文/Katana編譯
作者：Luke McMillan
譯者註：Metrics即指前面系列文章的度量，詞性上等同於指標。該詞原意為衡量目標的參數；或預期中打算達到的指數、規格、標準。為了讓標題使讀者更好的理解，因此此處標題中Metrics被譯為指標Element，要素；元素;基本部分;典型部分等在本文中指元素和要素，為了在不同地方更容易理解，因此一些地方用作元素一些地方用作要素，實際指代同一意思。
前言
在上一篇文章中，我向大家介紹了RLD(理性關卡設計)的流程以及我們是如何將其應用於去設計一個簡單的跳躍遊戲。當我在Gamasutra上發布本系列的第一部分時，引發了社區中的重大爭論。儘管工具不會去扼殺藝術，但是工具的實際有效性最終將取決於使用這些工具的人的技能水平和知識。
(譯者:實際情況即取決於工具人的專業技能的水平以及其知識量)。
在許多方面，這場社區裡的辯論與音樂的創作過程有著驚人的相似之處。音樂製作（至少是錄製的音樂）很大程度上是由其對工具的使用來決定的。在任何生產環境中，僅僅是擁有強大的工具是不夠的，必須由富有其專業技能的人去使用這些工具才能獲得高質量的最終結果，RLD也不例外。
（譯者:個人觀點，事實上這種情況不只是存在於音樂創作以及關卡設計中，在任何領域以及行業都是如此。從三維建模室內設計原畫設計培訓班，再到遊戲引擎遊戲行業整體的生產，數不勝數。Unity和UE4究竟哪家強？學MAYA，MAX，C4D哪個軟體更有前途？毫無意義，優秀的作品向來是由其作品背後所需的專業技能水平和知識所構成，創作者或稱生產者使用的工具則無非異同於畫家而言的畫筆與顏料。可以作為工具人或生產者但絕不會是一名藝術家。）
有鑑於此，我決定重寫RLD手冊的第二部分，通過將RLD的工作流程描述為類似於音頻製作中的工具，以此讓讀者認識到RLD和音樂製作的相似性。本文通過退一步並探索RLD中更為主觀的主要指標，來擴展我之前的博客文章中所討論的概念。我將通過與聲音工程領域做比較，向大家介紹這些概念，並強調僅僅憑藉工具是無法創造優秀的遊戲體驗這一觀念。
導論
圖1[1]：Avalon Vt前置放大器。它是一個昂貴的工具，但仍然僅僅只是一個工具，而不是一個神奇的能夠「修復所有」的設備。
當一名音頻工程師被賦予了錄製特定聲音的任務時，他們將依靠一組工具，(例如麥克風和前置放大器)來獲取一個不太理想的輸入信號，並將這個輸入「塑造」成他們所想要的效果。我們作為消費者所聽到的則是經過了數小時的精調和調整以達到理想效果的產品。遊戲也是一樣，遊戲設計師對他們的產品不斷地進行測試和微調，直到他們製作出他們所認為的最為理想的玩家體驗。整個過程對於遊戲設計師來說，不同之處在於，實現這種理想的玩家體驗的方法並不是以一種有形的標準化設備的形式出現的。（圖1）
在聲音工程中，我們可以使用一種被稱為前置放大器的設備從麥克風接收不太理想的輸入，將其塑造為更為理想的形態。在錄音過程中使用前置放大器的目的是為了接收一個不完美的輸入並對其進行微調，直到它成為一個「完美」的輸出。前置放大器可以接收來自麥克風的微弱輸入信號並使其更響亮-我們將這稱之為增益。濾波器可以被用來去除原始信號中的某些特性，這些特徵可能會對聲音的整體質量造成損害——我們稱之為EQ。最後，大多數的前置放大器都帶有某種類型的系統，用於處理來自輸入信號的異常峰谷值，「均衡」聲音以產生具有更一致音量的輸出——我們稱之為壓縮。
前置放大器以線性和連續的方式工作。我們將這種聲音流稱為「信號流」。輸入信號在鏈條的一端進入並在末端輸出。增益，均衡器和壓縮器可以被用在不同的數額，以調整輸入的信號。。一旦信號通過了前置放大器，它的本質將發生變化，這個過程取決於其操作設備的人的素質，一般情況下聲音將會變得更好。我們可以將前置放大器的概念擴展到理性關卡設計中。
如果有一個用於微調遊戲體驗的前置放大器，那麼它將以與典型的音頻前置放大器非常相似的工作方式去運行。我們將會有一個輸入，該輸入獲取當前的遊戲狀態（玩家當前正在做什麼）。遊戲設計師將擁有一組強大的參數，例如增益，均衡器和壓縮器，他們可以使用這些參數來確保遊戲體驗儘可能的完美。不幸的是，並不是每一款遊戲都可以配備專門的遊戲設計師，他們的工作職責是即時的調整遊戲體驗。但是，我們卻可以通過去使用前置放大器之類的系統來創建一個標準化的微調系統，從而去合理地設計遊戲。就像音頻前置放大器具有用於微調的三個核心組件（通常情況下都會有）一樣，RLD也受這四大指標的控制——每個指標的作用都類似於前置放大器的各個階段。
在RLD手冊的第一部分中，我介紹了RLD，它是一種客觀量化遊戲元素以及了解元素是如何影響難度的方法。理想情況下，我們希望我們的玩家會在遊戲還沒有太具挑戰的情況下感受到挑戰，並且在遊戲還沒有非常無聊時感覺自己佔據著上風。這種方法的困難之處在於，玩家應對挑戰的能力是動態的不斷變化的，並且有些是我們所未知的。我們唯一所知的是，我們可以將理想的遊戲體驗視為Schell描述為流動波段的正弦波類型的曲線（圖2）。
（譯者:(flow channel)流式波段即遊戲心流(Flow)學說的前身和雛形，今後此詞語將統一使用心流來代替）
圖2：隨著我們的玩家變得越來越有經驗，我們必須增加難度。
[1]
RLD的四大指標位於所有量化的遊戲元素之上。它們被用於解釋玩家的熟練度和技能的不同層次，並將靜態的對象（如RLD表）轉換為動態變化的元素。就像前置放大器一樣，我們使用這些指標來微調和調整已被我們量化的遊戲元素，以確保玩家始終處在心流狀態中。如果這些主要的指標是一臺機器（如前置放大器），則會有四個主要的微調階段，它們將影響一組RLD指標的總體難度；
圖3
1.態勢感知的控制項位於信號流層次結構的頂部，對之後的所有事物都有著全局的影響。機器的這一部分控制著我們提供給玩家的信息量。由於態勢感知可以採取多種不同的形式，因此我們機器的這一參數將具有著三個不同的變量，我們將在稍後進行討論。
圖4
2.一組「幹擾信息(Noise)」的推拉器被用於增加或減少遊戲表象層的複雜度，以便允許玩家專注於重要的事情，或者將信息海洋中重要的事物隱藏起來。如果遊戲是關於玩家去破解複雜的規律，那麼這些參數將控制著這些規律的可識別性。
圖5
3.我們的機器中的下一步則是時間壓力。（圖5）時間壓力是一個非常強大但是卻又易於理解的參數。我們給與玩家的時間越少，難度將會增加的越高。雖然我們可以說時間壓力可能會比態勢感知更為強大，但它之所以是我們的RLD機器中的第二步，實際上是因為，你只能期望於玩家在意識到了問題後才能夠去思考和採取行動。基於這一原因，我們首先所需要的只能是態勢感知。
圖6：我們可以在不需要微調時忽略它
4.對稱性可以被認為是一種交叉推桿或搖攝控制項，它可以根據玩家擁有的選項（與敵人所擁有的選項相比）來改變玩家所面臨的難度。我們可以將這個參數理解為擁有機會的比率。當刻度盤位於中間時，比率為1:1，每個玩家（AI或人類）都擁有著完全相同的選項，這就是對稱性。當推子（音量控制器）從中間移開時，我們便開始創建不對稱性，這將可以微調你的遊戲難度。如果你試圖用它去微調一個環境謎題的難度，那麼你應該繞過和避免使用這種微調關卡的方式，因為它不適用。
環境謎題:（即通過遊戲空間和環境給玩家帶來的挑戰）
5.這些推子不僅在傳遞關係中起作用，而且它們對「輸出信號」的影響程度也不同。例如，即使態勢感知值稍微有了很小的變化，它也仍然會對難度造成很大的影響，而幹擾信息值的顯著變化對難度感知的影響則要小得多。我們還可以選擇保留這些參數中的任何一個或者是完全繞開它們，具體取決於所需微調的類型和數量。最後，我們可以將這四個主要的指標與我上一篇的文章中所介紹的困難表之間的連結起來，進行可視化，如下圖所示（圖7）：
圖7：使用動態難度調整（DDA）的遊戲也有著類似的概念，但是它們量化玩家體驗的方式可能會有著很大的不同
態勢感知(Situational Awareness)
圖8
為了使用我們的機器，我們必須先從最頂部開始。態勢感知（圖8）是設計師可以用來改變遊戲難度的最強大的工具。當玩家獲得了更多的信息時，他們將會感覺自己充滿著自信和佔據著上風。如果我們強行掠奪了玩家的態勢感知能力，他們將會變得非常緊張和謹慎。從應用測試的角度來看，你會發現，通過賦予玩家更多的態勢感知的能力，玩家所遇到的困難狀況將會變得容易一些，尤其是在沒有施加時間壓力的情況下。我喜歡把一個遊戲的態勢感知分成三種不同的類型：
信息協助玩家做出秒到秒級別的決策信息協助玩家做出分鐘到分鐘級別的決策最後是，信息協助玩家做出小時到小時級別的決策
Android平臺上的《星際殖民地》提供了這三個類型的遊戲要素的清晰類比。最重要的是不要試圖去從字面意思上去理解，秒到秒（實際狀況是微秒到微秒），小時到小時（往往是每10分鐘到下一個10分鐘），具體方式取決於遊戲的類型。將這三個要素看作是從微觀管理到宏觀管理的層次結構，是一種更好的思考方法。（圖9）
圖9
圖10
俠盜獵車手（Grand Theft Auto）（圖10）等遊戲使用了多種態勢感知的類型。玩家對世界的直接認識為他們提供了有關他們需要做出的秒至秒決定的大部分信息。像小地圖這樣的元素可以幫助玩家管理每一分鐘的決策。最後，暫停屏幕時給出的信息可以幫助玩家管理他們每一小時的遊戲決策。（圖11）
圖11：根據遊戲的類型的不同，小時到小時的遊戲玩法有時可能是一個讓人煩悶的點，這也使它飽受爭論。
當使用態勢感知來重構你的設計時，你需要為玩家提供正確類型的態勢感知信息，以便成功地調整難度值。如果你正在重建一個基於秒到秒類型的謎題，那麼請調整你提供給玩家秒到秒之間的信息量。舉個例子，添加一個小地圖並不會像讓玩家獲得更高的視覺保真度那樣容易。儘管這似乎是一種顯而易見的方法，但它是一種在聲學研究中得到支持的方法。Vessey（1991）發現圖形會使我們解決空間謎題更加容易，而表格（文本數據和數值）將會使我們解決符號謎題更容易。但這並不意味著我們應該僅僅只使用秒到秒的信息來解決秒到秒級別的問題。有一些遊戲，(例如最為經典的星際爭霸2)要求玩家在小時到小時的信息和秒到秒的信息之間建立聯繫，這樣才能在遊戲中獲取勝利。像《星際爭霸2》這樣的遊戲通常要求玩家記錄小時到小時的信息，並參考這些信息來解決遊戲後期的分鐘到分鐘和秒到秒的問題。（圖12）
圖12：星際爭霸2–如果你在玩遊戲和做筆記時沒有筆和紙，那麼你將永遠無法完成它！
儘管提升態勢感知的能力有助於降低各種遊戲元素的難度，但我們常常受到玩家是否能夠理解我們提供給他們的信息的限制。我們將態勢感知的這一要素稱為理解能力。
圖13
最合適的難度通常表現為在太多的挑戰（受到挫敗）和太少的挑戰（無聊）之間平衡。理想情況下，我們希望讓玩家處於這兩種對立力量之間的「最佳位置」。信息太多和信息太少之間的平衡同樣需要在兩個相對的力量之間做出不穩定的平衡。
為了我們去理解態勢感知的參數對RLD難度表的影響，你需要記住，你的遊戲將始終具有「標稱」或者是正常的態勢感知水平，並且我們的四大指標的目的是為我們的遊戲提供可變的微調。
標稱：指產品上標明的如規格、數值等有關產品性能和質量要素
圖14:RLD手冊第一部分中的我的RLD表。
在本系列的第一部分中，我創建了一組跳躍謎題，然後我們使用了測試數據創建了一個RLD表（圖14）。我所有的測試都是在正常的遊戲條件下完成的。並且對我們關卡進行的照明是可以接受的，它將使我們玩家的視線會變得更好一些，這會使得謎題將會變得很容易處理（圖15）。如果我們使用RLD機器的第一階段對此進行評估，則我們的參數將會被設置為正常值（圖16）。
圖15
圖16
自從我們進行了測試，並得出了RLD的數值以來，我們還沒有對遊戲進行任何的調整，所以我們的RLD表將會保持不變。讓我們先暫時的降低玩家可以獲取到的秒到秒的信息（圖17），然後需要做什麼呢？
圖17
在圖17中，我使用了一個後處理效果來暫時改變玩家對遊戲世界的認識。玩家所面臨的謎題將與我們在圖15中所遇到的謎題完全相同，但是現在所面臨的謎題將會變得更加困難。從主觀上來講，可以說我們的主要指標理想情況下是看起來像（圖18）那樣。
圖18
在玩家的屏幕變得模糊不清後，我們已經刪除了玩家大量的秒至秒的信息。玩家仍然有足夠的信息來解決這個謎題，但是測試數據時將會表現出高於正常的失敗率。假設我們的RLD值看起來是像這樣的（圖17）……
圖19：請注意，謎題的某些排列現在已經變得太困難了，已經變得不可能投入使用了。
很重要的一點是，我們沒有使用測試來得出這些新的數值，而是使用了一些合理的（和理性的）假設來得出這些新的修改後的值。作為一名設計師，我希望對我們的秒到秒級別的態勢感知做出這種改變，它可能會導致關卡的難度增加20%。然後，我們可以再將這個規則應用於任何的RLD表中，並相應地進行重構。如果你願意花些時間使用一些回歸工具（甚至是幾何方法），那麼你還可以基於新的假設去重構秒到秒的RLD表（圖20）。
圖20：習慣性地使用回歸工具將可以幫助你完成這項任務，即使是最基本的工具，例如幾何方法，也可能會是有用的。
例如，我們使用1.0作為感知值「平均數」的理由是，因為我們的四大指標的數學公式分別地影響了你可能需要進行的任何重構。如果你的主要指標的值為1.0，則表示當前關卡中的態勢感知與你收集初始測試數據時的關卡中的態勢感知的值所相同。換句話來說，如果我們的主要指標不會受到影響，並且我們後續的指標還保持著傳遞關係，那麼我們RLD元素的數值將會保持不變。大於1的值應被視為臨時的值(該值將使遊戲的難度變得更難)，這是我們去除感知信息以及增加難度的地方，而小於1的值也應被視為臨時的值。例如說，允許玩家擁有更大範圍的視野這應該是一個暫時的增加，它得以減少難度以及增強玩家的優勢。我發現通常情況下，+20%或者-20%的偏差是最為常見的。但最終，這個數值需要基於你的測試數據才能使我們主要的度量方法起作用。
如果要使用此方法，那麼你就必須開始去考慮你的遊戲元素和後續的RLD表，它們屬於三種態勢感知中的哪一種類型呢？是秒至秒，分鐘至分鐘，還是小時至小時？畢竟，刪除了分鐘到分鐘的態勢感知（如小地圖）實際上並不會對你的秒至秒的謎題產生太大的影響（除非兩者有所區別）（圖21）。
圖21
不過，並非是所有的玩家都是一樣的。由於老玩家將對遊戲比較的熟悉，這將使他們能夠比新手玩家處理更多的信息。考慮到這一點，我們需要獲取三種不同類型的態勢感知的信息(即洞察力)並將其與玩家的理解能力相乘，以便理解我們在此階段微調所產生的結果，這個過程被稱作為預測。
1.洞察力[2](Perception)-方向，時間和空間位置，地理環境以及對環境中物體的識別。在這裡面包括了我們的秒至秒，分鐘至分鐘和小時至小時的態勢感知。（即對玩家的秒至秒，分鐘至分鐘和小時至小時所傳遞的信息）
2.理解能力[3](Comprehension)-理解事物當然是很好的，但是你需要去了解你和這些事物之間的關係。作為一名玩家，現在的局勢和狀況對於你來說意味著什麼。
3.預測(Projection)-這是擁有更強的洞察力和理解能力的最終結果，因為它將允許玩家去提前的進行計劃。例如，」現在這一步我應該要做什麼，而下一步我又應該去怎麼做？「這將取決於玩家對於過去所有事物的理解，以及玩家應該如何利用這些優勢去獲取好處。
在我們繼續討論態勢感知(預測)的最終結果之前，現在必須先去檢查我們的遊戲設計中將會影響玩家理解能力的因素。對此，在這裡我將解釋幹擾信息這些指標以及它們是如何幫助我們調整玩家對於態勢感知信息的理解。
運用幹擾信息扼殺理解能力(Using Noise to Stifle Comprehension)
幹擾信息(Noise)是我們運用多餘信息促使玩家應接不暇並掩蓋玩家手上任務簡單性的區間。在我的RLD模型的背景下，幹擾信息覆蓋了三個最具代表性的遊戲層面（視覺、動覺和聲音），另外一個類別則是專門用於機制和其相關的認知負荷。請記住，一定數量的幹擾信息是非常有必要的，因為我們需要它就是為了得到反饋信息。因此，幹擾信息是玩家感知的一個子元素，我們可以用它來影響玩家的理解能力。
幹擾信息是在遊戲設計領域中已經被多次解決的一個概念。一個更好的解釋來自於我所喜歡的一篇文章，它是丹庫克（Dan Cook）寫的一篇有關遊戲掌握和精通的隨機性的文章。在這篇文章中，丹庫克（Dan Cook）很好地解釋了幹擾信息對於遊戲機制的影響。丹庫克（Dan Cook）用了四個主要的類別來描述遊戲中的幹擾信息；
行動幹擾：玩家行動的不確定性、外來因素或者是無法確定的複雜度。規則幹擾：黑盒規則處理過程中的不確定性、外來因素或者是無法確定的複雜度。反饋幹擾：看到玩家行動後所受的影響和刺激下所產生的不確定性、外來元素或者是無法確定的複雜度。模型幹擾：玩家模型的不確定性、外來元素或者是無法確定的複雜度。
在我的RLD度量方法的背景下，我對「幹擾信息的分類」上則可能有點不一樣的認識和見解。在某種程度上，幹擾信息的代表元素基本上是不言而喻的：更多多餘的視覺，聽覺和動覺，將等同於更多的幹擾信息和隨之而來所增加的難度。實際上更難理解的是多餘的機制所帶來的幹擾信息。
機制幹擾(Mechanical Noise)
機制幹擾是給與玩家可選的多餘選項，這將會使其在選擇合適策略時變得更加困難。你不妨這樣思考，如果交待給你的任務是殺死一條龍，你只有一種進攻能力，那麼該場景的機制就會非常的簡單。而在另外一方面，如果你擁有著一樣的任務，並且有著無數的進攻選擇，那麼決定一條最佳的策略將會變得非常困難。你擁有很多選擇，但是具體哪種選擇最為有效？
在無主之地中可以很好地實現機制幹擾。在《無主之地》（以及許多其它精心製作的遊戲）中，玩家會慢慢地了解新的機制-新的武器，敵人類型，車輛等。隨著每一個新元素的出現，機制幹擾都會逐漸地增加-「這是什麼新東西，我該如何使用它，什麼情況下應該使用它？」為了幫助玩家將多餘的幹擾信息整合到他們對遊戲的正常認知中，《無主之地》的設計師們制定了一些簡單的規則供玩家遵循，這些規則同樣適用於所有新的機制。在武器類型中，重要的外觀具有著一套非常清晰的規則，這些規則定義了它們最有效果和最不起作用的位置，並通過簡單的圖形化方法將其傳達給其他的玩家。在圖22中，玩家將會看到一個綠色的敵人。根據他們先前對遊戲機制的灌輸，他們將會很快地發現酸性（綠色）環境的傷害將會對這個敵人不起作用-他們必須去使用不同顏色的（元素的）武器才能發揮出最大的傷害。
圖22：綠色敵人？請不要使用綠色武器。
必須強調的是，在四大指標的（並通過使用RLD來微調遊戲性）背景下，機制幹擾是一個變量。而像《街頭霸王3》這樣的遊戲從頭到尾都為玩家提供了所有的選項/機制。因此，《街頭霸王3》中的機制幹擾則是一個常量，而不是一個變量，我們不能使用機制幹擾參數來微調這樣的遊戲。機制幹擾只能通過我們在給定場景中添加的新機制的數量來衡量，而不是玩家到目前所掌握認知的總和。這樣做的原因是因為玩家具有著適應能力。他們所使用的機制越多，帶來的認知負荷（和幹擾信息）就會越少。引入新的機制，將會導致機制幹擾暫時性的增加，並且當前遊戲場景的難度也會略有增加。
視覺幹擾(Visual Noise)
視覺幹擾是幹擾信息的三個代表性元素之一。史蒂夫斯威克（Steve Swink）創造了被我認為是最好的思考遊戲的方法之一，即從遊戲的視覺層面，而不是機制的層面上來進行思考。斯威克通過視覺化的方式實現了這一目的：雖然《街頭霸王》只是一個根據數學公式移動矩形的集合，但是它卻以一種將該集合作為玩家的上下文的方式來進行視覺表現（圖23）。
圖23
如果我們從這樣的角度去思考，即只有命中框和它們之間的關係對於遊戲來說才是重要的，那麼我們會發現其他的一切都只屬於純粹的幹擾信息。其中的一些幹擾信息很明顯是為了掩蓋《街頭霸王》僅僅是一個二維碰撞框的集合而設計的。而最終我們可以得出這樣的一個結論，視覺幹擾會影響遊戲的難度，這是因為它會分散玩家對於重要事物的注意力。
圖24：助手圖標只會在你距離可拾取物時足夠近時出現，這意味著玩家需要為怎樣才是一個「可能」拾取的區域建立一個認知模型。
從機制的角度上來看，《地鐵：最後的曙光》是一款非常簡單的遊戲，但是視覺幹擾被廣泛地用於掩蓋這個屬性，並且它使得諸如尋找可拾取物之類的瑣碎任務變得更具挑戰性。在《地鐵：最後的曙光》中，可拾取物被隱藏在周圍的環境中，而一些更好的可拾取物則使用了更多的視覺幹擾，從而隱藏自己的位置。區分態勢感知和視覺幹擾是很重要的，視覺幹擾是遊戲中過量的視覺信息，而態勢感知則是設計師使玩家能夠輕鬆地識別這些被模糊被隱藏的元素的方式。例如，懸停在可拾取物上方的圖標是被用作態勢感知的元素，用來消除高層次的視覺幹擾，並幫助玩家找到可拾取物。
圖25：大霧不僅僅使遊戲體驗變得更加緊張，而且還減少了渲染的繪製距離。還減少了在平直的街道上設計城鎮時可能出現的問題！
圖26：在Wangan Midnight中，只有在玩家全速前進時，景深效果才會發揮作用。它被用來限制玩家周邊視覺中的視覺信息。
視覺幹擾可以在非常字面上的意義上實現，例如《寂靜嶺》中的霧和幹擾效果（圖23）限制了玩家分分秒秒的態勢感知，或者是在遊戲中所使用的運動模糊效果，例如在Wangan Midnight中它被設計成一種危險元素（圖24）。
聽覺幹擾(Auditory Noise)
就像視覺幹擾那樣，「聽覺幹擾」是被我們拿去混淆重要聽覺信息的垃圾幹擾信息所構成的一片海洋。
圖27：從設計的角度上來看，這是一個非常簡單的遭遇戰，但此處過於頻繁的聽覺幹擾使得遊戲變得有趣和具有挑戰性。
在《死亡空間2》的第12章節中，主人公艾薩克(Isaac)騎在一個非常吵鬧的鑽頭上，它撞上了一個地下洞穴。當玩家試圖優先處理先進入洞穴的敵人時，玩家被大量的聽覺信息所包圍著。這裡通過使用了海量的聽覺幹擾信息影響玩家，以此增加玩家的焦慮程度。雖說聲音也是遊戲「審美」的一個要素，但它也會對遊戲的難度產生影響。在遊戲的這一章節部分的遊戲體驗中，不僅聲音會變得很大，而且玩家還必須仔細聆聽各種類型的聽覺信息。怪物接近時的聲音有助於玩家找到怪物的接近矢量。背景音樂用於設定該情景的情感預期，而對話則有助於遊戲中故事的敘述。
動覺幹擾(Kinesthetic Noise)
動覺幹擾指玩家必須在心理上跟蹤遊戲中的若干移動元素的程度。雖然標記具有著完全相同的視覺屬性，但是當單位在其運動速度、運動矢量和上表現不同時，動覺幹擾將會增加。儘管我們使用了視覺形式來描述運動，但我們仍需要將其與視覺幹擾進行區別的對待。我在這裡解釋一下原因。
在潛行遊戲中增加動覺幹擾通常被視作一種懲罰。假設我們在玩《分裂細胞》這樣的遊戲，玩家面對的是一個充滿潛在威脅的倉庫。當玩家初次遇到這樣的情況時，敵人通常會靜止不動，即使他們在移動，他們也會以一種可預測的模式去做，例如在走廊或周邊巡邏。現在，如果玩家所做的每件事都是正確的，並按照正確的順序消滅這些敵人，同時儘可能地保持謹慎，那麼其他敵人將會顯得非常愚蠢，他們將會繼續其可預測的移動行為。
讓我們假設玩家不夠謹慎，並且投入了自己的所有火力。從表面上來看，這樣做的懲罰是敵人正在尋找玩家並且增加了時間壓力，然而真正的難度變化來自於大量的動覺幹擾。由於敵人AI的快速且經常性不規則的移動模式，玩家將會面臨更大的來自於管理敵人AI的空間關係的挑戰。
Shmups類型的遊戲使用動覺幹擾來作為難度控制的一個關鍵因素。在像Guwange這樣的Shmup類遊戲裡(圖28)，彈幕和敵人的移動模式在遊戲開始時往往更趨於一致，這是因為多個子彈和敵人共享著共同的運動矢量和速度。以後的關卡將會有更多的獨立的不同的運動矢量和速度，敵人會通過引入更多的動覺幹擾來增加難度。
圖28:在Guwange的早期關卡中，雖然有許多子彈，但是它們的運動矢量和速度都是相同的。因此，他們並不是所有的人都會獨立行動，而是在以可預測的行為成群結隊的行動。這些可預測的群體行為會在遊戲後期被拋棄，從而使遊戲體驗變得更加困難。
因為動覺幹擾所導致的不可預測性，玩家的策略制定能力將會較弱，這將使玩家不得不更多地依賴於二次決策。因此，由於我們限制了玩家的預測能力，遊戲的難度將會增加。
應用幹擾信息(Applying Noise)
在應用基於幹擾信息的微調之前，必須了解兩個關鍵點;
幹擾信息往往依賴於某種形式的時間壓力，然而如果沒有時間壓力，那麼當時間壓力不是一個要素時，幹擾信息的程度可能會非常高。幹擾信息的工作方式與態勢感知類似，因為它會影響秒到秒，分到分和小時到小時的遊戲要素。
在討論時間和幹擾信息的關係之前，我想先討論幹擾信息的三層分類法，以及它與在研究態勢感知時所討論的內容有何細微差別。在態勢感知的背景下，三種不同類型的態勢感知都是由我們提供給玩家的信息類型以及玩家是如何使用它們去解決特定的遊戲問題時所決定的。而在處理幹擾信息時，這種關係將會略有不同，因為我們處理的是因果關係之間的時間量。(圖29)
圖29：在像《星際爭霸2》這樣的遊戲中，許多文本要素會影響到每一小時的幹擾信息循環——也就是說，我們的模式解決行為的後果直到遊戲體驗的後期時才會有明顯的結果。
我們之所以需要將此框架應用於幹擾信息，是因為模式識別的謎題不僅僅只是空間的，它還是時間的。遊戲則測試了我們識別重要的模式並且利用它們的能力。當我們在因果關係之間建立了時間或空間上的距離時，我們會逐漸使玩家越來越難理解其自身的行為是否會改變遊戲系統，使他們更具優勢從而能夠產生對自身有意義的影響。圖27中的藍線是用來表示時空距離而不是幹擾信息，相反的，幹擾信息是指我們在多大的程度上「打斷」了返回給玩家的反饋結果的傳遞過程，我們可以將這個循環分解看作為圖30中所示的虛線。通過引入幹擾信息，我們可以使得玩家在反饋被模糊時更加難以確定自身行為的影響。
圖30
如果讓我來想像幹擾信息控制器的外觀，那麼它將是一組簡單的推子(音量控制器)，與我們的主要指標相關聯（圖31）。為0的值將是我們幹擾信息的名義電平，正值表示幹擾信息的增加，用來抑制玩家對場景的認知。而負值則意味著我們使用更少的幹擾信息，讓玩家專注於遊戲中最重要的部分。
圖31:雖然幹擾信息可以被忽略，但它很少會被忽略。
就量化幹擾信息的影響而言，這是根據你正在製作的遊戲類型的背景下來完成的。根據經驗，對於最大認知，RLD重構後的認知值應該在0.7左右，對於極其有限的認知，RLD重構後的認知值應該在2.0左右。添加幹擾信息，一次只能改變一個要素的值，單個要素的值變化大約+/-0.05點。由於該指標的開放性，你必須在流程中儘早地收集測試數據以幫助量化幹擾信息參數，這一點至關重要。
關於幹擾信息及其與理解能力的關係。你需要記住最後一件事，只有在第一次遇到幹擾信息時，玩家的認知負荷才會增加（從而使遊戲變得更難）。圖32顯示了添加新的幹擾信息要素將會如何影響玩家的認知負荷。雖然我們在玩家的認知負荷中看到了峰值，但這些峰值僅僅只是理解幹擾信息所產生的影響的一個維度。
圖32
在音頻工程中，我們可以使用峰值和平均值兩種方法來量化波形的音量或響度。峰值是我們的最大振幅，而平均值是波形接近峰值的頻率。具有較高平均能量的波形，其聲音將比具有單個高振幅峰值的波形更加響亮。我們可以用這個系統來了解幹擾信息的影響。雖然引入幹擾信息會影響認知負荷的峰值，但更多的幹擾信息會延長玩家吸收初始「衝擊」所需的時間。（圖33）
圖33
在圖33中，與圖32中的幹擾信息事件相比，它將更難處理，因為它會導致更高的平均認知負荷。我們可以將其可視化為具有擴展衰減的峰值，我個人喜歡用這種方式去思考幹擾信息，因為它與巴德利工作記憶模型的框架非常吻合。我們擁有著有限的短期記憶，它可以用來處理環境中的新現象。所以，在任何給定的時間內我們能夠輕鬆地處理多少個新的信息塊的數量是有限的。
除此之外，我們還被以感官輸入形式的信息所困擾。我們不可能密切地關注周圍發生的每一件事，因此我們需要優先考慮哪些事情是重要的，而哪些事情又是不重要的[4]。通過引入更多的幹擾信息，設計師得以打斷因果關係之間的明顯聯繫，這使得玩家很難理解其行為的直接後果。因此，幹擾信息是設計師如何故意混淆有意義的反饋，從而在玩家無法清晰地理解其行為的情況下所創造的遊戲體驗的一種度量。
預測(Projection)
如果我們認為態勢感知是由洞察力，理解能力，預測和幹擾信息所組成，那麼我們可以將態勢感知視為如下等式：
Perception*(Comprehension+Noise)=Projection即洞察力*（理解能力+幹擾信息）=預測
我認為玩家理解能力的值應在0.7至2之間。是因為我認為值為0.7是對遊戲及其所有要素的徹底的理解，而值為2則是對遊戲表象系統的一種不存在的知識。我之所以選擇這些看似隨意的數字是基於個人經驗，而我的個人系統則是根據玩家的經驗來重構我的RLD表。這種選擇背後的邏輯是，嚴重缺乏對遊戲的理解往往會導致你精心製作的遊戲要素的難度翻倍。例如，第一次學習你的遊戲（和遊戲類型）的玩家，其失敗率通常是熟悉遊戲的玩家的兩倍。另一方面，即使是擁有著專業知識的玩家也仍然會受到遊戲系統的限制。具有較高理解能力且經驗豐富的玩家在測試過程中往往具有著較高的成功率，但這通常不是你的「普通玩家」成功率的兩倍。我給普通玩家的理解能力值為1.0。對於使用該值，我是說我的初始測試數據是從「普通」玩家身上所得到的，因此它不需要進行重構。並且這些數字是非常私人的，它取決於你正在開發的遊戲類型。而最終，如果你真的想要一切都變得有條不紊，那麼你可以將這些測試數據轉化為更加客觀理解標度的數字。
圖34
將這些數字放置於背景之中，如果玩家無法理解這些數字的含義，那麼提供給他們的大量信息則是多餘的。取自《魔獸世界》的圖34則是一個非常好的例子，對新手來說，這張畫面不過是一片混亂。即使這裡它的態勢感知很好，但是對於新手來說，其幹擾信息的程度將令人無法容忍。而另一方面，對於理解這些信息及其意義的專業玩家來說，他們的預測能力則會高很多。
Perception(0.8)(lower is better)*(Comprehension(0.71)+Noise)=0.568洞察力(0.8)(越低越好）*（理解能力(0.71)+幹擾信息）=0.568
如果我們將我們的主要指標應用到《魔獸世界》的謎題設計中，則可能會遇到這樣一種情況，即我們所有的要素都需要根據「0.568」的值進行重構，以便與玩家的態勢感知和理解能力保持一致。同樣，請一定要記住，只有當你知道添加或刪除了多少分鐘到分鐘的感知信息時，才能夠成功地重構分鐘到分鐘的要素。同樣的規則也適用於秒到秒和小時到小時。
其他類型的態勢感知（Other Types of Situational Awareness）
作為一名設計師，你可以精心地製作遊戲體驗，但是總會有外部因素破壞你精心安排的計劃。
玩家可以根據大小和布局自定義UI嗎？玩家可以重新調整遊戲的外觀，尤其是UI嗎？玩家可以配置Gamma值或對比度嗎？玩家可以通過改變相機的視角或者完全移動相機來控制相機嗎？遊戲是否在菜單中存儲筆記和謎題線索等信息？是否有小地圖或雷達系統供玩家用來確定其與其他遊戲對象相關的位置。
如果你對這些問題的回答是肯定的，則說明你的玩家具有著很好的態勢感知，且你將承受著讓你的遊戲體驗變得過於簡單（或壓倒性的困難）的風險。如果你的態勢感知刻度盤被調到了最高程度，那麼你將需要通過使用機器的下一個步驟（即時間壓力）來調整玩家的體驗。
第二個指標：時間壓力(The Second Metric:Time Pressure)
人類是優秀的「鑑賞家」。我們使用一個有依據的猜測過程來得出結論。每次我們進行猜測時，我們都會縮小問題可能的解決方案的範圍。時間越長，我們便能夠進行更多的評估周期，以此來調整我們的決策。更少的時間將給與我們更少的評估周期，因此增加了做出不太理想決策的可能性。就像態勢感知一樣，時間壓力也是多方面的，並且它經過了充分的研究。Hwang（Hwang，1994）在1994年的一篇文章中研究了時間壓力是如何影響不同類型的感知處理。Hwang指出，時間壓力的增加將會增加任務難度，而不是任務的複雜度，這正是我們希望從微調的角度去考慮的。那麼，我們應該如何用數學來表示時間壓力的影響呢？
在我繪製測試數據圖表的所有實踐中，我從未見過一組RLD是線性的。就像難度一樣，你的RLD值（甚至是你自己選擇的值）需要具有某種指數級的增長率。指數增長的原因是，你的所有的遊戲要素都有一個有限的難度限制。例如，即使一個玩家對你的遊戲有著世界上最好的理解，這種理解也不允許他們克服重力的影響（圖35）。（除非有黑客使用了理解技能！）提出重構時間壓力值也需要遵循這一經驗法則。
在重構方面，我傾向於使用值1.0來表示沒有時間壓力的情況。我使用指數增長模式來開發一系列的重構值，以表示不斷增加的時間壓力。根據我的經驗，當你接近極限時，你才會開始看到時間壓力的影響急劇增加。例如在「刺蝟索尼克(Sonic the Hedgehog)」中，10分鐘的時間限制會導致遊戲中秒到秒要素的整體難度會略微增加。如果讓我猜一下的話，我會說10分鐘的時間會以1.000001的值將你的秒到秒的要素重構-即幾乎沒有影響。如果Green Hill區域的時間限制從10分鐘調整為30秒（可以在25秒內完成！），那麼我預計你的測試數據將會顯示新手測試人員所犯的錯誤加倍。
時間壓力有一個奇怪的特性，它違背了指數增長的邏輯。Hwang在1994年進行的一項研究中，對相關文獻的回顧表明，增加時間壓力實際上可以提高工作績效，至少在工作場所是這樣。假設我們可以將其擴展到玩家在遊戲中的表現；然而，這是否會對你的重構做出重大改變還尚不清楚。
時間壓力將影響這三種遊戲要素，並且當它對這三種要素都產生影響時，時間壓力將是最強大的。像之前提到的「星際爭霸2」這樣的遊戲對這三種要素都施加了時間壓力，這使得想要在遊戲中獲勝將會極度的困難。另一方面，像「星際殖民地」這樣的遊戲（圖36）則將時間作為遊戲經濟中的一種資源。你在遊戲中的獲勝取決於，與敵人相比你是如何有效地利用每一個「片段」的時間，因此，這並不是難度要素的重構。
圖36
第三個指標：對稱性(The Third Metric:Symmetry)
我們的RLD微調機器的這一部分主要涉及到遊戲機制的對稱性或不對稱性。在我的遊戲設計方法中，我認識到機制是遊戲化身（包括人類和AI）為了給遊戲系統生態系統帶來好處而使用的行為。[5]當玩家擁有更多選擇時，遊戲難度通常會對他們有利。而當敵人擁有更多選擇時，通常玩家的遊戲難度會增加。我之所以強調「通常」一詞，是因為這個指標是一種微妙的平衡行為（就像態勢感知一樣）。剝奪玩家的能力，並給與他們的敵人以他們認為自己應該擁有的技能，將導致玩家感到不公平，並會讓玩家關閉和卸載你的遊戲。另一方面，給與玩家過多的選擇可能會使他們在遊戲中失去挑戰，或者在某些情況下會使他們感到無聊。在我們討論不對稱性之前，讓我們先來看看對稱性。
任何為所有遊戲化身（玩家）提供相同選擇權的遊戲都可以被認為是對稱的。屬於這一類別的最知名的遊戲是西洋棋。每個玩家在遊戲桌面上都有著完全相同的單位，並且它們的行為方式都是相同。玩家1與玩家2的唯一區別是誰先走。在電子遊戲領域中，很少有可以被認為是真正對稱的遊戲。事實上，像《太空大戰》這樣的早期街機（和超級計算機）遊戲！和Pong桌球是唯一真正對稱的電子遊戲。（這在很大的程度上可以歸因於AI缺乏CPU指令周期！）。從RLD重構的角度來看，對稱性將導致重構值為1.0，即沒有影響。理解該指標的最好方法是將其視為敵人可以做的事情與我作為玩家可以做的事情之間的比率。
Shmup是一個很好的例子，它可以用來理解這個指標，以及為什麼需要將它表示為一個比率。在典型的Shmup類遊戲（圖37）中，玩家是一個男人（或女人）的軍隊，通常需要摧毀數百甚至數千個敵人才能達到目標。如果敵人擁有著與玩家相同的機制，那麼即使是最熟練的人類玩家也很難有機會對抗經過良好調整的AI。然而，在Shmups中，這個比率完全有利於玩家。玩家可以在他們認為合適的情況下進行移動和進攻，並且玩家通常擁有著更強的火力，速度和敏捷性。另一方面，敵人往往被鎖定在預先確定的模式和進攻形態上。簡而言之，如果我們僅考慮到玩家可以自由移動而敵人卻不能移動的事實，那麼我們的比率將為2：1已經不均衡地有利於玩家了。
圖37
同時，我們也有像《街頭霸王3：三度衝擊》這樣的遊戲（圖38）。如果我們忽略玩家的等級和特殊能力，一般來說玩家獲勝的可能性與敵人的可能性之比會輕易的接近1：1。像《街頭霸王3：三度衝擊》這樣的遊戲中的對稱性是通過簡單而強大的平衡策略（如設計骨骼-命中框）來保持的。除了通常的平衡設計考慮之外，設計優秀的1v1戰鬥體驗中最困難的部分之一就是創造出一款AI，其缺陷足以讓它看起來像一個真人玩家。
圖38
考慮到這一點，有兩個主要的例子展示了這一指標的兩個極端。第一個例子來自《地鐵:最後的曙光》和玩家必須忍受的最終戰役。（圖39）
在這場最終戰役中，玩家被賦予了比敵人更多的選擇權，從而佔據了上風。在這個例子中，玩家擁有許多對他們有利的東西。
首先，玩家不需要離開到掩體之外，這意味著他們可以留在隔離他們和敵人的障礙物的後面，並且利用這個掩體來降低風險。另一方面，敵人必須「跳」過路障的頂部才能與玩家交戰，留下一個比自己更大的命中框供玩家瞄準。雖然敵人可以掃射，但是《地鐵:最後的曙光》的設計師已經將這一點從這場最終戰役的第一波和最後一波敵人的移動設計中刪除了。[6]另一方面，玩家也可以選擇努力躲避。玩家有大量的彈藥和強大的武器供他們使用，這些武器散落在周圍的環境中，只有他們才能使用。相比之下，敵人僅限於使用較弱的武器。
我們可以通過純粹動覺的角度來思考，從而進一步分析這場戰鬥。圖40是《地鐵:最後的曙光》最終戰役中第一波敵人進攻的平面圖。這個平面圖剖析了玩家相對於敵人的移動機會。我們可以看到玩家有著可用的掩護-而敵人沒有。玩家還有更多的移動選項可供選擇。他們可以在自己定義的移動區域內向任何方向移動，而第一波中的所有敵人只能（或設計為）朝著玩家移動。
圖40
圖41是玩家在《地鐵:最後的曙光》的最終戰役中遇到的第二波敵人的平面圖。在這裡，使用主要的指標增加了難度-敵人距離不遠，因此在秒到秒的遊戲中降低了視覺精準度。敵人現在有兩個移動軸向，它們被設計成只在第一波中使用一個。有趣的是，由於玩家移動區域的矩形形狀與玩家掩體元素的遮擋效果的互相結合，導致玩家可選的移動選項要少得多，因為他們只能通過一個非常狹窄的入口與敵人交戰。
圖41
與第一波相比，這是一個非常困難的場景，因此需要進行微調以平衡該場景並確保它符合心流的體驗。作為微調的一個要素，玩家在這波進攻中需要迅速處理的敵人要少得多，儘管敵人可以在兩個軸上移動，但是它們的移動速度非常緩慢（微調時間指標的一個要素），並且可以被玩家預測。
圖42
玩家遇到的最後一波與第一波進攻非常地相似，並且在初次出現時看起來更容易得多（圖42）。敵人沿著單軸以一種緩慢的且可預測的方式向玩家移動。玩家再次擁有了一個寬闊的攻擊入口，且不再會被掩體元素所遮擋。從目前所涵蓋的內容來看，我們知道因為玩家有著清晰的視野，能夠清楚地看到敵人，所以他們的態勢感知能力非常高。除此之外，與敵人相比，玩家擁有更多的移動選擇，並且玩家還有著相當長的時間去行動。這就引出了一個問題：儘管許多參數都對玩家很有利，但設計師又是如何讓最後一波比第一波更困難的呢？
設計師所做的聰明的事情是讓每一分鐘的遊戲都變得毫無價值！（至少在正常情況下是這樣。）
圖43：如果你在這之前浪費了狙擊步槍的彈藥，那麼你將會有一個非常令人沮喪的經歷。
設計師精心設計了最後一波敵人的進攻，所以玩家需要命中的命中框將會很小！（圖41）如果不使用狙擊步槍或者過量的彈藥，幾乎不可能取得勝利。玩家有一個非常短的時間開鏡去射擊一個非常小的命中框（圖43中突出顯示），以便暴擊敵人的弱點。如果我們從態勢感知的角度來看待這個問題，那麼我們會發現一個情況，即分鐘到分鐘的態勢感知非常高–敵人離玩家非常的遠，因此便會有著非常誇張的信息量在不斷傳輸。如此之高的分鐘到分鐘的態勢感知被非常低的秒到秒的信息所抵消，命中框由的絕對微小的尺寸來表示（圖44）。由於遊戲的這個要素是一個秒到秒類型的謎題，因此額外的分鐘到分鐘的信息幾乎無法抵消極度缺乏的秒到秒的態勢感知。
圖44
在這種情況下，設計師將會選擇給與玩家更多的時間來解決手頭上的問題，並且與敵人相比，玩家擁有著更多的選擇。因為這是遊戲中的最後一場戰鬥，所以必須讓玩家所付出的努力得到回報。通過使這場最終戰役具有挑戰性，但又不是壓倒性的困難，設計師創造了一個正反饋循環，使得遊戲得以迅速結束。通過這樣做，《地鐵:最後的曙光》的設計師使用了該指標，使得一個通常難以戰勝的挑戰變得易於處理且輕鬆愉快。（圖45）
圖45
如果《地鐵:最後的曙光》中最終戰役的目的是為玩家創造一場有趣且感到佔據上風的任務體驗，那麼便沒有什麼能夠像《死亡空間》中的瞄準挑戰那樣，體現出這場戰鬥中完全相反的一面了。（圖46）
圖46
在這些精心調整的遊戲片段中，主人公艾薩克被一個怪物拖著穿過石村的走廊，同時試圖通過射擊一個移動著的小型弱點來釋放自己。通常情況下，玩家有很多選擇，他們可以利用周圍的空間與目標保持一定的距離，並利用空間關係來管理時間壓力。但是這些片段剝奪了玩家所有的這些優勢，從而使通常是「容易」的任務變成了充滿壓力和極具挑戰性的遊戲體驗。通過剝奪玩家（圖47）的選擇，並將其所有能力放在敵人手中，《死亡空間》的設計師巧妙地利用了這個指標，顯著增加了這場單生物遭遇戰的難度。
圖47
讓我們花點時間來應用微調機器的前三個階段，以便從《死亡空間》中更好地了解上述場景。我們所面臨的挑戰是秒到秒的挑戰，我將其稱為「拖拽怪獸謎題」。為了簡化這個遊戲要素（因為它實際上是相當複雜的！），我們假設它具有著兩個參數，一個是玩家在受到傷害前可以擊中目標的時間的參數窗口（即受到攻擊前的傷害），另一個則是命中框的目標尺寸（命中框尺寸用世界單位表示）。我們還假設我們已經使用了我在RLD手冊第一部分中所討論的方法進行了一些測試，並且你會發現10個測試人員中有8個測試人員會在持續時間為1秒，命中框尺寸為10×10的世界單位的版本中失敗。根據我們的測試，我們知道參數值不應該超過8。（圖48）
圖48
理想情況下，我們希望能夠在我們的遊戲中重複使用該要素，畢竟在我們的遊戲中，首先要保證製作要素的實際開發成本。為了實現這一目的，我們可以通過應用我們的四個主要指標來創建變體，以此回收該遊戲要素。因為這是秒到秒的遊戲要素，所以我知道通過對秒到秒的態勢感知進行調整，將會對該要素產生最大的影響。
圖49
如果我對秒到秒的態勢感知進行了一些簡單的（雖然粗糙）調整，比如一些幹擾信息和變暗的圖49，那麼我就可以根據理解去重構我的遊戲要素，從而轉化為第一階段的重構值：
圖50
現在，我們有了一個重構後的謎題，它可以幫助我們在我們的遊戲中多次重複使用這個遊戲要素，而又不會感到太難或是太容易。通過我們的測試，遊戲設計師知道我們不應該考慮使用被塗黑的要素來劃分，因為這些值現在已經超過了我們的上限值8。這個示例還展示了如何使用所有主要指標來重構某些遊戲元素。通過主要指標來施加時間壓力則是一個爭論點，因為它已經被內置在遊戲要素的設計中。除此之外，對稱性指標則已經在該要素的正常實現中被考慮了。儘管重構和解構此遊戲要素的數學方法尚不成熟，但它確實證明了如何使用指標來重構現有的遊戲單位。
應用指標(Applying the Metrics)
雖然這四個指標的主要用途主要集中在難度重構和動態難度的調整上，但我們可以看看這些指標是如何被「硬編碼」到許多現有遊戲中的，以便更好地理解它們在實踐中的工作方式。在本節中，我將提供兩個簡單的例子，來說明這些指標是如何根據玩家在遊戲中的進程（和技能水平）來重構某些遊戲單位的難度的。在本系列的後續文章的更新中，我最終將集成這四大指標的實現。
圖51
第一個應用指標的例子來自「《高級戰爭》」。在本例中，我們使用了一些遊戲單位，這些單位是在遊戲開始時首次引入的。通過使用指標來重構遊戲單位，這樣我們可以就可以在遊戲的後期階段重構它們以使其變得更加合適。（圖51）
圖52
在像《高級戰爭》這樣的遊戲中，我們可以減少遊戲後期關卡中的態勢感知，以增加難度，而不是再引入一套全新的遊戲單位。在圖52中，兩個玩家使用完全相同的單位（坦克）互相攻擊。玩家將在遊戲早期階段就能使用坦克，並且它們的屬性從在第一次遭遇戰以後便沒有改變。改變的是玩家使用此單位的場景。
在圖52中，態勢感知的撥盤已被關閉，這將有利於AI（紫色單位）。如果我們使用我們的主要指標「機器」來可視化這個場景，那麼圖53將是一個很好的表示。通過使用戰爭迷霧，分鐘到分鐘以及小時到小時的態勢感知都會被降低。這將立即增加處理甚至熟悉的遊戲單位的難度。但是，作為一種平衡，這種對稱性顯然對於玩家來說是很有利的。設計師顯著地增加了遊戲機制的不對稱性，並且對玩家有利。敵人在當前屏幕上可以使用兩個單位，而玩家卻可以使用14個單位。
圖53：沒有秒到秒的遊戲玩法，因為它是完全自動化的，是分鐘到分鐘所作決定的產物。
圖54
《死亡空間2》（圖54）的開場則是應用指標的另外一個很好的例子。在開場白中，玩家將面對一組死靈形態（Necromorphs）的怪物，這是他們在整個遊戲過程中都會遇到的遊戲單位。由於《死亡空間2》是一款由敘事驅動的單人遊戲，所以它的遊戲節奏也被有意地調整以促進不同的情感狀態。遊戲開始時，刻意的困難和焦慮將誘發幫助設定遊戲的氛圍。（圖55）
圖55：你可以選擇操縱玩家的心流來達到你的敘事節奏要求，但是，你始終需要某種類型的應急措施來迎合那些可能無法做到這一點的玩家。
要達到這種程度的焦慮，就意味著要為你的遊戲單位創造一個最終的RLD值，該值將超出我們正常的難度預期。在本例中，態勢感知實際上是非常好的。走廊又長又寬，道路標識清晰，照明良好。為了解決這個問題，設計師們幾乎移除了玩家在機制方面的所有能力——艾薩克只能移動。聽覺幹擾則是以響亮又激動人心的音樂配樂而添加的，並輔以具有威脅性的聲音和破碎玻璃的聲音設計。動覺幹擾也很高，死靈突然變形出現在艾薩克的面前，迫使他在瞬間做出戰略選擇。如果我們在主要指標機器的上下文中考慮這個設計，那麼我們可以認為它類似於圖56。
圖56
總結第二部分
在這篇文章中，我研究了RLD的一個方面，它可以以一種稍微更為主觀的方式被使用。不管你是否使用了RLD來處理，我相信這些主要指標的使用都可以很容易地集成到任何遊戲設計體驗中。在《理性設計師手冊》的下一部分中，我將著眼於如何用數學方法來量化這四個主要的指標，以及如何將其轉化為難度表。