跳到正文
GamesIndustry.biz · 全球游戏产业· 来源· Lewis Packwood·· 10 天前AI 评分50

"多年来为游戏进行构建、提案和融资,让同样的失败令人痛苦地目睹" – GameDataCore 为何想要了解玩家感受

"Years of building, pitching and raising for games made the same failure painful to watch" – Why GameDataCore wants to find out how players feel

正文 · AI 翻译

这家位于布莱顿的初创公司的新平台通过分析 Steam 评论,了解玩家的想法以及工作室接下来应该做什么。

GameDataCore logo
图片来源:GameDataCore

如果你无法理解某件事,你就无法修复它。这是一个新平台背后的动机,它旨在穿透 Steam 评论中的噪音,弄清玩家对一款游戏的真实感受、开发者需要解决哪些问题,甚至他们应该考虑制作下一款什么游戏。

Justin French
Justin French | 图片来源:GameDataCore

“多年来为游戏开发、提案和融资的经历,让同样的失败令人痛惜,”英国布莱顿初创公司 GameDataCore 的联合创始人兼首席执行官 Justin French 说。他告诉 GamesIndustry.biz,问题在于工作室、发行商和投资者往往基于“不同版本的现实”,通过不同的假设和解读,对同一款游戏做出决策。他认为,需要的是共同的理解。

问题在于,玩家反馈可能难以分析。我们都见过这样的故事:玩家在花了一百多个小时玩一款游戏后,在 Steam 上留下负面评价——但显然,这款游戏不可能一无是处。他们究竟对这款游戏有什么真实感受?

“人们说的话和他们的真实意思往往不同,而真正有用的信息就藏在两者之间的差距里,”GameDataCore 联合创始人兼首席运营官 Simon Sparks 说。“一条评论通常包含三到四个不同的内容:有被称赞的地方,有被抱怨的地方,有比较,有 bug,有说法。一个点赞会把所有这些内容压缩成一个单一信号。”

Simon Sparks
Simon Sparks | 图片来源:GameDataCore

目前已经有一些工具可以根据评论总结玩家对某款游戏的情绪,例如 SteamSummarize。但 Sparks 表示,SteamSummarize 旨在帮助消费者决定是否购买一款游戏,而 GameDataCore 的平台则面向开发者,并且要全面得多。

“我们把每条评论拆分成片段,并从主题、情绪、语气和动机等方面对每个片段进行分类,然后根据撰写者是谁对其进行加权,使用诸如游戏库、游玩时长以及他们还玩什么游戏等资料信号,”他说。“这样你就能发现,某款赛车游戏的评论者并不拥有另一款赛车游戏,这会改变每一条抱怨的含义。它还能让我们关注沉默的玩家:那些玩过但从未留下评论的人,其中大多数都是如此。”

“其理念是,类似的抱怨——例如关于战斗机制——背后可能有不同的动机,并应据此进行加权。例如,一名玩家可能因为之前从未玩过同类型的游戏而感到沮丧,而另一名资深玩家可能在 100 小时后只是感到无聊。”

GameDataCore screenshot
GameDataCore 旨在解读玩家对一款游戏的情感 | 图片来源:GameDataCore

该平台的上线时间被刻意安排为与 Steam Next Fest 同期,届时在 10 月 19 日至 26 日期间,Steam 上将提供数百款新游戏的演示版本。Sparks 表示,这是一个让开发者发现他们在新游戏中想要唤起的情感是否与受众所感受到的情感相同的机会。“Next Fest 就是让你发现答案的那一周。”

清单

除了解读玩家感受,GameDataCore 平台还提供一份按对游戏的潜在影响加权的待处理潜在问题列表,以及报告该问题的玩家资料和他们对问题的说法。用户可以查看每个问题的证据,浏览提出该问题的玩家评论,然后通过 Slack 或 Discord 将问题分享给团队。

GameDataCore screenshot
该平台可以为一款游戏生成一份加权问题列表 | 图片来源:GameDataCore

Sparks 指出,虽然通过阅读评论很容易发现诸如破坏游戏的 bug 之类的问题,但更难发现“最响亮的抱怨与最重要的抱怨之间的区别”,或“静静隐藏在负面评论背后的好评”。

解释由一系列底层 LLM 模型完成。这些模型均位于欧洲,而非美国的前沿模型,GameDataCore 表示不会将客户数据发送给第三方模型提供商。

"前沿模型每次看到相同输入时都会给出不同的答案"

Sparks 表示,选择基于欧洲的模型有三个原因:“首先,数据主权,”他说,并指出各工作室“有理由对玩家的话语最终流向何处持怀疑态度”。第二个原因是成本和一致性。“前沿模型每次看到相同输入都会给出不同答案,而在大型数据集上它速度慢且成本高,”他说。相比之下,GameDataCore 运行大约十个小型模型,每个模型针对一项任务进行训练,合起来足够小,可以在笔记本电脑上运行。

最后一个原因是依赖性。“没有人知道前沿实验室将走向何方,我们不想让产品建立在别人的路线图和定价之上。”

该平台的试点版本自 2026 年 3 月起已与 24 家工作室和发行商进行测试,GameDataCore 表示,计划纳入更多玩家反馈来源,不仅限于 Steam 评论,包括 Discord 社区、论坛、Reddit、TikTok、YouTube 和 Twitch。该公司还计划让工作室将自身的 Steamworks 数据引入平台,例如愿望单、销量和激活数。

GameDataCore screenshot
GameDataCore 计划在未来添加更多玩家反馈来源 | 图片来源:GameDataCore

该平台还可以帮助工作室和发行商通过发现未被充分开发的细分市场来规划未来。“如果你对某个细分市场有直觉,我们会告诉你里面有哪些人,”Sparks 说。他指出,通过分析某个类型中的几款游戏,可以深入挖掘评论数据,分离出特定受众,并发现他们还玩什么、他们在要求什么。“当一群玩家共同抱怨某个无人回应的问题时,那就是缺口。”

French 希望通过对玩家喜欢什么、不喜欢什么以及需要修复什么有更深入的了解,失败循环不会重演。“行业不擅长的是从自己的决策中学习,”他说。“很少有工作室或发行商会对他们选择做什么以及结果如何进行一次正式的复盘。我们将其设为默认做法。”

来源:GamesIndustry.biz · 全球游戏产业 · gamesindustry.biz