摘要（譯者加入）：本文調查了3200名玩家的數據，研究他們為什么玩MMORPG。經過因素分析，發現了玩家動機的三個首要因素：成就、社交、代入感，以及取得進步、認識游戲機制、競爭、交際等10個次級因素。依據這些數據，研究者提出了玩家動機的因素理論，對巴圖將玩家分為成就型、探索型、社交型、殺手型這四種類型的理論進行了重要的修訂。文章還進一步分析了玩家動機上的性別和年齡差異，并研究了哪些因素對于游戲時間、網絡成癮和是否購買虛擬道具等起決定作用。本文通過實證數據更清晰的揭示了MMORPG玩家的動機，為我們進一步做好游戲開發和設計工作提供了很好的參考資料。同時這種研究方法對我們的研究工作也具有重要的指導意義。
作者：Nick Yee
參見 http://www.nickyee.com/daedalus/motivations.pdf
前言
如果問MMORPG玩家他們為什么玩游戲，會發現答案是如此之多。確實，這種動機的多樣性證明了為什么MMORPG有如此大的魅力---因為它們能吸引各種不同動機的玩家。
“經過幾周的體驗后，我發現自己對游戲中人們之間的交往很感興趣，這確實是太吸引人了！！！我能夠沉浸在游戲里，與其他人息息相關，或者只是聽人‘閑聊’，這一切都很有誘惑。”[DAoC, F, 34]
“我和丈夫一起玩MMORPG，把它當作一種娛樂之源。它總體上是一種廉價的娛樂形式，你可以與其它玩家一起消磨大量時間。隨著游戲的進展，你會發現交流的渠道越來越多。”[DAoC, F, 31]
“我喜歡整體上進步、發展的東西…作為玩家變得越來越好，解決那些以前使我一籌莫展的問題。”[EQ, M, 48]
“游戲里沒有人抱怨工作或其他瑣碎的事情。游戲是一個美妙的減壓器。我喜歡在一段時間里變成另外一個人的感覺。”[SWG, M, 28]
“現在，我正試圖在虛擬世界的經濟中建立一個公司。主要是想了解一下，現實中的社會理論在虛擬經濟中如何運作。”[EVE Online, M, 30]
整合和建立一個這些潛在動機的實證模型，將為其他方面的研究提供重要的基礎。首先，它開辟了研究不同玩家的途徑，例如探討老年玩家和年輕玩家有什么差異。第二、玩家動機模型提供了研究游戲內表現和行為的工具。例如，哪些玩家更可能成為公會領導者，或者是哪類玩家更可能出現游戲成癮？
巴圖的玩家類型理論
巴圖（Bartle)的玩家分類(http://www.mud.co.uk/richard/hcds.htm)是一個著名的玩家動機模型。在那篇文章中，巴圖（Bartle)分析玩家間的區別，按照兩個內在維度提出了玩家的4種類型（社交型、成就型、殺手型和探索型）。最近，巴圖（Bartle)進一步把他的模型擴展到8種分類（見Designing Virtual Worlds ，巴圖, 2004)。
巴圖（Bartle)理論盡管有重要的價值，但也存在許多不足。
1)每個類型假定的成分間可能并不相關。例如，巴圖（Bartle)假定角色扮演和社交性都屬于同一類型，但它們可能沒有高度的相關。
2) 假定的類型間可能相互重疊。例如，raid型公會的成員是否可能同時是成就型和社交型玩家？但在巴圖（Bartle)的分類中兩者處于模型上相反的位置。
3)純理論的模型沒能提供途徑，測量玩家是哪種類型。更重要的是，假如沒有解決1)中的問題，任何依據該模型的測量都更可能是造出玩家類型而不是測量它們。
關鍵問題是，除非得到實證數據的支持和證實，否則很難用巴圖（Bartle)模型進行實際研究。例如，巴圖（Bartle)提出不同玩家類型間以某種方式相互影響。但除非我們能測量和確認玩家的不同類型，否則很難將巴圖（Bartle)的理論模型運用到實際中。盡管確實存在“巴圖（Bartle)測試”（不是巴圖本人開發的），但那種測量工具的兩分法和強迫性選擇，只是先定假設了巴圖（Bartle)玩家類型的存在，而不是去驗證它們。在本文中，我提出了驗證巴圖（Bartle)模型的一種途徑，研究結果與巴圖（Bartle)假設的類型既有符合之處、也有存在差異的地方。
因素分析（Factor Analytic）方法
在過去幾年里，通過經驗主義方法，我使用迭代程序（iterative process）來驗證、擴展和改進玩家動機模型。首先，從現有文獻（例如巴圖的分類理論）或早期的開放性調查中，收集了人們玩MMORPG的可能動機：
http://www.nickyee.com/everquest/mgame.html
http://www.nickyee.com/daedalus/archives/000777.php
然后把這些動機轉換成調查問題，例如：
盡可能快地升級對你來說很重要嗎？
? 一點也不重要
? 有點重要
? 一般重要
? 很重要
? 極為重要
在本文的最后，提供了調查所用的全部問題，以及測量工具的相關信息。
通過網上調查，玩家在線對每個陳述進行評定。現在這批數據，包括了3200名作答者對39個項目的評定。隨后對這些數據進行了因素分析，把那些陳述分離成獨立的因素，因素內的題項盡可能的高相關，而因素間則盡可能不相關。這種方法達到了3個目的：
1)保證每個動機內的成分間是相關的
2)保證不同的動機是相互區別的
3)提供測量這些動機的工具
我希望強調目前這種工作的迭代式本質。開放性調查和頭腦風暴提供了研究的線索，通過因素分析來驗證，此時再通過開放性調查來進一步探索因素分析所確認的因素。玩家的作答使我們能探索他們玩游戲的動機，我還收集了玩家的言論來做進一步的探究。
從現在的數據中，分析出了10個因素，它們又能進一步被歸納成3個更高層次的因素。我們可以把這10個因素看作次級因素，也可以分別看作主因素。
通過主成分分析(principal components analysis)，對39個題項中的因素進行了聚類。特征值(eigenvalues)大于1的10個因素被抽取出來。這些因素共解釋了總變異的60%。下面的圖表顯示了所用題項的因素負荷量(factor loadings)：
在所有次級因素的分數上，我們都對3200名作答者進行了回歸分析(regression Method)。從而在10個次級因素的基礎上形成了另外的首要因素。因素負荷量大于1的3個主因素被抽取出來。這3個因素合在一起可以解釋總變異的54%。并且3個因素間很不相關(r’s ~ .10)。下面的表顯示了次級因素在3個主因素上的因素負荷量。
主因素&次級因素
這里給出了3個主因素以及它們的次級因素。
下文主要來說明次級因素上的高分數代表什么意思。而這些因素上的低分數也同樣具有啟迪作用。例如，在交際次因素上得分低的玩家，將會更喜歡那些不強迫人進行交流的游戲機制（像EQ中的人物屬性---綁定、心靈傳送、復活）。限于篇幅，對每個次級因素的“次要方面”這里就沒詳細討論。
成就因素：
取得進步：這個因素上得分高的玩家，滿足感來自于達成目標、快速升級以及收集游戲中像黃金這樣的資源。他們喜歡以游戲中的方式不斷進步和獲得力量---戰斗力、社會認可、或者金錢/制造業方面的優勢。這方面得分高的玩家，將會趨向于那些有助于他們進步的、嚴肅的、核心玩家組成的公會。
游戲機制：在游戲機制因素上得分高的玩家，滿足感來自于分析和理解系統內在的數值系統。例如，他們的興趣可能是計算裝備兩把單手武器與裝備一把雙手武器間傷害值的差別，或者是計算招架、未擊中和逃跑的幾率問題。他們理解游戲內在機制的目的，就是為了改進并優化角色，使之在某一領域出類拔萃。
競爭：在這個因素上得分高的玩家，喜歡在戰場或經濟上取得優勢，以及享受與其他人競爭的感覺。這既包括公平、有序的挑戰—像決斗或結構化的PvP/RvR，也包括了非暴力的競爭—像詭計或欺騙。這個因素上得分高的玩家，滿足于擁有擊敗或支配其他人的力量。
社交因素：
交際：這個因素上得分高的玩家，滿足感來自于遇到和認識其他玩家。他們喜歡與其他玩家閑聊，并且一般樂意幫助別人—無論對方是偶遇的玩家還是老朋友。這方面得分高的玩家，將會趨向于那些隨和、友好的公會。
關系：這個因素上得分高的玩家，尋求的是與其他人形成持久的、有意義的關系。他們不介意與其他人討論涉及現實生活的私人問題。他們需要的是親密的網上朋友，以在面對真實生活中的問題時獲得必要的支持。
團隊協作：這個因素上得分高的玩家，喜歡與其他人共事與合作。他們樂于組隊而不是單闖，并且從集體成就中比從個人成就中得到更多的滿足。這個因素上得分低的玩家，會傾向于作獨行俠，并且認為自給自足、不依賴其他人是至關重要的。他們只是在萬不得已的時候才會組隊。
代入感因素：
探索：這個因素上得分高的玩家，喜歡探索游戲世界，發現那些其他人可能不了解的區域、任務或物品。他們樂于奔波，但只是為了去觀光世界的不同部分，和探索自然區域（像地牢和洞穴）。他們喜歡收集稀有的信息、物品或瑣碎的東西。
角色扮演：這個因素上得分高的玩家，喜歡通過游戲中人物的視角來沉浸于其中的故事。這些玩家傾向于閱讀游戲世界的背景故事，以及為他們的人物編寫歷史和故事。同時，他們喜歡人物的角色扮演，以把自己的人物整合進游戲世界的故事里。
個性化：這個因素上得分高的玩家，喜歡個性化他們人物的外表。使自己的人物有獨特的風格或外觀對他們來說很重要。他們希望游戲提供個性化方面的多項選擇，并努力使自己的人物具有一致的色彩配置和風格。
逃避現實：這個因素上得分高的玩家，把虛擬環境當作放松和釋放壓力的地方。這些人把玩游戲當作一種途徑，來避免想起真實的煩惱，或者大體上當作逃避現實生活的工具。
對巴圖分類的修訂
通過因素分析得出的因素不是玩家類型。我們不是造出了10個箱子，然后把玩家向里放，而是揭示了共存的10個因素，來共同解釋玩家的動機。巴圖（Bartle)假設內在的動機是相互“排斥”的。換句話說，你越是一個成就型玩家，就越不可能是一個社交型、探索型和殺手型玩家，但是，僅僅因為喜歡冰激凌并不意味著你就會恨通心粉。對動機兩極化的假設，也沒有得到對目前數據相關分析的支持。成就因素并不像巴圖（Bartle)假設的那樣與社交因素負相關。事實上，兩者是略微正相關(r = .10, p < .001)。在文章的后面，對類型vs因素的差異有更詳細的解釋。
經過因素分析，也發現了當前數據與巴圖（Bartle)理論幾點顯著的不同之處：
1) 交際和角色扮演：巴圖（Bartle)提出，喜歡聊天和交朋友的玩家也同時是喜歡角色扮演的玩家。而它們實際上是兩個獨立的因素。
2) 成就和競爭：巴圖（Bartle)假設成就型和破壞型是兩個獨立的類型，而它們實際上是顯著相關的。取得進步和競爭兩個因素的相關是：r = .41, p < .001。
3) 探索型：巴圖（Bartle)認為探索型玩家既喜歡探索世界、收集信息，也喜歡探究游戲的內在機制和系統。而他們實際上是兩種不同的玩家。我早期嘗試尋找巴圖（Bartle)定義的探索型玩家但沒有成功，直到我把它們兩者作為獨立的類型。換句話說，探索性因素涉及的只是尋找和積累知識，與探索游戲機制是兩個不同的因素。
4) 代入感：這是一個巴圖（Bartle)類型中沒有出現的動機。代入感因素涉及的是故事線索、角色扮演、幻想、個性化和逃避現實，它獨立于社交動機。
在《設計虛擬世界》（2004）一書中，巴圖（Bartle)批評了早年基于因素分析建立的玩家動機模型。這里我列出這些批評，并給與一些回答。
1)調查所提出的動機類型在題項中有所暗示。盡管這是事實，但調查并沒有整體暗示出假設的一組評定，并且調查更重要的目標——不是假定這些動機的存在，而是了解哪些相關的動機形成一個“因素”。例如，我們發現交際和角色扮演是獨立的結構。
2) 頭腦風暴產生的動機像頭腦風暴產生的玩家類型一樣都是主觀的。但兩者更重要的差別是，頭腦風暴產生的動機隨后通過實證研究來驗證。數據顯示了與巴圖（Bartle)最初類型的矛盾，證明玩家動機不能簡單地通過頭腦風暴來認識。它們必須通過數據調查來驗證。
3) 因素的命名并不是通過因素分析提供的。但玩家類型的名稱也同樣不是固有的。玩家類型的命名存在更為嚴重的問題，把一些毫不相關的動機放在一起命名。
4) 一些因素相互重疊，而另一些則不重疊。了解因素間關系的唯一途徑，是開發一種有效的測量方法，觀察各因素內在的相關。事實上，玩家類型也存在重疊，而直到我們找到測量那些動機的途徑之前，對這種重疊的認識都是不清晰的。而更重要的是，當前模型的3個主因素都是顯著不相關的(都大約是 r = .10)。
其它數據的分析
我們進行了一系列t檢驗，來分析玩家動機上的性別差異，同時對年齡、玩家動機和每周游戲時間進行了相關分析。
注：這里報告的所有性別差異都在p < .001水平上顯著。r是表示性別差異程度的指標（(t-test)，因此也大致表示了性別多大程度上能單獨解釋因素上的總體變異。效果大于.15的被突出顯示（字體加粗的數字，譯者注）。
因為標準分和差異程度（連續數據）可能沒有百分率（類別數據）直觀，這里也給出了這些數據的另一種形式。我們根據每個玩家的分數推斷出他們的“首要動機”。如果沒有很接近的次要動機（首要* .75 >次要），每個作答者都被賦予一個首要動機。按照這個標準，57%的玩家具有首要動機。這個標準可能并不嚴謹，但使我們能更直觀的理解這些數據。
首先來看一下主因素上的性別差異。總體來說，依據上述標準，43%的玩家沒有首要動機。在那些具有首要動機的玩家中，20%玩家的首要動機是成就感，20%玩家的首要動機是代入感，而17%玩家的首要動機是社交。使用百分率形式時，性別和年齡差異顯得更為顯著。
首要動機上的性別差異
男性 = 2769, 女性 = 430
（縱軸代表百分率，橫軸自左向右分別是成就因素、社交因素、代入感因素，黑色代表男性、淺色代表女性。譯者注）
我們根據次級因素分數推斷出玩家的首要次級動機，來看一下在次級因素上的性別差異情況。
次級因素上的性別差異
男性= 2769, 女性 = 430
（橫軸代表百分率，縱軸自上向下分別是取得進步、游戲機制、競爭、交際、關系、團隊、探索、角色扮演、個性化、逃避現實，黑色代表男性、淺色代表女性。譯者注）
男性玩家更多被成就動機驅動，而女性玩家更多被關系和個性化動機驅動。女性玩家和男性玩家都同樣被交際、團隊協作、探索、角色扮演和逃避現實因素所吸引。意外的是，關系因素上存在性別差異，但是交際因素上卻沒有性別差異，盡管這兩個因素可能像是高度相關的。換句話說，男性和女性都同樣對和人打交道感興趣，但是社交的目的卻不相同。
對男性玩家和女性玩家來說，年齡大的玩家與年齡小的玩家在成就因素上都有很大的不同。年齡小的玩家更著迷于取得進步、競爭和認識游戲內在機制。年齡大的玩家與年齡小的玩家在社交和代入感因素上沒有明顯的差異。
與每周游戲時間長短相關最大的因素，對男性玩家來說是取得進步和認識游戲機制，對女性玩家來說是形成親密關系。換句話說，男性玩家和女性玩家在游戲投入時間上的原因是不一樣的。男性投入很多時間是為了提升等級、獲得稀有裝備和了解游戲機制，而女性投入很多時間則是為了建立私人關系。
為了研究影響每周游戲時間長短的因素，我們以性別、年齡和10個次級因素作為預測變量進行了多元回歸分析（multiple regression）。回歸模型在p < .001水平上顯著，校正后的R值是.06（回歸模型不是很理想，預測性較弱）。最好的預測指標是取得進步的動機(Beta = .13, p < .001)，隨后是形成關系的動機(Beta = .10, p < .001)。盡管如此，沒有任何一個因素能非常好的預測每周游戲時間。
我們以性別、年齡和10個次級因素作為預測變量進行多元回歸分析，來研究游戲成癮的最大影響因素。通過使用下面的題目，我們還開發了一份測量游戲成癮的量表（基于結構--特定（construct-specific）反應選擇的5點量表）。這些參考了Ian Danforth的工作，從心理承諾方面的研究中抽取題目形成了游戲成癮的量表。(http://iandanforth.net/pdfs/addiction.pdf)
* 你是否認為自己的游戲時間過多，超過了適宜的范圍？
* 你很難控制自己的游戲時間嗎？
* 如果服務器意外關閉，你會煩躁不安嗎？
* 你的朋友和家人經常抱怨你玩游戲的行為嗎？
* 玩游戲影響了你的工作/學習嗎？
* 你在生活中的幸福感多大程度上來自于玩游戲？
* 玩游戲影響了你的人際關系嗎？
通過主成分分析（principal components analysis），得出了特征值（eigenvalue）大于1的一個因素，可以解釋總變異的47%。所有項目在這個因素上的負荷量都介于.52和.79。多重回歸在p < .001水平顯著，校正后的R值是.33（表明模型的預測力較好）。游戲成癮的最佳預測指標是逃避現實的因素(Beta = .31, p < .001)，其次是每周游戲時間(Beta = .27, p < .001)，再次是取得進步的因素(Beta = .18, p < .001)。
這個多重回歸的結果是很有趣的，它表明逃避現實因素才是游戲成癮的最佳預測指標。換句話說，只有那些把網絡游戲作為逃避現實手段的玩家，才最可能導致游戲成癮。這與以前的看法是相反的，大家以前認為游戲本身與生俱來就有讓人上癮的成分。當然，取得進步的因素也是一個較強的預測指標，但是比逃避現實因素要弱的多。數據顯示，游戲成癮的首要原因是現實生活中已存在的問題，而不是網絡游戲本身，與玩家的現身情態相比，游戲機制（常常被認為極具上癮性）只是一個較弱的預測因素。
玩家也回答了以下題目（是/不是）：
? -連續投身于raid至少8小時
? -曾使用第三方的宏或插件
? -購買過虛擬物品/游戲幣
? -游戲中投入的曾經主要是相反性別的角色
我們進行了一系列的多因素回歸分析（logistic regressions），來看10個次級因素和性別、年齡中，哪些是以上4個題項的較好預測指標。
“8小時raids”的最佳預測指標是關系因素(B = .66, p < .001)，其次是團隊協作因素(B = .39, p < .001)。盡管這看起來可能和直覺相悖，但確實顯示了對持久關系感興趣的玩家，也傾向于長時間的raid。而事實上，女性玩家比男性玩家更可能會有8小時的raid(35% vs. 26%)。
是否使用過“第三方工具”的最佳預測指標是競爭因素(B = .28, p < .001)，其次是探索游戲機制因素(B = .22, p < .001)。換句話說，玩家通過使用宏或插件，在競爭中取得的優勢和“最優化”他們的人物。
“購買虛擬道具”的最佳預測指標是年齡因素(B = .32, p < .001)，其次是關系因素(B = .28, p < .001)。年齡成為顯著的預測值是與可支配收入有關的，但對于為什么關系也是一個較好的預測值卻找不到較好的解釋。
“性別偏移”的最佳預測指標是角色扮演因素(B = .26, p < .001)，其次是個性化因素(B = .24, p < .001)。
類型vs.因素
本文中的因素和巴圖（Bartle)的類型理論是兩種不同的類別（例如，交際和角色扮演是沒有高相關的），我想進一步指出兩種玩家動機理論內在本質上的不同。下面來詳細說明一下兩者的區別。
玩家并不符合類型理論
只有樣本群呈現出高成就者和低成就者兩類人的雙峰分布（bi-modal distribution），我們才可能定義出一種類型叫作成就型玩家。下面的圖表展示了一種假設的雙峰分布。
問題是，雙峰分布很少出現在人格、態度和能力的測量中。幾乎所有的心理測量都服從于正態分布（normal distribution）（鐘形曲線）。例如，下面是3200個被試成就因素得分的柱狀圖。換句話說，大部分人的分數都在平均分附近，只有個別人的分數在正態圖的兩端。只有在樣本分布有明顯差異時，我們才能把人群劃分出類型。而玩家動機顯然沒有這種明顯的差別。
巴圖（Bartle)模型沒有明確提出成就軸，但是他模型中的兩個內在坐標軸也存在同樣的問題。只有大部分人都不落在原點時，他模型的四個象限才有意義。巴圖（Bartle)模型是一個分類模型。每一個玩家都是四個象限中的一個。因素模型是一個測量學模型。每一個玩家在所有因素上都有一個得分。
動機不互相排斥
巴圖（Bartle)提出玩家具有首要動機，并且明確的是四種類別中的一種。他模型中的兩個內在軸，表明一個成就型玩家不會同時也是社交型玩家。更重要的是，這表明他認為動機是相互排斥的。你越是一個成就型玩家，你就越不可能是社交型（探索型/殺手型）玩家。
如果確實是這樣的話，那么3個主要因素（成就、社交和代入）應該是高度負相關的。換句話說，假如你的成就因素得分高，那么你的社交因素（和代入因素）得分就會低。但事實上不是這樣的。實際上3個主因素是非常不相關的(r’s ~ .10)。下面關于成就因素和社交因素的散點圖表明，動機之間是相互獨立而不是相互關聯的。成就因素分數和社交因素分數毫不相關。
（橫軸代表社交因素，縱軸代表成就因素，散點圖表明兩者不相關。譯者注）
因素理論是構形的
（構形，Configural，即一個現象是通過它與另一個現象的關系來加以理解的，通過“眾”去理解“一”，譯者注）
巴圖（Bartle)的動機類型理論把你放進4個箱子中的一個，并且認為其他的3個箱子與你沒有任何關系。而動機的因素模型看法則相反。你在所有因素上的得分都是有關聯的。成就動機高而社交動機低（獨行俠)的玩家，與成就動機和社交動機都很高的玩家(raid 公會的官員)是很不同的類型，而你對他們的得分情況知道得越多，也就越能了解他們在游戲中的表現。
更重要的是，因素模型理論下低分和高分都同樣揭示了重要的信息。如果你在社交上得分低，我們并不能就簡單的排除社交因素，說它與你無關。你在社交上的低分，表明你不喜歡那類強迫玩家相互交往的游戲（例如EQ定身、傳送、治療中的被支配者）。換句話說，低分具有和高分同樣的啟迪作用。
關鍵的一點是，因素是構形的。人們無法掉進過分單純化的類型里。高成就動機同樣的得分下有各種不同類型的人，了解他們其他因素上的得分是很有意義的。巴圖（Bartle)模型中，所有的成就型玩家都是同質的。事實上，正是這種缺陷導致巴圖（Bartle)在最近的書中不得不劃分出另外4種額外的類型（一共有8種類型），以來涵蓋同一類型下的差別。但是，進一步的細分并沒有解決問題。
玩家從來不是簡單的一種類型。解決問題的方式不是進一步細分，而是要認識到玩家并不符合那些類型。動機是構形的。如果在現實生活中，我能同時喜歡冰激凌和法國洋蔥湯，那么在MMORPG中我為什么不能同時是成就型和社交型玩家呢？假如依據單獨一方面的表現對玩家進行定義和劃分，我們就永遠無法徹底了解他們。玩家是多面的，多數玩家會同時喜歡和不喜歡很多東西。類型理論的核心問題，是假定玩家只能同時喜歡一種東西。
概要
關于本文的翻譯：因為時間所限，此次只是翻譯了本文的研究數據和結論部分，占全文的17/46。后面的內容主要是研究者進行的玩家訪談（21/46），通過各個游戲里玩家的言論來具體說明上述動機的表現形式。另外，還包括了對研究所用測量方法的說明，以及附錄的研究量表。文章研究中所用的玩家問卷，這里原文附錄在后面。
研究中所用的問卷
