АссистентНовый вопросИсторияОбласти знаний
Партнёрские проектыСпецпроектыСтать автором
Сменить язык
О РУВИКИ

Динамическое балансирование сложности игры

Динамическое балансирование сложности игры (англ. Dynamic game difficulty balancing, DGDB), также известное как динамическая корректировка сложности (англ. dynamic difficulty adjustment, DDA) или адаптивная сложность — это процесс автоматического изменения параметров, сценариев и поведения в видеоигре в реальном времени на основе способностей игрока с целью избежать его скуки (если игра слишком лёгкая) или разочарования (если игра слишком сложная). Цель динамического балансирования сложности — поддерживать интерес игрока от начала до конца, обеспечивая оптимальный уровень вызова[1]. Современные системы динамического балансирования используют нейронные сети, алгоритмы обучения с подкреплением и предиктивную аналитику для анализа внутриигровых метрик и прогнозирования поведения игрока[2][3].

Динамические элементы игры

Некоторые элементы игры, которые могут изменяться с помощью динамического балансирования сложности:

  • Скорость врагов
  • Здоровье врагов
  • Частота появления врагов
  • Частота появления усилений
  • Сила игрока
  • Сила противников
  • Продолжительность игрового опыта
  • Архитектура (изменение фрагментов маршрутов и акцентов окружения при сохранении общей геометрии)[4]
  • Плотность препятствий (перераспределение опасностей и полезных предметов)[4]
  • Сложность навигации (адаптация маршрутов и системы подсказок)[4]
  • Сложность головоломок (адаптация на основе текущих навыков игрока)[5]
  • Разветвлённость диалогов (изменение доступных вариантов ответов)[5]
  • Частота и явность подсказок (предоставление неявных визуальных или звуковых сигналов при затруднениях)[5]

Подходы

Пока игроки работают с игрой, их результат должен отражать поступательное улучшение. Новички должны показывать прогресс, игроки среднего уровня — получать промежуточные баллы, а опытные игроки — добиваться высоких показателей... В идеале этот прогресс автоматизирован: игроки начинают на уровне новичка, а более продвинутые функции вводятся по мере того, как компьютер распознаёт квалифицированную игру.

— Chris Crawford, 1982[1]

В литературе встречаются различные подходы к динамическому балансированию сложности игры. Во всех случаях необходимо явно или неявно измерять сложность, которую испытывает пользователь в данный момент. Это может выполняться с помощью эвристической функции, которую некоторые авторы называют «функцией вызова». Эта функция отображает текущее состояние игры в значение, определяющее, насколько игра кажется пользователю лёгкой или сложной в данный момент. Примеры используемых эвристик:

  • Доля успешных попаданий или выстрелов
  • Количество выигранных и проигранных предметов/юнитов
  • Очки жизни
  • Прогресс
  • Время, затраченное на выполнение задания

Это также может быть любая другая метрика, используемая для вычисления игрового счёта. Крис Кроуфорд отмечал: «Если бы я построил график набранных очков обычного игрока как функцию потраченного в игре времени, эта кривая должна была бы плавно и неуклонно идти вверх. Такие игры я называю обладающими положительным монотонным графиком». Игры без такой кривой кажутся либо «слишком сложными, либо слишком лёгкими», отмечал он[1].

Подход Ханике и Чапман[6] предполагает управление игровым окружением для облегчения или усложнения заданий. Например, если игра становится слишком сложной, игрок получает больше оружия, быстрее восстанавливает жизни или сталкивается с меньшим числом противников. Несмотря на эффективность, такой подход может создавать малореалистичные ситуации. Прямой подход комбинирует манипулирование параметрами с механизмами изменения поведения неигровых персонажей (контролируемых компьютером, обычно реализованных как интеллектуальные агенты). Такая корректировка должна быть осторожной, чтобы избежать эффекта «резиновой ленточки» — когда в гонках, например, автомобили соперников заметно ускоряются, отставая от игрока, и замедляются, обгоняя его, будто соединены с ним для поддержания равенства.

Традиционная реализация такого ИИ основана на поведенческих правилах, заданных во время разработки. Типичное правило для файтинга: «ударить, если противник в досягаемости; в ином случае — преследовать». Расширение этого метода — динамический скриптинг Спронка и соавторов[7][8], где каждому правилу сопоставляется вероятность выбора. Весовые коэффициенты динамически обновляются по ходу игры, в зависимости от умений противника, что позволяет ИИ подстраиваться под конкретного игрока: выбор правил приводит к созданию тактик, ни слишком сильных, ни слишком слабых для данного пользователя.

Андраде и соавторы[9] разделяют задачу DGB на две составляющие: компетентность (максимально эффективно учиться) и производительность (действовать настолько хорошо, насколько необходимо). Эта дихотомия, предложенная Ноамом Хомским[10] и хорошо изученная в лингвистике, решается посредством обучения с подкреплением (RL). Офлайн-обучение запускается заранее (агент играет сам с собой, с другими ИИ или людьми), затем онлайн-обучение обеспечивает дальнейшую подстройку под конкретного игрока. Касательно производительности цель состоит в выборе такой политики действий, чтобы поддерживать баланс — игрок и агент сохраняют схожий уровень успеха. Когда пользователю тяжело, агент выбирает всё менее оптимальные решения, пока их уровень не сравняется. Если пользователю слишком легко — действия агента становятся всё более эффективными, вплоть до оптимального уровня.

Демаси и Крус[11] создали интеллектуальных агентов на основе генетических алгоритмов, чтобы сохранять в игре наиболее приспособленных к уровню пользователя агентов. Для ускорения обучения применяется онлайновая коэволюция: лучшие родительские особи заранее подготовлены (в режиме офлайн или вручную), при этом их признаки наследуются потомками, повышая скорость подстройки поведения.

Другие работы в области DGB исходят из гипотезы, что взаимодействие игрока и противника, а не визуальные или жанровые особенности, формирует большую часть удовольствия от компьютерных игр[12]. В результате был предложен показатель для измерения реального времени «интересности» в играх охотник-жертва, валидированный с помощью человеческих оценок.

Дальнейшие исследования Яннакиса и Холлама[13] показали, что нейронные сети и нечёткие нейронные сети позволяют лучше предсказывать удовлетворённость игрока, чем вручную созданные алгоритмы — при условии корректной оценки степени вовлечённости и любопытства пользователя (по Малону[14]), а также анализа игровых параметров и физиологических сигналов, зафиксированных в ходе игры[15]. Такой метод конструирования пользовательских моделей (Entertainment Modeling) позволяет прогнозировать, какие варианты игры вызывают больше удовольствия у конкретных игроков, что реализуется с помощью машинного обучения на основании параметров игрового процесса[16], и/или статистического анализа физиологических сигналов[17]. Этот подход применим как к компьютерным[13], так и к физическим играм.

В 2024—2026 годах для динамического балансирования сложности стали активно применяться современные архитектуры нейронных сетей, обеспечивающие более высокую адаптивность по сравнению с классическими методами, основанными на жёстких правилах. Среди них выделяется глубокое обучение с подкреплением (Deep RL), способное эффективно справляться с непредсказуемостью поведения игрока. Также используются свёрточные нейронные сети (CNN) в сочетании с методами кластеризации, генеративно-состязательные сети (GAN) и большие языковые модели (LLM). Для обеспечения работы системы в реальном времени применяется алгоритм поиска в дереве методом Монте-Карло (MCTS) в связке с моделями состояний игрока (оценивающими уровень вызова, компетентность и состояние потока). Чтобы минимизировать задержки, на цикл поиска MCTS устанавливается жёсткий временной лимит.

Развитие технологий машинного обучения отразилось в патентах ведущих игровых компаний. В конце 2023 года компания Sony запатентовала систему динамической калибровки сложности, использующую машинное обучение для создания профиля пользователя и подстройки под его индивидуальные навыки[18]. В 2026 году Sony также зарегистрировала технологию генерации уровней, которая отказывается от традиционных уровней сложности в пользу корректировки характеристик противников в режиме, близком к реальному времени[19]. В свою очередь, компания Microsoft запатентовала систему управления сессиями помощи, в которой искусственный интеллект анализирует текущую игру и в нужный момент предлагает застрявшему пользователю помощь, вплоть до передачи управления облачному ИИ-ассистенту[20].

Ограничения и предостережения

Создание честной, но непредсказуемой игры чрезвычайно сложно[21]. Эндрю Роллингс и Эрнест Адамс приводят пример игры, в которой сложность каждого уровня подстраивалась на основании результатов игрока в нескольких предыдущих уровнях. Игроки это заметили и начали нарочно играть плохо перед трудными уровнями, чтобы облегчить прохождение. Авторы подчёркивают важность маскировки адаптации сложности, чтобы игроки не осознавали её наличие[22].

Современные методы маскировки динамического балансирования сложности включают следующие подходы[23]:

  • Постепенные изменения — корректировка параметров происходит небольшими шагами, чтобы избежать ощущения резких скачков сложности[23].
  • Диегетические (внутриигровые) изменения — процедурные изменения вписываются в логику и атмосферу игрового мира (например, снижение точности стрельбы врагов может сопровождаться началом дождя)[23].
  • Позиционирование при возрождении — скрытое изменение точек появления врагов или ресурсов в зависимости от текущего состояния и успехов игрока[23].
  • Временные окна — незаметная корректировка таймингов, необходимых для успешного выполнения действий (например, окон для уклонения или парирования)[23].
  • Вероятность выпадения предметов — изменение шансов нахождения полезных предметов без явных уведомлений[23].

Применение в видеоиграх

Одним из ранних примеров балансировки сложности является Zanac, разработанная в 1986 году студией Compile. В игре реализован уникальный адаптивный искусственный интеллект, автоматически настраивающий уровень сложности по умениям игрока, частоте стрельбы и текущей обороноспособности судна. Ещё раньше, в 1975 году, аналогичные элементы появились в Gun Fight от Midway: проигравшему игроку на поле добавлялись новые объекты (например, кактус) для упрощения его положения.

В Archon компьютерный противник постепенно адаптируется, чтобы игрок мог его победить[24]. Дэниэл Бантен спроектировала M.U.L.E. и Global Conquest так, чтобы динамически балансировать геймплей между игроками: случайные события настраиваются так, что лидер не бывает удачлив, а отстающий — неудачлив[25].

В первом Crash Bandicoot и его сиквелах используется система Dynamic Difficulty Adjustment, которая замедляет препятствия, выдаёт дополнительные жизни и чекпоинты при частых поражениях игрока. По словам ведущего разработчика Джейсона Рубина, задача заключалась в «помощи слабым игрокам без изменения игры для сильных»[26].

В обеих сериях Insomniac Game — Spyro the Dragon и Ratchet and Clank — применяется динамическая сложность через систему Automatic Challenge Tuning (ACT). В ранних выпусках некоторые баги приводили к невозможности пройти игру на 100 %[27].

Видеоигра Flow (2006) стала популярным примером использования эффекта погружения в геймдизайне, реализованного изначально в Flash и позднее на PlayStation 3. Идея основана на магистерской диссертации одного из авторов.

В SiN Episodes (2006) реализована «Personal Challenge System», автоматически варьирующая количество и силу врагов в зависимости от успехов игрока, чтобы темпы прохождения для разных уровней навыка мало отличались[28].

В Resident Evil 4 (2005) используется система "Difficulty Scale", информация о которой содержалась только в официальном гиде. Эффективность игрока оценивается по десятибалльной шкале: в зависимости от смертей, критических ударов и т. д. настраивается сложность противников и их тактика. Значения шкалы частично перекрываются между уровнями сложности[29].

God Hand (2006) имеет индикатор, регулирующий интеллект и силу противников: он растёт при успешных действиях и уменьшается при ошибках, делится на четыре уровня (высший — "Level DIE"). При лёгком уровне индикатор фиксируется на уровне 2, при сложном — всегда на максимуме. Кроме того, вознаграждение за победу над врагами увеличивается на высоких значениях метра.

Left 4 Dead (2008) использует ИИ-технологию под названием "AI Director"[30]. Директор генерирует уникальный опыт для каждого прохождения, отслеживает успехи отдельных игроков и командную работу, регулирует количество зомби и ключевые встречи с боссами, а также темпы продвижения по уровню. Если стендстилл слишком долгий, игрокам навязывается новая волна мобов. Также система влияет на видео- и аудиосопровождение, создавая нужную атмосферу и чувство нарратива[31].

В Madden NFL 09 внедрён механизм "Madden IQ" — игроки проходят тест на знание правил и навыки, итоговый балл влияет на сложность игры[32].

В головоломке Fishdom таймер увеличивается для не справившихся с уровнем игроков, что позволяет пройти уровень после нескольких попыток.

В Homeworld (1999), исходная численность кораблей у ИИ в каждом задании зависит от размера флота игрока — успешные, теряющие меньше кораблей игроки получают более сильных противников.

В Fallout: New Vegas и Fallout 3 по мере роста уровня игрока появляются более сильные противники, новые враги и более мощные оружие, что позволяет удерживать сложность на постоянном уровне (может регулироваться через ползунок; в New Vegas изменения уже не сопровождаются бонусами).

Серия Mario Kart наделяет отстающих гонщиков специальными ускоряющими или замедляющими других игроков предметами. Получение предметов (и действия ИИ) зависит от позиции игрока: лидерам достаются слабые предметы, а отстающим — мощные, обеспечивая балансировку. Компьютерные соперники также подстраивают свою скорость, чтобы не сильно отставать или не слишком опережать игрока.

В 2025–2026 годах разработчики начали активно внедрять динамическое балансирование сложности и адаптивное поведение NPC на базе искусственного интеллекта. В VR-шутере Blaston (2026) ИИ-противники анализируют уровень навыков игрока и подстраивают своё поведение, зеркально отражая его способности для поддержания оптимальной сложности[33].

В обучающем исследовательском проекте Serious Game for Digital Literacy (2026) неигровые персонажи на базе генеративного ИИ меняют свои реплики в зависимости от успехов пользователя: при низких баллах игрока они начинают активнее верить в дезинформацию, а при высоких — демонстрируют более сложные и грамотные реакции.

В игре The Finals применяется машинное обучение для балансировки прямо во время матча, при этом модели регулярно обновляются на основе актуальной статистики игроков[34].

Проект Parallel использует систему Wayfinder, позволяющую создавать адаптивных ИИ-компаньонов. Эти цифровые двойники обучаются на основе действий игрока, копируют его стратегии и стиль игры, а затем могут самостоятельно добывать ресурсы и выполнять квесты в офлайн-режиме[35].

Предполагаемое использование для влияния на покупки игроков

В 2020 году групповой иск в Окружном суде США Северного округа Калифорнии был подан против Electronic Arts о применении технологии Dynamic Difficulty Adjustment в трёх франшизах EA Sports — Madden NFL, FIFA и NHL (начиная с версий 2017 года). Истцы утверждали, что технология заставляет игроков чаще покупать лутбоксы (наборы игроков), поскольку даже персонажи с высокими параметрами якобы не демонстрируют их силу в полной мере.

В иске также отмечалось, что EA не раскрывает использование данной технологии, несмотря на многократные отрицания. Представители компании назвали обвинения «безосновательными» и «искажающими суть наших игр»[36][37][38] В 2021 году истцы добровольно отозвали иск после того, как EA предоставила технические доказательства отсутствия алгоритмов DDA в онлайн-матчах[39][40]. Компания официально заявила, что технология динамического балансирования сложности не используется и никогда не будет использоваться в режимах Ultimate Team[41].

Опасения игроков также связаны с существованием патентов на системы подбора игроков и изменения сложности, которые могут стимулировать микротранзакции. В частности, патент компании Activision описывает систему матчмейкинга, которая подбирает неопытных игроков для матчей с опытными пользователями, обладающими премиальными предметами, чтобы стимулировать новичков к их покупке. Кроме того, после совершения покупки алгоритм может поместить игрока в матч, где приобретённое оружие максимально эффективно, создавая впечатление удачной сделки[42][43].

Патенты самой Electronic Arts, такие как «Dynamic Difficulty Adjustment» (DDA) и «Engagement Optimized Matchmaking Framework» (EOMM), описывают системы динамического изменения сложности и подбора игроков на основе риска оттока пользователей. Хотя прямые алгоритмы связи с тратами в текстах патентов EA не описаны, обозреватели отмечают, что искусственное управление соотношением побед и поражений может применяться для создания фрустрации и последующего стимулирования игроков к покупке микротранзакций, дающих игровое преимущество[44].

Примечания

  1. ↑ 1 2 3 Crawford, Chris (декабрь 1982). “Design Techniques and Ideas for Computer Games”. BYTE [англ.]: 96. Архивировано из оригинала 2020-11-22. Дата обращения 2026-08-27. Используется устаревший параметр |url-status= (справка); Проверьте дату в |date= (справка на английском)
  2. ↑ Использование искусственного интеллекта для динамической корректировки сложности игры. КиберЛенинка. Дата обращения: 27 августа 2026.
  3. ↑ AI Dynamic Difficulty Adjustment in Game Development. True Tech. Дата обращения: 27 августа 2026.
  4. ↑ 1 2 3 Game Level Generation and Balancing. yenra.com. Дата обращения: 27 августа 2026.
  5. ↑ 1 2 3 Dynamic Difficulty Adjustment Personalized Gaming. wayline.io. Дата обращения: 27 августа 2026.
  6. ↑ Robin Hunicke. AI for Dynamic Difficulty Adjustment in Games // Challenges in Game Artificial Intelligence AAAI Workshop / Robin Hunicke, V. Chapman. — San Jose, 2004. — P. 91–96.
  7. ↑ Pieter Spronck. Дата обращения: 27 августа 2026. Архивировано 10 декабря 2008 года.
  8. ↑ P. Spronck. Difficulty Scaling of Game AI // Proceedings of the 5th International Conference on Intelligent Games and Simulation / P. Spronck, I. Sprinkhuizen-Kuyper, E. Postma. — Belgium, 2004. — P. 33–37.
  9. ↑ G. Andrade. Challenge-Sensitive Action Selection: an Application to Game Balancing // Proceedings of the IEEE/WIC/ACM International Conference on Intelligent Agent Technology (IAT-05) / G. Andrade, G. Ramalho, H. Santana … [и др.]. — Compiègne, France : IEEE Computer Society, 2005. — P. 194–200.
  10. ↑ Chomsky, Noam. (1965). Aspects of the Theory of Syntax. Cambridge, MA: MIT Press.
  11. ↑ P. Demasi. Online Coevolution for Action Games // Proceedings of the 3rd International Conference on Intelligent Games and Simulation / P. Demasi, A. Cruz. — London, 2002. — P. 113–120.
  12. ↑ G. N. Yannakakis. Evolving Opponents for Interesting Interactive Computer Games // Proceedings of the 8th International Conference on the Simulation of Adaptive Behavior (SAB'04); From Animals to Animats 8 / G. N. Yannakakis, J. Hallam. — Los Angeles, California : MIT Press, 13–17 июля 2004. — P. 499–508.
  13. ↑ 1 2 G. N. Yannakakis. Towards Capturing and Enhancing Entertainment in Computer Games // Proceedings of the 4th Hellenic Conference on Artificial Intelligence, Lecture Notes in Artificial Intelligence / G. N. Yannakakis, J. Hallam. — Ираклион, Крит, Греция : Springer-Verlag, 18–20 мая 2006. — P. 432–442.
  14. ↑ Malone, T. W. (1981). “What makes computer games fun?”. Byte. 6: 258—277.
  15. ↑ Chanel, Guillaume; Rebetez, Cyril; Betrancourt, Mireille; Pun, Thierry (2011). “Emotion Assessment from Physiological Signals for Adaptation of Game Difficulty”. IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans [англ.]. 41 (6): 1052—1063. CiteSeerX 10.1.1.650.5420. DOI:10.1109/TSMCA.2011.2116000. S2CID 8681078.
  16. ↑ Wheat, D. Dynamic Difficulty Adjustment in 2D Platformers through Agent-Based Procedural Level Generation // 2015 IEEE International Conference on Systems, Man, and Cybernetics / D Wheat, M Masek, CP Lam … [и др.]. — 2015. — P. 2778–2785. — ISBN 978-1-4799-8697-2. — doi:10.1109/SMC.2015.485.
  17. ↑ Chanel, Guillaume; Rebetez, Cyril; Betrancourt, Mireille; Pun, Thierry (2011). “Emotion Assessment from Physiological Signals for Adaptation of Game Difficulty”. IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans. 41 (6): 1052—1063. DOI:10.1109/TSMCA.2011.2116000. S2CID 8681078.
  18. ↑ Sony Files Patent for AI Adjusting Game Difficulty. Game8. Дата обращения: 27 августа 2026.
  19. ↑ Sony Files Patent for AI-Driven Dynamic Difficulty Adjustment. Inven Global. Дата обращения: 27 августа 2026.
  20. ↑ Microsoft’s New Patent Wants to Assist Players Stuck in Games With AI or Cloud-Based Helpers. GamingBolt. Дата обращения: 27 августа 2026.
  21. ↑ Barry, Tim (11 мая 1981). “In Search of the Ultimate Computer Game”. InfoWorld [англ.]: 11, 48. Архивировано из оригинала 2023-02-14. Дата обращения 2026-08-27. Используется устаревший параметр |url-status= (справка)
  22. ↑ A. Rollings. Gameplay // Andrew Rollings and Ernest Adams on Game Design : [англ.] / A. Rollings, E. Adams. — New Riders Press.
  23. ↑ 1 2 3 4 5 6 AI Dynamic Difficulty Adjustment in Game Development. True Tech. Дата обращения: 27 августа 2026.
  24. ↑ Bateman, Selby. Free Fall Associates: The Designers Behind Archon and Archon II: Adept (англ.), Compute!'s Gazette (ноябрь 1984), С. 54. Дата обращения: 27 августа 2026.
  25. ↑ “Designing People...”. Computer Gaming World [англ.]: 48—54. август 1992. Архивировано из оригинала 2014-07-02. Дата обращения 2026-08-27. Используется устаревший параметр |url-status= (справка); Проверьте дату в |date= (справка на английском)
  26. ↑ Gavin, Andy. Making Crash Bandicoot – part 6 (англ.). All Things Andy Gavin (7 февраля 2011). Дата обращения: 27 августа 2026. Архивировано 7 июля 2011 года.
  27. ↑ PS1 Bugs - Spyro 3 Guide (англ.). IGN (29 октября 2018). Дата обращения: 27 августа 2026. Архивировано 20 марта 2025 года.
  28. ↑ Monki. Monki interviews Tom Mustaine of Ritual about SiN: Emergence (англ.). Ain't It Cool News (22 мая 2006). Дата обращения: 27 августа 2026. Архивировано 23 августа 2006 года.
  29. ↑ Resident Evil 4: The Official Strategy Guide. — Future Press, 4 ноября 2005.
  30. ↑ Left 4 Dead. Valve. Дата обращения: 18 июня 2024. Архивировано 27 марта 2009 года.
  31. ↑ Left 4 Dead Hands-on Preview (англ.). Left 4 Dead 411. Дата обращения: 27 августа 2026. Архивировано 20 февраля 2012 года.
  32. ↑ "Madden NFL 09 First Hands On", 22 мая 2008 (англ.). Дата обращения: 25 мая 2015. Архивировано 14 февраля 2023 года.
  33. ↑ Games with AI: Complete Guide 2026. Seeles.ai (2026). Дата обращения: 27 августа 2026.
  34. ↑ ИИ-агент для игр. ASCN.AI. Дата обращения: 27 августа 2026.
  35. ↑ Роль ИИ и NPC в играх. Games.gg. Дата обращения: 27 августа 2026.
  36. ↑ EA faces yet another class-action lawsuit connected to loot boxes (англ.), GamesIndustry.biz. Архивировано 12 ноября 2020 года. Дата обращения: 27 августа 2026.
  37. ↑ Class action lawsuit claims EA's dynamic difficulty tech encourages loot box spending (англ.), PC Gamer (12 ноября 2020). Архивировано 12 ноября 2020 года. Дата обращения: 27 августа 2026.
  38. ↑ Class action lawsuit accuses EA of changing game difficulty to push loot boxes (англ.), www.gamasutra.com. Архивировано 11 ноября 2020 года. Дата обращения: 27 августа 2026.
  39. ↑ Fitzgerald, Jack Notice of Voluntary Dismissal of Action Without Prejudice. RECAP Archive (11 февраля 2021). Дата обращения: 27 августа 2026. Архивировано 4 февраля 2024 года.
  40. ↑ Dynamic difficulty loot box lawsuit against EA dropped. GamesIndustry.biz. Дата обращения: 27 августа 2026.
  41. ↑ Fair Play and Dynamic Difficulty Adjustment. EA.com. Electronic Arts. Дата обращения: 27 августа 2026.
  42. ↑ Activision patents matchmaking tech that can push players to buy upgrades. Game Developer. Дата обращения: 27 августа 2026.
  43. ↑ Activision patented a system to encourage microtransactions in multiplayer games. Mashable. Дата обращения: 27 августа 2026.
  44. ↑ Two EA patents paint a worrying future for online matchmaking. KitGuru. Дата обращения: 27 августа 2026.

Литература

  • Hunicke, Robin (2005). “The case for dynamic difficulty adjustment in games”. Proceedings of the 2005 ACM SIGCHI International Conference on Advances in computer entertainment technology [англ.]. New York: ACM. pp. 429—433. DOI:10.1145/1178477.1178573.
  • Byrne, Edward. Game Level Design : [англ.]. — Charles River Media, 2004. — P. 74. — ISBN 1-58450-369-6.
  • Chen, Jenova Flow in Games (англ.) (2006).

Ссылки

Категории