วิธีออกแบบบอร์ดเกมเป็นระบบ ตามแนวทางจาก EMPAMOS Framework [Part1]
Reference: Voit, T., Mazarakis, A., & Bräuer, P. (2026). AI-driven game design: the EMPAMOS gamification framework. PeerJ Computer Science, 12, e3633. DOI: 10.7717/peerj-cs.3633

ทำไมต้องเป็นบอร์ดเกม?
Voit และทีมผู้วิจัยเลือกบอร์ดเกมเป็นแหล่งข้อมูลหลักด้วยเหตุผลสำคัญ 3 ประการ: 1) กฎมีความโปร่งใส บอร์ดเกมต้องเขียนกฎทุกอย่างลงในคู่มือ ต่างจากเกมดิจิทัลที่มีการตั้งค่าซอฟต์แวร์จัดการกฎแทนผู้เล่น ผลคือทำให้นักวิจัยสามารถอ่านและทำความเข้าใจกับตรรกะการออกแบบได้โดยตรง 2) มีความซับซ้อนสูง บอร์ดเกมสมัยใหม่มีกลไกที่ซับซ้อนและสร้างสรรค์มาก เหมาะสำหรับการศึกษาองค์ประกอบการออกแบบ 3) เป็นแรงบันดาลใจให้ Gamification โดยงานวิจัยหลายชิ้นแสดงให้เห็นว่าบอร์ดเกมสามารถเป็นแรงบันดาลใจสำหรับการออกแบบ Gamification ที่มีคุณภาพได้

EMPAMOS สร้างขึ้นจากกระบวนการวิจัยที่เป็นระบบ แบ่งเป็น 2 Phase 4 ขั้นตอน

Phase 1: การค้นหาองค์ประกอบของเกม (Game Design Elements)
ระยะแรกของงานวิจัยมีเป้าหมายเพื่อพัฒนา “องค์ประกอบของการออกแบบเกม” (game design elements) ที่ได้รับการตรวจสอบและยืนยันด้วยหลักฐานเชิงประจักษ์ โดยในขั้นแรก องค์ประกอบเหล่านี้ถูกพัฒนาขึ้นในลักษณะของ “สมมติฐาน” (hypotheses) ผ่านการวิเคราะห์เชิงสำรวจจากเกมจำนวน 981 เกม หลังจากนั้น สมมติฐานเหล่านี้จึงถูกนำไปตรวจสอบเพิ่มเติมในเกมประมาณ 8,300 เกมที่มีการใช้องค์ประกอบดังกล่าว หากกระบวนการวิเคราะห์เชิงข้อมูลนี้ประสบความสำเร็จ องค์ประกอบที่เคยเป็นเพียงสมมติฐานจะได้รับการยืนยันและถูกรวมเข้าสู่คลังองค์ประกอบเกมที่ผ่านการตรวจสอบเชิงประจักษ์แล้ว

ขั้นที่ 1: การระบุองค์ประกอบของเกม

ในการระบุองค์ประกอบของเกม มีประเด็นเชิงระเบียบวิธีที่สำคัญสองประการที่ต้องพิจารณา ประการแรก คือจะเลือกเกมประเภทใดมาใช้เป็นฐานในการวิเคราะห์องค์ประกอบของเกม และประการที่สอง คือจะใช้วิธีใดในการสกัดองค์ประกอบเหล่านั้นออกมาจากเกม สำหรับคำถามแรก ผู้วิจัยอธิบายว่า องค์ประกอบของเกมสามารถศึกษาจากทั้งเกมอนาล็อกและเกมดิจิทัลได้ อย่างไรก็ตาม การวิเคราะห์เกมดิจิทัลมีความซับซ้อนสูง เนื่องจากธรรมชาติของเกมดิจิทัลทำให้ยากต่อการมองเห็นโครงสร้างการออกแบบเกมที่แท้จริงผ่านการเล่นเพียงอย่างเดียว โดยเฉพาะอย่างยิ่งกฎและระบบต่าง ๆ มักถูกซ่อนอยู่ภายในซอฟต์แวร์ ผู้เล่นจึงไม่จำเป็นต้องรับรู้รายละเอียดของกฎทั้งหมดอย่างชัดเจน ในทางตรงกันข้าม บอร์ดเกมกำหนดให้ผู้เล่นต้องอ่านและทำความเข้าใจกฎทั้งหมดด้วยตนเอง อีกทั้งบอร์ดเกมสมัยใหม่ยังมี mechanics ที่ซับซ้อนและสร้างสรรค์อย่างมาก สิ่งนี้ทำให้บอร์ดเกมกลายเป็นแหล่งข้อมูลที่มีคุณค่าอย่างยิ่งสำหรับการศึกษา game design elements โดยเฉพาะเพราะข้อความในคู่มือเกมสามารถถูกใช้เป็น “หลักฐานเชิงประจักษ์” ได้โดยตรง

สำหรับประเด็นที่สอง งานวิจัยนี้อ้างอิงแนวคิดของ Björk และ Holopainen ซึ่งเสนอว่าองค์ประกอบของเกมสามารถอธิบายในรูปแบบของ “patterns” หรือรูปแบบการออกแบบได้ อย่างไรก็ตาม ผู้วิจัยเลือกที่จะไม่ใช้วิธีสัมภาษณ์นักออกแบบเกม และไม่ใช้ game design elements ที่ถูกเสนอไว้ในวรรณกรรมก่อนหน้าโดยปราศจากหลักฐานเชิงประจักษ์ แต่มุ่งใช้วิธี exploratory pattern analysis หรือการวิเคราะห์เชิงสำรวจจากเกมจริงเท่านั้น

เพื่อรองรับกระบวนการนี้ ผู้วิจัยได้พัฒนา content management system ขึ้นโดยเฉพาะ ระบบดังกล่าวช่วยให้นักวิจัยสามารถบันทึกคำอธิบายของ game design elements เชื่อมโยง patterns เข้าหากัน และเชื่อมโยงเข้ากับหลักฐานเชิงประจักษ์จากคู่มือเกมได้โดยตรง อีกทั้งระบบยังให้ feedback เชิงปริมาณเกี่ยวกับความสมบูรณ์ของ pattern descriptions และสถานะของการอภิปรายในแต่ละ pattern แต่ละ pattern ในระบบจะประกอบด้วย

• ชื่อเฉพาะที่สั้นและชัดเจน
• คำอธิบายของ game design element
• ปัญหาด้าน motivation ที่ pattern นี้ช่วยแก้
• บริบทที่ปัญหาดังกล่าวอาจเกิดขึ้น
• วิธีการ implement หรือรูปแบบย่อยของการใช้งาน
• ปัญหาที่อาจเกิดตามมา
• ความสัมพันธ์กับ game design elements อื่น และหลักฐานเชิงประจักษ์จากเกมจริง

Phase 2 จาก “Game Design Elements” สู่ “Game Design Molecules”

หลังจากศึกษา Game design elements ต่าง ๆ แล้ว งานวิจัยจึงเข้าสู่ระยะที่สอง ซึ่งถือเป็นหัวใจสำคัญของ EMPAMOS Framework นั่นคือการศึกษา “ความสัมพันธ์” ระหว่างองค์ประกอบของเกม ผู้วิจัยเรียกการรวมตัวของ game design elements ตั้งแต่สององค์ประกอบขึ้นไปว่า “Game Design Molecules” หรือ “โมเลกุลของการออกแบบเกม” แนวคิดนี้ตั้งอยู่บนมุมมองเชิงระบบ (systemic perspective) ที่มองว่า เกมไม่ได้เป็นเพียงผลรวมของ mechanics หลาย ๆ ตัวเท่านั้น แต่สิ่งที่ทำให้เกมมีคุณสมบัติด้าน motivation คือ “ความสัมพันธ์” ระหว่างองค์ประกอบเหล่านั้น กล่าวอีกนัยหนึ่ง การมี points หรือ rewards เพียงอย่างเดียวไม่ได้ทำให้เกมสนุก แต่ความหมายของ points จะเปลี่ยนไปทันทีเมื่อมันเชื่อมโยงกับ competition, cooperation, storytelling หรือ progression systems ดังนั้น งานวิจัยจึงตั้งคำถามใหม่ว่า “game design elements ต่าง ๆ เชื่อมโยงกันอย่างไร?” และ “ความสัมพันธ์แบบใดทำให้เกิดระบบแรงจูงใจที่มีประสิทธิภาพ?”

ผู้วิจัยเสนอว่า การเชื่อมโยงระหว่างองค์ประกอบเกมสามารถอธิบายได้ผ่าน logic ของ “problem-solution relationship” กล่าวคือ game design element หนึ่งจะสร้าง “คำถามด้านการออกแบบ” ขึ้นมา และอีก element หนึ่งจะทำหน้าที่เป็น “คำตอบ” จากแนวคิดนี้ ผู้วิจัยจึงแบ่งความสัมพันธ์ระหว่าง game design elements ออกเป็น 3 ประเภทหลัก ได้แก่ part-whole relationships, if-then relationships และ specialization relationships

แบบแรกคือ Part-whole relationships ซึ่งเป็นความสัมพันธ์แบบ “ส่วนประกอบกับองค์รวม” ตัวอย่างเช่น หากเกมมี element “Collecting” คำถามที่ตามมาคือ “ผู้เล่นกำลังสะสมอะไร?” คำตอบอาจเป็น “Resources” หรือ “Victory Points” ดังนั้น elements เหล่านี้จึงกลายเป็นส่วนประกอบของ mechanic ใหญ่กว่าอย่าง Collecting ความสัมพันธ์ประเภทนี้มีลักษณะสำคัญคือ elements ต่าง ๆ มักเกิดขึ้นพร้อมกันในช่วงเวลาเดียวกันภายในเกม

แบบที่สองคือ If-then relationships ซึ่งเป็นความสัมพันธ์เชิงเหตุและผล ตัวอย่างเช่น หากผู้เล่นสะสม Resources ได้ครบตามเงื่อนไข ระบบอาจเปลี่ยน Resources เหล่านั้นเป็น Victory Points ในตอนจบเกม ความสัมพันธ์ลักษณะนี้จึงสะท้อนลำดับเหตุการณ์ที่เกิดขึ้นก่อนและหลัง

แบบสุดท้ายคือ Specialization relationships ซึ่งเป็นความสัมพันธ์ระหว่างแนวคิดทั่วไปกับรูปแบบเฉพาะ ตัวอย่างเช่น “Victory Points” อาจมีรูปแบบย่อยเป็น “Winning Points” หรือ “Losing Points” แม้ทั้งหมดจะเกี่ยวข้องกับระบบคะแนน แต่ในแต่ละรูปแบบมี logic ของชัยชนะและความพ่ายแพ้แตกต่างกัน หลังจากกำหนดประเภทของ relationships แล้ว ทีมวิจัยจึงเริ่มค้นหาหลักฐานเชิงประจักษ์ของความสัมพันธ์เหล่านี้ในฐานข้อมูลบอร์ดเกมทั้งหมด ผลลัพธ์คือการค้นพบ relationship hypotheses มากถึง 1,173 รูปแบบสำหรับ game design elements ทั้ง 97 ประเภท แบ่งออกเป็น 857 part-whole relationships 265 if-then relationships และ 51 specialization relationships งานวิจัยจึงไม่ได้สร้างเพียง “รายการ mechanics” แต่กำลังสร้าง “โครงสร้างความสัมพันธ์ของ motivation” ภายในเกมอย่างเป็นระบบ

ขั้นตอนที่ 4 ตรวจสอบด้วย Graph Mining และ Association Rules

แปลงข้อมูลเป็นกราฟ (ใช้โปรแกรม Gephi) เพื่อดูว่าองค์ประกอบใดมักปรากฏร่วมกันในเกมเดียวกัน ตัวอย่างเช่น ถ้าเกมมีระบบ Cooperation (ความร่วมมือ) มีโอกาส 52% ที่จะมี Joint Lose Condition (เงื่อนไขแพ้ร่วมกัน) ด้วย ตัวอย่างองค์ประกอบสำคัญจัดตามหมวดหมู่

หมวดหมู่และองค์ประกอบภายใต้หมวดหมู่นั้น

รางวัลและความก้าวหน้า: Reward, Badge, Victory Points, Winning/Losing Points, Player Progress Indicator,Leaderboard

การมีปฏิสัมพันธ์: Cooperation, Competition, Trade, Gifting, Vote

ความท้าทายและการตัดสินใจ: Question, Mission, Self-selected Goal, Riddle, Time Limit

ความไม่แน่นอน: Chance, Joker, Information Asymmetry, Predictions

โครงสร้างเกม: Game Phases, Turn by Turn, Simultaneous Move, Arrival

ตัวละครและโลกของเกม: Avatar, Character, Role, Storytelling, Game World

การสร้าง Knowledge Graph ของ Game Design

หลังจากผู้วิจัยสามารถค้นพบ game design elements และความสัมพันธ์ระหว่างองค์ประกอบต่าง ๆ ได้แล้ว ขั้นตอนถัดไปของงานวิจัยคือการเปลี่ยนข้อมูลทั้งหมดให้กลายเป็น “โครงสร้างความรู้” ที่สามารถนำไปวิเคราะห์ต่อได้ในระดับระบบ งานวิจัยจึงเริ่มพัฒนา knowledge graph สำหรับ game design โดยเฉพาะแนวคิดของ knowledge graph คือการแทนองค์ประกอบต่าง ๆ ในรูปของ “nodes” และใช้ “edges” หรือเส้นเชื่อมเพื่อแสดงความสัมพันธ์ระหว่างกัน ในกรณีของ EMPAMOS Framework nodes เหล่านี้อาจเป็นทั้งตัวเกม individual game design elements หรือแม้แต่หลักฐานเชิงข้อความจากคู่มือเกม ขณะที่ edges จะทำหน้าที่อธิบายว่าองค์ประกอบใดเชื่อมโยงกับองค์ประกอบใด และเชื่อมโยงกันในลักษณะใด ผู้วิจัยอธิบายว่า การสร้าง graph structure ลักษณะนี้มีความสำคัญอย่างมาก เพราะ game design ไม่ใช่ระบบเชิงเส้นตรง แต่เป็นระบบที่มีความซับซ้อนสูงและมีความสัมพันธ์แบบเครือข่าย (network structures) mechanics หนึ่งอาจเชื่อมโยงกับ mechanics อื่นได้หลายรูปแบบ และความหมายของ mechanic เดียวกันอาจเปลี่ยนแปลงไปตามบริบทที่มันถูกใช้งาน ตัวอย่างเช่น “Competition” อาจมีความหมายแตกต่างกันอย่างสิ้นเชิง หากมันถูกใช้ร่วมกับ “Hidden Information” เมื่อเทียบกับการใช้ร่วมกับ “Cooperation” หรือ “Narrative” ดังนั้น การศึกษากลไกแต่ละตัวแยกจากกันจึงไม่เพียงพอสำหรับการทำความเข้าใจ motivation systems ภายในเกม เมื่อ knowledge graph ถูกสร้างขึ้นแล้ว ผู้วิจัยจึงเริ่มใช้เทคนิค graph mining เพื่อศึกษาว่า game design elements ใดมักปรากฏร่วมกันบ่อยที่สุด และ elements ใดทำหน้าที่เป็น “ศูนย์กลาง” ของระบบ motivation ผลการวิเคราะห์แสดงให้เห็นว่า game design elements บางประเภทมีลักษณะเป็น “highly connected nodes” กล่าวคือสามารถเชื่อมโยงกับ mechanics อื่นจำนวนมาก

ตัวอย่างเช่น elements ที่เกี่ยวข้องกับ rewards, progression, resources และ social interaction มักปรากฏร่วมกับองค์ประกอบประเภทอื่นอยู่เสมอ สิ่งนี้สะท้อนว่า mechanics บางประเภทอาจมีบทบาทเป็น “core motivational structures” ภายในเกม นอกจากนี้ graph analysis ยังช่วยให้ผู้วิจัยมองเห็น “clusters” หรือกลุ่มของ mechanics ที่มักปรากฏร่วมกันอย่างเป็นระบบ ตัวอย่างเช่น mechanics ที่เกี่ยวข้องกับ cooperation มักเชื่อมโยงกับ shared goals, joint lose conditions และ communication systems ขณะที่ mechanics ด้าน competition มักเชื่อมโยงกับ ranking systems, victory points และ resource scarcity การค้นพบ clusters เหล่านี้มีความสำคัญอย่างมากต่อการออกแบบ Gamification เพราะช่วยให้นักออกแบบเข้าใจว่า mechanics บางประเภท “ทำงานได้ดีร่วมกัน” ในขณะที่บางประเภทอาจขัดแย้งกันในเชิง motivational logic

Association Rule Mining และการค้นหารูปแบบร่วมของ Mechanics

หลังจากสร้าง knowledge graph แล้ว งานวิจัยจึงนำเทคนิค association rule mining มาใช้วิเคราะห์รูปแบบการปรากฏร่วมของ game design elements โดย Association rule mining เป็นเทคนิคที่ใช้ค้นหาความสัมพันธ์เชิงสถิติระหว่างองค์ประกอบต่าง ๆ ภายในฐานข้อมูลขนาดใหญ่ หลักการสำคัญคือการพยายามค้นหาว่า

“หาก mechanic A ปรากฏขึ้น mechanic B มีแนวโน้มจะปรากฏร่วมด้วยหรือไม่”

แนวคิดนี้คล้ายกับระบบ recommendation ในธุรกิจ e-commerce ที่วิเคราะห์ว่า “ลูกค้าที่ซื้อสินค้า A มักซื้อสินค้า B ด้วย”

ในบริบทของ game design ผู้วิจัยใช้เทคนิคนี้เพื่อค้นหาว่า game design elements ใดมีแนวโนเมที่จะปรากฏร่วมกันอย่างมีนัยสำคัญ

ตัวอย่างเช่น หากเกมมี “Resource Management” ระบบอาจพบว่ามักปรากฏร่วมกับ “Scarcity” และ “Delayed Rewards” หรือหากเกมมี “Role Playing” ระบบอาจพบว่ามักเชื่อมโยงกับ “Narrative Structures” และ “Character Progression”

สิ่งที่สำคัญคือ ผู้วิจัยไม่ได้มองเพียงความถี่ของการเกิดร่วมกันเท่านั้น แต่ยังพิจารณาความหมายเชิง design logic ของความสัมพันธ์เหล่านี้ด้วย กล่าวคือ mechanics บางคู่แม้จะพบร่วมกันบ่อย แต่หากไม่มีความสัมพันธ์เชิง motivation ที่ชัดเจน ก็อาจไม่ถูกตีความว่าเป็น meaningful relationship

เพื่อประเมินความแข็งแรงของความสัมพันธ์ ผู้วิจัยใช้ค่า support, confidence และ lift ซึ่งเป็นมาตรฐานในการทำ association analysis

support ใช้วัดว่า relationship หนึ่งพบได้บ่อยเพียงใดในฐานข้อมูลทั้งหมด

confidence ใช้วัดว่าเมื่อ mechanic หนึ่งปรากฏ อีก mechanic หนึ่งมีแนวโน้มจะปรากฏตามมามากน้อยเพียงใด

ส่วน lift ใช้วัดว่าความสัมพันธ์นั้นเกิดขึ้น “มากกว่าความบังเอิญ” หรือไม่

ผลลัพธ์ของการวิเคราะห์ทำให้ทีมวิจัยสามารถสร้าง recommendation structures สำหรับ game design ได้ กล่าวคือ ระบบเริ่มสามารถ “แนะนำ” mechanics ที่เหมาะสมให้กับนักออกแบบได้จากฐานข้อมูลเชิงประจักษ์

Recommender System สำหรับ Game Design และ Gamification

ผู้วิจัยมองว่า นักออกแบบเกมจำนวนมาก โดยเฉพาะผู้ที่ไม่ได้มีพื้นฐานด้าน game studies มักเผชิญปัญหาสำคัญ คือ “ไม่รู้ว่าควรเลือก mechanics ใดมาใช้ร่วมกัน” ที่ผ่านมา การออกแบบ Gamification มักเกิดจากความรู้สึก สัญชาตญาณ หรือลอก mechanics จากเกมที่ได้รับความนิยม เช่น points, badges และ leaderboards โดยไม่ได้เข้าใจว่ากลไกเหล่านั้นทำงานอย่างไรในระดับใดของระบบ EMPAMOS Framework จึงพยายามเปลี่ยนการออกแบบเกมจาก “Artistic intuition” ไปสู่ “Evidence-based design support”

ระบบ recommendation ที่ผู้วิจัยพัฒนาขึ้นสามารถทำงานได้หลายรูปแบบ เช่น

• recommendation based on co-occurrence
• recommendation based on semantic relationships
• recommendation based on motivational structures

ตัวอย่างเช่น หากนักออกแบบเลือกใช้ mechanic อย่าง “Collecting” ระบบอาจแนะนำให้ใช้ร่วมกับ “Resources” “Trading” หรือ “Victory Points” เพราะ mechanics เหล่านี้มักทำงานร่วมกันในเกมจริงจำนวนมาก

หรือหากนักออกแบบเลือก “Cooperation” ระบบอาจแนะนำ “Shared Goals” “Communication” และ “Joint Lose Conditions” เพื่อสนับสนุน motivational structure ของ cooperation ให้สมบูรณ์ยิ่งขึ้น

ผู้วิจัยชี้ว่า recommender system ลักษณะนี้อาจมีประโยชน์อย่างมากสำหรับวงการการศึกษา เพราะครู นักออกแบบการเรียนรู้ หรือ instructional designers จำนวนมากไม่ได้มีพื้นฐานด้าน game design โดยตรง แต่ต้องการนำ Gamification มาใช้ในชั้นเรียนหรือระบบเรียนออนไลน์

ดังนั้น AI-assisted game design systems อาจช่วยลดอุปสรรคในการออกแบบ motivation systems ที่มีคุณภาพ และช่วยให้ Gamification ก้าวพ้นจากการใช้เพียง superficial reward structures ไปสู่การออกแบบประสบการณ์การเรียนรู้ที่มีความซับซ้อนและมีความหมายมากขึ้น

วิพากษ์แนวทาง Gamification แบบ simplification

ผู้วิจัยชี้ว่า Gamification ในหลายบริบทมักลดทอน game design ลงเหลือเพียง mechanics ที่มองเห็นได้ง่าย เช่น points badges leaderboards achievements ปัญหาคือ mechanics เหล่านี้ถูกแยกออกจากบริบทเชิงระบบของเกมเดิม เมื่อถูกนำมาใช้โดยลำพัง จึงไม่สามารถสร้าง motivational depth ได้เหมือนในเกมจริง ตัวอย่างเช่น points ภายในเกมจำนวนมากไม่ได้มีความหมายเพราะ “คะแนน” เพียงอย่างเดียว แต่มีความหมายเพราะเชื่อมโยงกับ systems อื่น เช่น progression, scarcity, cooperation, competition หรือ narrative payoff ดังนั้น หากนำ points มาใช้โดยไม่มี supporting structures เหล่านี้ ระบบ Gamification ที่ได้อาจกลายเป็นเพียง superficial reward systems ที่กระตุ้นแรงจูงใจระยะสั้นเท่านั้น งานวิจัยจึงเสนอว่า Gamification ควรถูกมองใหม่ในฐานะ “systemic motivational design” มากกว่าการนำ mechanics บางอย่างมาใช้แบบแยกส่วน แนวคิดนี้สอดคล้องกับ Game Design Molecules ที่ผู้วิจัยเสนอไว้ก่อนหน้านี้แล้วกล่าวคือ mechanics จะมีความหมายก็ต่อเมื่ออยู่ภายในเครือข่ายความสัมพันธ์ของ mechanics อื่น ผู้วิจัยยังวิจารณ์ว่า frameworks จำนวนมากในอดีตไม่ได้มี empirical grounding ที่เพียงพอ หลาย frameworks ถูกพัฒนาจาก intuition, anecdotal experience หรือ literature review เพียงอย่างเดียว ขณะที่ EMPAMOS พยายามสร้าง framework ที่มีพื้นฐานจาก empirical evidence ขนาดใหญ่ จุดนี้ถือเป็นความแตกต่างสำคัญของ EMPAMOS เพราะ framework ไม่ได้ตั้งอยู่บนคำถามว่า “นักออกแบบคิดว่าอะไรสำคัญ” แต่ตั้งอยู่บนคำถามว่า “อะไรปรากฏซ้ำในเกมจริงจำนวนมาก”