobb fokú lekötöttségbe.
15:40
And in the end, it's this word, "engagement,"
396
925000
3000
És végül ezzel a kifejezéssel, a "lekötöttséggel"
15:43
that I want to leave you with.
397
928000
2000
szeretnék búcsúzni.
15:45
It's about how individual engagement
398
930000
2000
Arról szól, hogy egy egyén lekötöttsége
15:47
can be transformed
399
932000
2000
hogyan alakítható át
15:49
by the psychological and the neurological lessons
400
934000
3000
pszichológiai és neurológiai leckék felhasználásával,
15:52
we can learn from watching people that are playing games.
401
937000
3000
amiket abból tanulunk, hogy megfigyeljük az embereket játék közben.
15:55
But it's also about collective engagement
402
940000
3000
De a csoportos lekötöttségről is szó van,
15:58
and about the unprecedented laboratory
403
943000
3000
és arról a sohasem látott laboratóriumról arra,
16:01
for observing what makes people tick
404
946000
2000
hogy megfigyeljük, hogy mi mozgatja az embereket,
16:03
and work and play and engage
405
948000
2000
és ösztönzi a munkára, játékra és részvételre
16:05
on a grand scale in games.
406
950000
3000
hatalmas mértékben a játékokban.
16:08
And if we can look at these things and learn from them
407
953000
3000
És ha tanulmányozni tudjuk ezeket a dolgokat és tanulni belőlük,
16:11
and see how to turn them outwards,
408
956000
2000
és megtudjuk, hogy hogyan fordítsuk őket kifelé,
16:13
then I really think we have something quite revolutionary on our hands.
409
958000
3000
akkor azt hiszem egy tényleg forradalmi eszköz lesz a kezünkben.
16:16
Thank you very much.
410
961000
2000
Nagyon köszönöm.
16:18
(Applause)
411
963000
4000
(Taps)
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