Auf dem Weg zur automatischen Erkennung und Beschreibung von Spiel-Design-Elementen in Brettspielanleitungen

Alexander Schneider

Zusammenfassung—Im Rahmen des Forschungsprojektes EMPAMOS wird empirisch die Verwendung von Spiel-Design-Elementen in Gesellschaftsspielen erforscht. Es wird hier der Stand eines Teilprojektes vorgestellt, das auf Ebene natürlichsprachlicher Datenverarbeitung den Aufbau von Spiel-Design-Elementen analysiert und in Kooperation mit der Cognitive-Systems-Gruppe der Universität Bamberg durch­geführt wird. Ziel ist es, eine formale Beschreibung von Spiel-Design-Elementen zu erhalten, die als Basis einer Mustersprache für Spiel-Design-Elemente auf rein empirisch erhobenen Daten dient. Als Zwischenergebnisse wurden Neuronale Netze darauf trainiert, typische Spielentitäten zu erkennen, und annotierte Datensätze mit bereits bekannten Spiel-Design-Elementen angelegt.

Keywords—Gesellschaftsspiele, Named Entity Recognition, Spiel-Design-Elemente, Natural Language Processing, Mustererkennung

I.     Einleitung

Die Entwicklung von neuen Spielen ist eine Aufgabe, deren Erfolg in hohem Maße von Intuition und Erfahrung abhängt. Eine Methode zur Ideenfindung, die  von Fullerton1 empfohlen wird, ist die Analyse bestehender Spiele, um deren formale Elemente zu dekonstruieren. Die Analyse digitaler Spiele kann jedoch mühsam sein, da ihnen in der Regel keine Beschreibung der Spielmechanik beiliegt. Daher erschließt sich ihr Spieldesign nur durch das Spielen selbst und wesentliche Design-Aspekte bleiben im oft proprietären Software-Code verborgen.

Bei Brettspielen hingegen müssen schon vor Spielbeginn die Spielanleitung gelesen und die Regeln des Spiels verinnerlicht werden, um es überhaupt spielen zu können. Was bei jedem Spieleabend eine unliebsame Aufgabe ist, macht gerade Brettspiele zu einem interessanten und lohnenden Forschungsgegenstand: Durch das Lesen der Spielanleitung kann ihr Spielkonzept nahezu vollständig verstanden und nachvollzogen werden2.

Diese Erkenntnis war der Ausgangspunkt für das Forschungsprojekt EMPAMOS3, das die TH Nürnberg seit 2017 in Zusammenarbeit mit dem Deutschen Spielearchiv Nürnberg4 durchführt. Dieses Archiv ist mit über 30.000 Gesellschaftsspielen die weltweit größte Sammlung ihrer Art und dokumentiert die Entwicklung dieser Spiele in Deutschland von 1945 bis heute. Ziel des Projekts EMPAMOS ist es, Brettspiele mit Hilfe qualitativer und quantitativer Forschungsmethoden zu analysieren, um die motivierenden Elemente der Spielgestaltung und deren häufigsten Kombinationen zu ermitteln.

In der ersten Phase wurden ausgewählte Brettspiele gespielt und auf die verwendeten Spiel-Design-Elemente  hin untersucht. Diese Spiel-Design-Elemente wurden als bewährte Lösungen für wiederkehrende Entwurfsprobleme auf Grundlage der Mustertheorie von Alexander et al.5 und der Vorarbeiten von Björk und Holopainen6 als Game Design Patterns beschrieben.

In der zweiten Phase werden Suchmaschinentechnologien und maschinelle Lernverfahren zur Textanalyse eingesetzt, um die Relevanz und Häufigkeit der Verwendung einzelner Spiel-Design-Elemente empirisch zu untersuchen7.

Im dritten Schritt werden die Spiel-Design-Elemente und ihre häufigsten Kombinationen in einer Mustersprache zusammengefasst, die gewissermaßen die gemeinsame DNA von Brettspielen darstellt. Bis heute wurden ca. 8.300 Spiele digitalisiert und darin über 48.000 empirische Belege für die Verwendung von rund 100 Spiel-Design-Elementen gefunden. Zudem wurden mehr als 1.800 spezifische Elementkombinationen identifiziert und beschrieben.

II.    Problemstellung

Für Menschen mit persönlicher Erfahrung in einer Fachdomäne ist es leicht, wiederkehrende Muster, wie z. B. Spiel-Design-Elemente in den Anleitungen der Spiele, zu erkennen. Die manuelle Suche nach Evidenzen, die die Hypothese für ein neues Spiel-Design-Muster untermauern, ist zeitaufwändig und bei einem Datenbestand von über 30.000 Spielanleitungen nicht vollständig durchführbar. Es kommen jedes Jahr neue Spiele auf den Markt, in denen bekannte oder auch neue Spiel-Design-Elemente verborgen sein können. Der Suchraum vergrößert sich ständig.

Die bereits ermittelten Elementkombinationen basieren auf der Auswertung der manuell ermittelten Spiel-Design-Elemente und der Spiele, in denen sie gefunden wurden.  Auf Grundlage dieser Basis wurde für jedes bekannte Spiel-Design-Element ein Klassifikationsmodell erstellt, das in der Lage ist zu bestimmen, ob eine Spielanleitung das Element enthält7. Werden alle auftretenden Kombinationen von Spielelementen in Gesellschaftsspielen statistisch betrachtet, treten Korrelation von Elementen auf, die sehr häufig verwendet werden und auch typisch für bestimmte Genres von Spielen sind. Nach aktuellem Forschungsstand im EMPAMOS-Projekt ist es nicht möglich, automatisch zu bestimmen, wie zwei Spiel-Design-Elemente in einem konkreten Spiel semantisch aufeinander bezogen sind. Sie können entweder direkt miteinander gekoppelt sein oder in unterschiedlichen Phasen des Spiels unabhängig voneinander verwendet werden. Es kann z. B. noch nicht automatisch unterschieden werden, ob der in der Spielanleitung erkannte Zufall nur enthalten ist, um die Person zu bestimmen, die das Spiel beginnt, oder ob der Zufall dazu dient, in jeder Runde verfügbare Ressourcen zufällig zu verteilen.

III.  Arbeitshypothese

Den auftretenden Problemen ist gemein, dass eine formale Beschreibung von Spiel-Design-Elementen in allen Fällen Abhilfe schafft. So hilft es den Fachleuten, wenn sie sich auf ein gemeinsames Vokabular verständigen, das die gesuchten Elemente konkret und eindeutig beschreibt. Ebenso hilft es auf technischer Ebene, da nun automatisch die Textstellen erkannt werden können, die Beschreibungen dieser Spiel-Design-Elemente enthalten.

Für die Suche nach Spiel-Design-Elementen wird zusätzlich angenommen, dass diese durch die in den Spielen verwendeten Entitäten ausgedrückt werden können, um sie von anderen Textstellen wie z. B. Danksagungen, Hintergrundgeschichten usw. abgrenzen zu können. In Abbildung 1 ist ein Beispiel aus dem Spiel Die Dracheninsel dargestellt, in dem exemplarisch für ein Brettspiel die spielrelevanten Entitäten und Aktionen markiert wurden.

Abbildung 1: Beziehungen zwischen Entitäten in Sätzen.

Es wird als Arbeitshypothese angenommen, dass jedes Spiel-Design-Element durch einen abstrakten Satz von Aktionen und Beziehungen zwischen Objekten beschrieben werden kann. Lassen sich diese Aktionen und Beziehungen identifizieren, bilden sie die Basis einer formalen Beschreibungssprache für Spiel-Design-Elemente.

IV.   Vorverarbeitungsphase

Es wurden aus dem gesamten Datenbestand 42 Spielanleitungen von Spielen ausgewählt, die bis einschließlich 2020 den Kritikerpreis Spiel des Jahres gewonnen haben. Die Auswahl wurde getroffen, um ein möglichst weit gestreutes Spektrum an möglichen Spiel-Design-Elementen in den Spielanleitungen zu gewährleisten. Alle Spielanleitungen wurden mittels automatisierter Texterkennung (OCR) in Text umgewandelt und im Anschluss manuell lektoriert.

A.    Annotation: Named Entities

Es wurden 9 typische Entitäten eines Gesellschaftsspiels, ohne Anspruch auf Vollständigkeit, ausgewählt, die für die manuelle Annotation der Spielanleitungen verwendet wurden.

  • Spielbrett (BOARD)
  • Feld/Bereich auf dem Spielbrett (FIELD)
  • Karte (CARD)
  • Kachel (TILE)
  • Spielstein (TOKEN)
  • Würfel (DICE)
  • Spielschachtel (BOX)
  • Spielanleitung (INSTRUCTION)
  • Spielende/Agierende Person (PLAYER)

Die Textstellen, die den Entitäten in den Spielanleitungen entsprechen, wurden mit Hilfe der Inception-Plattform8 in den Anleitungen annotiert.

10964Annotierte Entitäten
7042Sätze insgesamt
4928Sätze, die Entitäten enthalten
Tabelle 1: Anzahl annotierter Named Entities im Referenzdatensatz aus 42 Spielanleitungen.

 

Für die Überprüfung der Arbeitshypothese werden nur manuell annotierte Daten verwendet. Anschließend wurde ein Neuronales Netz darauf trainiert, die Entitäten automatisch zu erkennen. Mit dessen Hilfe ist es nun möglich, in der gesamten Sammlung der ca. 8.300 Spielanleitungen Entitäten automatisch annotieren zu lassen.

B.    Annotation: Spiel-Design-Elemente

Für den Proof of Concept wurden 36 Spiel-Design-Elemente aus dem EMPAMOS-Projekt ausgewählt, für die bereits ein hinreichend guter Konsens unter den Spielefachleuten vorhanden war und für die eine ausreichend große Zahl an ermittelten Spielen als Evidenzen zur Verfügung stand.

Abbildung 2 Annotationen von Spiel-Design-Element in Spielanleitung.

Die Texte der 42 ausgewählten Spielanleitungen wurden manuell mit den Spiel-Design-Elementen annotiert, die darin beschrieben werden. Es kam auch hier die Inception-Plattform zum Einsatz. In Abbildung 2 ist exemplarisch die Annotation von Spiel-Design-Elementen im Spiel Alhambra dargestellt, mit Beispielen für die Elemente Ereignis, Zug um Zug und Gewinnpunkte.

Nach Abschluss dieser Vorverarbeitung stehen Referenzdatensätze mit Textstellen zur Verfügung, die jeweils ein oder mehrere Spiel-Design-Elemente repräsentieren.

C.    Information Extraction

In dieser Phase der Vorverarbeitung werden linguistische Merkmale der Texte mit spaCy9 bestimmt. Um die Beziehungen zu bestimmen, wie sie in Abbildung 1 dargestellt sind, werden die Merkmale Part of Speech (POS) und Dependency Relation (DEP) extrahiert.

Abbildung 3: Beispiel linguistische Merkmale DEP und POS

In Abbildung 3 ist das Ergebnis der Verarbeitung am Beispiel des Verbs (POS) „erhält“ mit dem damit referenzierten Subjekt (DEP) „Spieler“ und dem Objekt (DEP) „Schätzjäger“ zu erkennen. Zur Extraktion der Relationen wird ein Satz von Regeln aufgestellt, der unterschiedliche Fälle der Grammatik und Satzkonstruktionen berücksichtigt, analog dem Vorgehen von Hearst10. Zur Formulierung der Regeln werden Semgrex11 verwendet, die auf dem DEP-Baum arbeiten.

Extrahiert werden Informationen ausgehend vom Verb als Startpunkt. Kombiniert mit Informationen zu den Entitäten (siehe Annotation: Named Entities), die im Satz enthalten sind, entstehen Tupel, die eine abstrakte Sicht auf die Semantik des Satzes erlauben. Aus dem Beispiel aus Abbildung 1 lassen sich damit folgende Tupel mit Informationen ableiten, wenn die Verben auf die Grundform gebracht werden:

  • PLAYER „erhalten“ FIGURE
  • PLAYER „stellen“ FIGURE

Probleme treten aktuell noch bei der Erkennung von Referenzen wie z.B. Pronomen auf, die für die deutsche Sprache von spaCy in der aktuell vorliegenden Version noch nicht automatisch aufgelöst werden. An einer Lösung wird jedoch gearbeitet (NeuralCoref 4.0, 2017/2021).

V.    Auswertungsphase

Die Auswertungsphase ist aktuell in Bearbeitung und es wird versucht, damit die Arbeitshypothese zu beweisen.

Basierend auf der Annahme, dass die annotierten Textstellen die Spiel-Design-Elemente beschreiben, sollten sich für diese Elemente charakteristische Merkmale erkennen lassen. Z. B., dass es immer um ein „Bewegen“ oder „Stehlen“ geht, bzw. den Gebrauch bestimmter Materialien ein- oder ausschließen.

Der letzte Schritt ist die Überführung der Ergebnisse in ein formales Regelsystem, wie es z. B. auch als Basis für ein medizinisches Entscheidungssystem mit verbaler Erklärungskomponente zur Tumorerkennung verwendet wird12.

VI.   Ausblick

Das angestrebte formale Regelsystem kann genutzt werden, Spiel-Design-Elemente zu

  • definieren: Bestehende Elemente dokumentieren und Hypothesen für neue Elemente erstellen.
  • überprüfen: Die Existenz von Spiel-Design-Elementen in Texten nachweisen.

Dies eröffnet neue Möglichkeiten, bekannte Elemente zu bestätigen und semantisch zu überarbeiten. Es ersetzt die manuelle Suche nach Evidenzen von Fachleuten durch eine automatisierte Suche auf Basis von abstrakten Regeln anstelle von Textbausteinen und kann genutzt werden, nach bislang unbekannten Elementen zu suchen. Hierzu kann der gesamte Datenbestand an Spielanleitungen nach auffälligen Mustern in Form abstrakter Regeln gesucht werden. Geplant sind ebenso Analysen, um die Vielfalt unterschiedlicher Materialien zu identifizieren, mit denen die Spiel-Design-Elemente in den Spielen umgesetzt wurden.

Bibliografie:

Alexander / Ishikawa / Silverstein 1977: Christopher Alexander / Sara Ishikawa / Murray Silverstein, A pattern language: Towns, buildings, construction, Oxford 1977.

Bruckert / Finzel / Schmid 2020:  Sebastian Bruckert / Bettina Finzel / Ute Schmid, The Next Generation of Medical Decision Support: A Roadmap Toward Transparent Expert Companions, in: Frontiers in Artificial Intelligence, 3 (2020), S. 507973, URL: https://doi.org/10.3389/frai.2020.507973 [abgerufem am 16.10.2021].

Bjork / Holopainen 2005: Staffan Bjork / Jussi Holopainen, Patterns in game design, Boston 2005.

Chambers [u. a.] 2007: Nathanael Chambers [u.a.], Learning alignments and leveraging natural logic, in: S. Sekine [u. a.] (Hrsg.), Proceedings of the ACL-PASCAL workshop on textual entailment and paraphrasing (Prag 2007), S. 165–170, URL: https://aclanthology.org/W07-1427 [abgerufen am: 16.10.2021].

Fullerton 2014:  Tracy Fullerton, Game design workshop: A playcentric approach to creating innovative games, Boca Raton 2014.

Hearst 1992: Marti A. Hearst, Automatic acquisition of hyponyms from large text corpora, in: COLING 1992 volume 2: The 14th International Conference on Computational Linguistics, S. 539-545, URL: https://aclanthology.org/C92-2082 [abgerufen am: 16.10.2021].

Honnibal [u. a.] 2020: Matthew Honnibal [u. a.], spaCy: Industrial-strength natural language processing in python. Zenodo, URL: https://doi.org/10.5281/zenodo.1212303 [abgerufen am: 16.10.2021].

Klie [u.a.] 2018: Jan-Christoph Klie [u. a.], The INCEpTION Platform: Machine-Assisted and Knowledge-Oriented Interactive Annotation, in: Dongyan Zhao (Hrsg.), Proceedings of the 27th International Conference on Computational Linguistics: System Demonstrations (Santa Fe 2018), S. 5–9, URL: http://tubiblio.ulb.tu-darmstadt.de/106270/ [abgerufen am: 16.10.2021].

NeuralCoref 4.0 2021: Coreference Resolution in spaCy with Neural Networks. [C]. Hugging Face, URL: https://github.com/huggingface/neuralcoref [abgerufen am: 16.10.2021].

TH Nürnberg 2019: Empirische Analyse motivierender Spielelemente. EMPAMOS, URL: https://empamos.in.th-nuernberg.de [abgerufen am: 16.10.2021].

Voit / Schneider / Kriegbaum 2020: Thomas Voit / Alexander Schneider / Mathias Kriegbaum, Towards an Empirically Based Gamification Pattern Language using Machine Learning Techniques. 2020 IEEE 32nd Conference on Software Engineering Education and Training (CSEE&T), S. 1–4, URL: https://doi.org/10.1109/CSEET49119.2020.9206223 [abgerufen am: 16.10.2021].

Ludografie:

Alhambra: Dirk Henn, Alhambra, (Quen Games 2003).

Die Dracheninsel: Tom Schoeps, Die Dracheninsel, (Amigo 2002).

Zitierempfehlung: Alexander Schneider, Auf dem Weg zur automatischen Erkennung und Beschreibung von Spiel-Design-Elementen in Brettspielanleitungen, Boardgame Historian 2021, URL: bghistorian.hypotheses.org/1733

Alexander Schneider hat Informatik an der FH-Nürnberg und der FernUni-Hagen studiert. Er arbeitet an der TH-Nürnberg als Wissenschaftlicher Mitarbeiter und forscht empirisch nach Spiel-Design-Elementen in Brettspielen mit Hilfe von maschinellem Lernen und künstlicher Intelligenz im Rahmen seiner Promotion zusammen mit der Gruppe Kognitive Systeme der Universität Bamberg. 

  1. Fullerton 2014, S. 167. []
  2. Voit / Schneider / Kriegbaum 2020, S. 330. []
  3. TH Nürnberg 2019. []
  4. https://museen.nuernberg.de/spielearchiv/ [abgerufen am:16.10.2021]. []
  5. Alexander / Ishikawa / Silverstein 1977. []
  6. Björk / Holopainen 2005. []
  7. Voit / Schneider / Kriegbaum 2020, S. 331. [] []
  8. Klie [u. a.] 2018. []
  9. Honnibal [u. a.] 2020. []
  10. Hearst 1992. []
  11. Chambers [u. a.] 2007. []
  12. Bruckert / Finzel / Schmid 2020. []

Das könnte dich auch interessieren …

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search