Side是遊戲測試的專家。我們在這個領域已深耕十年以上，在QA測試方面也領銜業界超過30年。我們看過遊戲公司不知道如何運用50位玩家給予的回饋，更不用說1,000或100,000人了。所有的資料似乎都很棒，但究竟該如何運用呢？該如何從大量玩家回饋中，獲得實用資訊來改善你的遊戲呢？
這正是我們開發的AI遊戲測試分析系統能夠處理的問題。作為全球唯一一間提供可達100,000名使用者的大規模遊戲測試服務、參與了Razer Cortex Playtest Program - Powered by Side開發的公司，我們開發了一系列AI工具來管理及處理數量眾多的回饋，將其解析成清楚的開發優先順序。這篇技術簡介將為您介紹，我們如何在遊戲測試領域克服大數據分析的挑戰。
使用大型語言模型分析：大規模擷取文字間的重點
Side獨家的數據分析AI會 來分析玩家的文字回饋，從中整理出玩家最喜歡與最不喜歡的遊戲內容。無論玩家如何表達他們的意見，我們都能使用大型語言模型了解玩家的意思。如此一來，便能合併類似的文字回饋，從大量的意見中找出最關鍵的重點。
下方的例子將解釋其實際的運作原理。以下三位玩家對一款遊戲提出了不同的正面評價：
- 玩家1：「我喜歡射擊時的動畫。簡潔有力，而且超帥。」
- 玩家2：「遊戲的美術令人嘆為觀止，尤其是在移動的時候。」
- 玩家3：「遊戲很流暢，人物也栩栩如生。」
乍看之下，那些意見似乎是截然不同的觀點，但 會發現它們的共通點，並合併成同一個見解，將三個資料點整理成一個正面回饋：「玩家發現遊戲的動畫和移動畫面既流暢又好看。」
雖然這看起來沒什麼，但是這種結論如果是透過分析1,000或100,000名遊戲測試者遊玩數小時後的評論得出，就能顯著地了解玩家普遍喜歡或不喜歡遊戲的哪個層面。
提供遊戲的背景資訊
然而，只透過大型語言模型的分析系統還不夠，我們還得提供關於遊戲的背景資訊。缺少遊戲類型、角色、設定及核心機制等資訊，就很難將玩家回饋套用至特定情境。舉例來說，「船太小」這句話在宇宙背景的遊戲和航海遊戲中就有可能衍伸出兩種含意。
Side的AI系統在分析我們提供的玩家回饋時，會自動帶入遊戲的背景資訊，以正確地解譯玩家回饋，避免生成誤導人的結論。
合併各種調查方式取得的資料
並非所有玩家回饋都是以文字或標準化的方式取得。有些是透過複選題或是非題，有的則會進行個資調查或詢問電腦規格。無論透過何種方式對玩家進行調查，Side的AI都能夠以兩種方法進行分析。
首先，我們會將回饋資訊轉換成文字格式。舉例來說，我們請玩家以1至5分來評價遊戲之後，會將其轉換成如下方的文字回饋：「玩家將遊戲評價為3分（滿分5分）。」如此一來，上述提到的大型語言模型分析系統就能發揮功用，擷取出最普遍的答案。
再來，我們會對非文字回饋自動執行基礎的統計分析，例如分析其平均值、中位數和眾數。這些統計數據在接下來的兩個分析階段中非常有用：相關性和區隔分析。
辨別相關性
任何像是複選題或是非題等非純文字的回饋，也可以被量化成數值以進行相關性分析。接著，我們的系統就可以分析並得出任意兩者之間是否為正相關或負相關。
作為Razer Cortex Playtest Platform – Powered by Side的合作開發商，我們也能夠追蹤玩家的遊戲時長。這些數據很關鍵，能夠幫助我們分析玩家實際的遊玩時間與任何其他回饋項目之間的相關性。
例如，我們能夠分析玩家的遊戲時長與其平均分數和意見的相關性，進而了解遊戲時長如何影響玩家對遊戲的喜愛程度。除此之外，我們也能夠根據遊戲時長找出玩家的共通點，分析遊戲時數低的玩家與遊戲時數高的玩家之間的差異——使我們能夠根據需求進一步分組。
分析玩家群體
雖然上述運用大型語言模型與相關性分析的方式很有幫助，但有時我們只想分析特定群體的資料。舉例來說，您可能只需要分析18至25歲之間的女性。在這種情況下，我們可以根據符合條件的玩家提供的數據來生成第二份報告，同時套用相同的綜合分析方法來得到與特定群體相關的見解。
提供實用的改善意見
分析過所有數據並收集至回饋報告之後，Side的AI系統還會執行最後一個關鍵的步驟。Side的AI會使用遊戲的背景資訊、相關性分析、AI語言分析與各項自訂調查資料，整合所有回饋並提供改善遊戲的具體建議。
我們經過事先訓練的AI不僅會針對玩家回報的問題或不喜歡的特定內容（無論是以文字或非文字回饋）提出改善建議，還會回報玩家喜愛的內容，並給予建議來進一步凸顯這些優點。此外，由 遊戲工作室便能為遊戲的下一次迭代量身制訂針對目標客群的改進計畫。
處理錯誤
當然，並非所有回饋都與遊戲的設計相關——錯誤回報仍然是大規模遊戲測試面臨的最大挑戰。無論是1,000還是100,000名遊戲測試者，在大規模測試中，單一個遊戲錯誤可能會產生數千份個別報告，但每份報告都是在描述同一個問題。
Side的錯誤回報分析和重複數據刪除工具正是用於因應這個挑戰。無論回饋中使用的措辭是否相同，我們仰賴大型語言模型技術的工具都能夠找出重複的錯誤——自動從玩家評論中找到相關的遊戲錯誤回饋、將其格式化並刪除重複數據，以便QA專家進行檢查。重複刪除功能可以調整為較保守或較不保守的模式，防止意外將內容標記為重複（假陽性）。
雖然我們的工具能有效處理這些數據，但檢查結果仍然是很重要的步驟，而這就是Side的QA專家發揮作用的地方。
人機協作
AI在我們的遊戲測試系統中扮演著核心的角色。然而，可靠、準確且以技術為基礎的流程仍需要人工監督。這在遊戲測試領域中能透過兩種方式進行。
首先，我們的QA專家團隊會審查AI的分析結果，確保內容合理、符合我們的隱私和資安政策，並提供大規模遊戲測試承諾帶來的高價值見解。
其次，如果我們的客戶需要額外保障，在遊戲測試期間發現到的所有錯誤都可以交給我們遍布全球的專業 我們的團隊會確保回報的錯誤是真實且可重現的，並撰寫清楚的描述與重現步驟，同時附上影片，再將其正確歸檔到您的錯誤回報系統內。
透過這種人機協作的方式，回饋就能更加精確，您也可以更有效率地規劃和執行下一個開發階段。
隱私與資安
資訊安全是處理您的智慧財產權與私密資訊時，至關重要的元素，這也是我們遊戲測試平台的基礎。我們遵循ISO-27001標準和程序，確保所有收集所有到的資料都得到安全、隱密和加密保護。
我們遊戲測試系統套用的資安措施包括：
- 加密靜態和傳輸中的資料
- 定期進行滲透和程式碼安全測試
- 使用企業級的資安軟體和技術，確保所有伺服器皆已修補且安全無虞
- 使用完全由我們管理的大型語言模型，確保資料獨立且不會進入訓練資料集
- 完全符合GDPR規範
- 移除並匿名任何不應保存在資料庫中的PII（個人識別資訊）
透過這些安全至上的方法，能確保您的資料在整個AI分析過程中都受到保護。
Quotes
總結
Side由AI系統驅動的Razer Cortex Playtest Platform正在徹底改變遊戲測試的格局。遊戲測試將不再僅限於房間內的10或50名測試員，未來將有可能納入1,000、10,000，甚至100,000名或更多測試者同時遊玩並回報錯誤。
透過這種處理大量資料的能力，工作室能夠為遊戲做出更好的開發決策，且無須大幅增加工作時間或成本。工作室內部不再需要處理有限或過於龐雜的回饋資料，就能獲得全面的觀點來指引團隊有自信地做出開發決策。
想知道AI驅動的玩家回饋與分析如何整合進您的開發流程嗎？聯絡我們，了解我們的測試方案能如何量身設計，幫助您提升遊戲品質。