星际2典型的战术：4BG

　　勤奋地练习SC2，不断提高操作的技巧和战术思考能力，这些可以训练你的计划能力和不同情况下的应变能力，可以帮助提高我们的意志力。SC2鼓励反思和分析。它所提供的这些益处适用于任何一种严肃的工作。然而这些理性的，关心孩子的父母，严格的限制他们的孩子的“显示器时间”为每周1小时。

　　抛开科学上的好处不谈，更重要的是科学家与星际的联姻可以改变人们对游戏的错误的看法。按照最初的设想，SkillCraft研究项目将采用那些真正值得研究的SC2职业选手，因为他们拥有杰出贡献，勤奋的练习和惊人的技巧。无论是在我发表论文，在会议上展示工作成果，和工作伙伴讨论，接受接着采访，拨款，面向产业市场做介绍还是雇佣一名学生时，我必须确信我所面对的人是对SC2感兴趣并且认为SC2是值得研究的。

　　另外，我想要让人们真正懂得什么才是玩SC2。我会这么做，并不是以一名玩家的身份，而是以一名获得著名大学博士学位，投身于国家基金资助的研究项目的认知科学教授的身份来做。我不会是一个人在奋斗，随着SC2研究热潮逐渐兴起，相信其他研究认知科学的科学家们都会做同样的事情。

　　
--------------------------------------------------------------------------------

　　正文：专业知识

　　科学家们在专业技能的研究上已经做了几十年了，并且已经获得了很多东西。我们知道一个复杂的技巧中的技术含量的获得可能需要10,000小时的细致练习。我们知道那些有效的可以帮助我们提高的谨慎细致的练习，需要做大量的技巧分解的训练(比如弹钢琴时练习演奏全音阶)。这要比只是单纯的玩很多次要有效得多。我们知道那些在某个领域中顶尖的专家，他们的成就是和大量的做这种专业练习分不开的。这和“天赋论”观点是有很大出入。

　　“天赋论”观点认为，那些顶尖的专家是比其他人更有天赋的，而实际中，这样的例子少之又少。天赋可能只会在某人的某种个别技巧上或者某人在进步的过程中直接跳过初学阶段中表现出来。毕竟，没有人喜欢做他们不擅长的事情。但是要达到成功的最高境界，练习一定是其中最重要的因素。我们同样意识到在某个技巧上的大量的练习会改变你原本对如何提高你的水平的方式的认识。

　　有时候，这可以延伸到其他工作上，就好比在FPS游戏中提高视觉处理效果一样，但有时候并不其然，就好比象棋大师提高对于象棋位置的记忆力一样。

　　讨厌的局限性

　　目前，科学家在专业技能的研究上依旧存在着一些典型的局限性。比如说，在一项研究中只有20个参与者的情况是不正常的。当做实验的时候，参与者自然越多越好。一些细小的研究经常需要反复地实验直到得出一个确切的结论。另一个问题是，这些研究在技能等级的划分上趋向于仅划分几个等级，比如仅仅划分出初学者，进阶者和专家。

　　然而，这些局限性让我们在观察一个复杂技巧不断发展的过程中各种各样的结合因素，个别的特例，以及它们之间是如何相互影响的时候变得很困难。这个问题产生的原因在于要从专业大师实战中收集数据，成本是十分昂贵的。

　　就好比说网球。计算一个网球发球的速度是很复杂的，需要特殊的设备，需要大量的准备时间。测量200次选手们在大范围技巧中网球发球的速度，是要建立在大学研究实验室资源和资金之上的。更何况，发球速度只是众多你想研究的有趣变量中的一个。还有步伐速度，反应时间以及其他一大堆网球技巧中有趣的组成部分等等。这还没有提及到如何在不同的水平阶段找到足够的参与者的困难性；即使在一个大都市中，往往只存在一名职业的网球选手。

　　星际2拯救了这种局面

　　目前看来，SC2解决了这个问题。而解决这些局限性的方法就是坐在你的电脑前，研究SC2的延伸产品“SC2Replay”。SC2录像文件解决了数据收集的问题，因为它是全自动地，迅速地，毫不费力地收集你游戏时的大量数据。SC2记录了你和你的对手的每一步指令：每一次你选择了一个农民，每一次你建造了一个坦克以及每次你铺菌毯。这个录像文件，就好像盖邮戳一样，在你整个游戏过程中的每一步动作都记录出来形成一个完整的清单。这张清单在返回到游戏引擎中形成录像，这样在你回顾你的游戏中可以实实在在地看到全过程。

　　一个录像包括了许多有趣的信息。它包括了选择/取消选择部队的指令，攻击指令，建造指令，热键定义以及热键使用。从这些数据中，我们可以看到很多东西。多线操作，APM，战术意识，侦查等等。这些都可以从一个录像文件中的信息中提取出来。

　　而相比母巢之战录像文件中一个巨大的突破在于，现在的SC2录像文件包含了视角移动的信息。玩家可以看到第一视角。我们现在可以研究你是如何移动你的主视角从地图中获取信息的。对于我们这样一个专注于信息输入和使用的研究室来讲，这是非常有趣的资料。一名玩家切换到一个新视角，做一些动作，然后再切回来，其中做这些动作的速度组成了一个循环，我们称它为感知到行动的循环。同时，这显示出了大量有关这名玩家认知能力的信息。

　　我们可以用这些信息来研究当认知处理过程作为一项功能性专业技能时是如何发生变化的。还可以用来研究在复杂的认知系统工作环境中，即时信息处理的极限是什么。

　　尽管如此，录像信息的处理还是很不容易的。比如说，计算有效的APM，要过滤掉很多废操作，虽然这些废操作经常出现在游戏初期，但是依旧在游戏的任何时间段都存在。而爆狗这个操作对于那种处理重复动作的电脑程序来讲又好像是废操作。所以，在我们确定在何处捕获何种信息之前，还有大量的测试要做。我们依旧存在着一些令人沮丧的不足之处。比如说，路线控制是经过游戏引擎处理的，所以我们不能准确地判断出部队到底会去哪里，到底会在哪里停下来。我们不能准确地知道单位是什么时候死亡的，因为死亡并不是一个指令。

　　你的星空加速是否慢了？或者你的基地是否遭到了狙击？这些其实很难判断。不管数据分析上的复杂性，这里还有很多系数我们可以实实在在地捕捉到，我们首先会将注意力放在这上面。

　　星际2的种族分部

　　一个突破性的研究

　　由于我们可以通过SC2系统来收集数据并自动分析，所以我们现在可以大规模地有效地收集和分析专业数据。而其规模程度，在该领域上也是前所未有的。这个不仅仅是是来自20或200人，可以来自于2,000人甚至20,000人。拥有这么庞大的数据收集可以解决目前在专业技术研究上常见的所有局限性。我们可以做出很可靠的估测因为我们拥有如此庞大的数据库。我们可以构建一个更完美的数据图关于技术的提高发展过程。因为我们拥有来自7个不同专业联赛的大量rep。这两项因素的有效结合可以让我们对多种技巧的进步速度有一个更加明确的了解。

　　这里有个不太重要的问题。假定专业技能中每一部分的进步速度都保持一致，比如说你侦查分基地的能力提高速度和你的APM提高速度一样。但是一旦你的APM达到一定的阀值，你的侦查能力却可以继续提升。或者在紧张的大战操作中APM迅速提升，或者自定义热键之后APM迅速提升。在一些特定的timing(比如星空加速之类的)，其中内在的提高可能只会在某种技巧提高之后才发生。这些例子表明了多种技巧之前的相互依赖性。我们的研究有可能发现这种相互依赖型，这种可能性如果仅靠划分为三个等级的专业知识和20个人参与是不可能发现的。

　　真实世界

　　研究SC2是很有趣的一件事情，因为SC2很复杂。SC2具有一个很不错的缓慢学习曲线，包括记忆、决策和感知处理。同时还包括在一个丰富的图形用户界面中变化的相关联的信息。

　　我们的研究结果可以用于更好地理解真实世界中的那些处理事务数据类的工作。一个很好的例子就是紧急事件处理。SC2界面和用于紧急事件处理中部署工作人员(消防员、医护人员和警察)的控制台软件的界面有着惊人的相似之处。

　　理解SC2中调配资源管理时的认知过程，有助于帮助我们理解专家和初学者是如何在紧急事件中做出与SC2中相类似的判断的。或许有一天，还可以帮助我们探究如何提高我们在灾难中应变能力。向我们这样的研究同样可以帮助系统设计人员。专业软件系统并没有很庞大的用户群，并且很少有用户在这上面做上千小时的练习。

　　研究SC2可以给那些设计者们对于一个系统中专业技能的使用的情况的认知提供一定的帮助和提示。最终，了解在SC2训练时何种认知/感知技巧在何时发生变化对于现实世界中的多种工作的最优化训练体制也是很有帮助的。

　　今后的调查

　　自从项目开始后，我们已经联系了其他几位科学家。我们现在正与这些科学家们针对一些项目讨论合作研究。我知道在母巢之战录像分析上，加州大学圣地亚哥分校的一名研究员已经有所收获，而德克萨斯大学奥斯汀分校在提高SC2玩家认知能力的研究也已经开展。可见在SC2研究上，已经引起了人们极大的兴趣，并且这项研究蕴含着极大的潜力。

　　对于我们认知科学实验室来讲，我们计划继续从事更多的SC2录像分析的研究：团队游戏中注意力和协同性的结合，特定玩家群体数个月内水平进步的纵向研究(青铜的玩家保存好你的rep，我们都要了！)我们同样也关注视线追迹的研究。我们已经联系了MLG，可能在明年会将我们的眼动监控仪带入某场比赛中做实验。另外，我们也很有兴趣研究多种不同的训练方法，举个例子，研究如何最有效地锻炼某人观察小地图。