Дипломная работа: Взаимосвязь между типом игрока и построением эффективной социальной коммуникации (на примере игр CS:GO и DOTA2)

Далее мы перешли к следующему вопросу, который описывает способы коммуникации в процессе игры. Респонденты сказали, что все варианты ответа соответствуют реальности, тем не менее существует еще один способ общения, а именно, программа «Teamspeak». Ее обычно используют более продвинутые геймеры, которым неудобно общаться через все остальные способы.

Далее мы перешли к блоку вопросов, описывающих процесс коммуникации в игре. Так как большинство вопросов в данном блоке были разработаны мной самостоятельно и требовали дополнительной проверки, сначала с каждым из респондентов мы подробно остановились на каждом суждении, а затем они отдельно заполнили его самостоятельно.

Для того, чтобы удостовериться в ясности формулировки, каждый вопрос подвергался переформулированию со стороны респондентов. Большая часть вопросов была понятна для респондентов, тем не менее, в некоторых случаях приходилось объяснять, что конкретно имеется в виду. Для наилучшего понимания респонденты предложили добавить к некоторым вопросам примеры.

Также к некоторым суждениям респонденты предложили добавить уточняющие формулировки. Например, суждение «Я всегда следую выбранной стратегии», было изменено на «Я всегда следую(придерживаюсь) выбранной стратегии». Это связано с тем, что у игроков не всегда есть возможность следовать изначальной стратегии, так как условия игры постоянно изменяются и к ним необходимо адаптироваться.

В нескольких вопросах, связанных с обучением и помощью в процессе игры, у нас с респондентами возникло недопонимание. Так, вопрос «Мне нравится рассказывать другим о том, как нужно играть» был воспринят респондентами с очень негативной окраской. Они отметили, что он звучит так, как будто им должно нравиться насильно учить кого-то другого. Таким образом, вопрос был переформулирован. Подобные проблемы возникли с еще несколькими вопросами, которые также были переформулированы с помощью респондентов.

В одном из суждений было два смысловых выражения. Впоследствии оно было переформулировано. Также в блоке с социально-демографическими характеристиками был дополнен один из вопросов.

Все описанные изменения представлены в приложении 2.

2.10.4 Заключение

В конечном итоге все задачи, поставленные в начале пилотажа, были решены. Для проверки результатов три респондента прошли итоговую версию анкеты. После прохождения они отметили, что все вопросы максимально корректны и просты для понимания, а отредактированные варианты ответа составляют полную картину и у респондентов всегда есть из чего выбрать. Время, за которую один респондент может заполнить итоговую анкету, составляет 10-12 минут.

Таким образом, все вопросы и варианты ответа прошли проверку на предмет ясности и правильности формулировок. Все вопросы и ответы, вызывавшие малейшие трудности6 были переформулированы и дополнены. Также был определен наиболее рациональный и оптимальный для респондентов порядок вопросов.

Глава 3. Анализ данных

3.1 Портрет респондента

Для того, чтобы охарактеризовать полученную выборку и составить портрет респондента в данном исследовании, были использованы такие социально-демографические характеристики как вол, возраст и профессия родителей.

Выборка включает в себя 358 респондентов. Каждый из них проживает на территории Москвы или Московской области, играет в CS:GO и/или DOTA2 и не позже, чем 3 недели назад играли в одну из перечисленных ранее игр.

Прежде всего стоит отметить, что почти 90% респондентов оказались мужчинами. Переменная «пол» в дальнейшем даст нам возможность разделения выборки на две группы.

Таблица 1 - Линейное распределение респондентов по полу

Также необходимо посмотреть, каким образом респонденты распределяются по играм, в которые они играют. Таблица ниже демонстрирует, что большинство игроков предпочитают CS:GO (36%), более того, целых 34% респондентов играют в обе игры. Значение моды, равное 1, объясняется тем, что большая часть игроков предпочитает первую игру.

Таблица 2 - Меры центральной тенденции по игровым предпочтениям

Таблица 3 - Линейное распределение по игровым предпочтениям

Далее стоит обратить внимание на характеристики возрасты респондента.

Таблица 4 - Меры средней тенденции по возрасту

Из таблицы выше можно сделать вывод, что большинству респондентов, а именно, 22% из них 16 лет. Об этом говорят мода и медиана. Также стоит отметить, что средний возраст довольно высок и составляет почти 19 лет.

Занятость родителей на работе может прямым образом повлиять на количество времени, которое их дети проводят в онлайн-играх.

Таблица 5 - Кем работает Ваша мать?

Таблица 6 - Кем работает Ваш отец?

Полученные выше таблицы демонстрируют, что большая часть респондентов, а именно, около 28% в среднем, не захотела отвечать на этот вопрос, несмотря на обещанную анонимность. Тем не менее, можно заметить, что у большинства респондентов (18,4%) отец является руководителем высшего звена, а мать является разнорабочей (15,9%), то есть принадлежит к профессиям типа няни.

Также стоит остановиться на уровне материальной обеспеченности. Для определения того, к какой группе населения по материальному благосостоянию относится респондент была предложена порядковая шкала от 1 до 5, где в качестве единицы предлагался вариант «Мы едва сводим концы с концами, денег не хватает даже на продукты», а в качестве 5 - «. Мы можем позволить себе достаточно дорогостоящие вещи - квартиру, дачу и многое другое». Далее были рассчитаны меры центральной тенденции с целью определения портрета респондента.

Таблица 7 - Меры центральной тенденции по доходу

Исходя из данных таблицы, можно сделать вывод, что семья респондента достаточно обеспечена и в состоянии позволить себе приобретать товары длительного пользования.

Таким образом, можно сказать, что респондент - это мужчина 16-ти лет, играющий в CS:GO, чья мать является разнорабочей, а отец руководителем высшего звена. Также стоит отметить, что семья респондента не испытывает особых трудностей с материальным обеспечением.

3.2 Задача №1: Классифицировать респондентов по типу игрока

Гипотеза №1: Игроки, принадлежащие к типу «киллеры» проводят в онлайн-играх меньше времени, по сравнению со всеми остальными типами.

Эта ступень анализа является промежуточной и необходима для того, чтобы появилась возможность решить поставленные задачи. Полученные переменные впоследствии будут проанализированы с помощью кластерного анализа.

Для того, чтобы выявить факторы, влияющие на мотивацию человека играть в онлайн-игры, был проведен факторный анализ методом главных компонент.

Прежде всего необходимо убедиться в том, что выбранная факторная модель подходит для имеющихся данных. В первую очередь необходимо посмотреть на значение критерия Кайзера-Майера-Олкина, которе в данном случае равно 0,787, что дает нам понять, что модель пригодна для дальнейшего анализа. Также необходимо обратить внимание на критерий Бартлетта, значимость которого равна 0, что означает, что нулевая гипотеза о том, что между переменными отсутствует корреляция и данные сферичны отвергается. Основываясь на всем вышесказанном, мы можем применять факторный анализ.

Таблица 8 - KMO и критерий Бартлетта

Таблица, расположенная ниже, показывает нам долю дисперсии исходной переменной, которая была сохранена в полученной модели. Судя по данным таблицам, можно сделать вывод, что у большинства переменных сохранено от 46% до 86% дисперсии, следовательно, у нас есть возможность включить их в модель.

Таблица 9 - Общности