每天有数百万人在被称为大型多人在线角色扮演游戏（MMORPG）的在线环境中互动。平均年龄为26岁的MMORPG玩家通常每周在这些环境中花费22小时。询问MMORPG玩家为什么玩游戏会发现动机有很大的不同：

事实上，这种动机的变化表明，MMORPG之所以能吸引如此多的玩家，是因为它们能满足许多不同类型的游戏风格。能够明确和量化这些动机为探索不同玩家群体是否有不同的动机，以及某些动机是否与玩家的参与模式或其他游戏内行为更高度相关提供了基础。

这样的模型对研究人员和游戏设计师都有价值。对于研究人员，研究结果可能有助于澄清某些类型的玩家是否更容易出现有问题的使用方式。对于游戏开发者，研究结果可能有助于明确某些游戏机制可能吸引或排斥某些玩家群体

虽然巴特尔的玩家分类是多用户地牢（MUD）用户的一个著名分类法，但该模型的基本假设从未经过实证测试。例如，巴特尔假设对一种游戏类型的偏好（例如成就）会抑制其他类型的游戏（例如社交或探索）。

此外，也从未实证证明这四种玩家类型确实是独立的类型。换句话说，这些类型中的几个，可能高度相关。本质上，除非用实证数据对巴特尔的模型进行验证并以此为基础，否则很难在实际中使用巴特尔的模型。在接下来的工作中，我将描述一个基于因子分析的方法来创建一个以实证为基础的玩家动机模型。

基于因子分析的方法是一种用于处理和理解大量数据的统计方式。比如说你有一堆关于不同人的信息，比如他们在游戏中的行为、偏好、时间花费等。因为信息太多、太复杂。我们很难直接用这些数据进行分析。那么这时候因子分析就像是一个帮你整理这些信息的工具，它可以把这些复杂的数据简化，找出几个关键的主题或“因子”。这些因子可以被看作是隐藏在数据背后的主要动力或模式。比如，在研究游戏玩家的动机时，因子分析可能会揭示一些主要的动机类型，如“成就感”、“社交”或“探索”。这样，我们就可以更清楚地理解玩家的行为，而不是被大量细节信息淹没。

基于巴特尔的类型和早期对MMORPG玩家进行的定性调查信息，生成了一份包含40个与玩家动机相关的问题列表。玩家使用一个具有完整标签、特定于结构的5点量表进行回应。例如，被调查者被问到：“对您来说，尽快提升等级有多重要？”在准备好这些调查项目之后，通过在线调查从3000名MMORPG玩家中收集了数据，这些调查在专注于于几款流行MMORPG的在线门户网站上公布，包括EverQuest、Dark Age of Camelot、Ultima Online和Star Wars Galaxies。然后对这些数据进行因子分析，以探测调查项目之间的关系，从而揭示其潜在的联系。

使用主成分分析法对40项调查清单进行了更简洁的表示。

(主成分分析法（简称PCA）是一种统计方法，用来简化数据的复杂性。想象一下，你有一堆积木，每快代表数据中的一个变量。主成分分析就像是从积木中找出几个关键块，这些关键块能代表或概括整个图像的主要特征。在PCA中，这些“关键块”就是所谓的“主成分”，它们是原始数据中最能代表数据整体特点的部分。在实务上我们使用方差与正交性来辨识什么是”主成分“）

出现了10个主成分，其特征值均大于1。这些主成分共解释了总方差的60%。为了反映各成分之间的固有相关性，

( 一般来说，特征值越大，该主成分越有代表性。我也不知道为什么，spss这么写的)

采用了斜旋转（Promax，kappa=4）方法。大多数载荷量超过0.55，且没有任何次级载荷量超过主载荷量的30%。几乎所有成分的克隆巴赫α系数均超过0.70。

（Promax是进行斜旋转的一种具体方式，而kappa=4指的是在Promax旋转中使用的一个参数，用来控制成分之间的相关性强度。 载荷量是指原始变量在每个主成分上的权重。载荷量的绝对值越大，说明该变量在对应的主成分中越重要 。 次级载荷量不超过主载荷量的30%：这意味着每个变量与它不属于的其他成分（次级成分）的关联性要远低于它所属的那个成分（主成分）。这是一种质量控制，确保每个变量主要只影响一个成分。 ）

由于成分数量众多，对这10个成分进行了额外的主成分分析，以探讨是否应该将某些成分分组。3个主要成分浮现出来，其特征值均大于1。这三个主成分共解释了总方差的55%。再次使用了斜旋转。这10个成分按照第二次主成分分析分组（见图1）。现在简要描述这些成分。

成就成分

提升：渴望获得力量、快速进步，并在游戏中积累财富或地位的象征。

机制：对分析游戏底层规则和系统以优化角色表现的兴趣。

竞争：渴望挑战和与他人竞争。

社交成分

社交：对帮助他人和与其他玩家交谈的兴趣。

关系：渴望形成长期有意义的关系。

团队合作：从团队努力中获得满足感。

沉浸成分

发现：发现和了解大多数其他玩家不知道的事物。

角色扮演：创建一个有背景故事的角色，并与其他玩家互动以创造即兴故事。

定制：对定制角色外观的兴趣。

逃避：使用在线环境来避免思考现实生活中的问题。

因子分析揭示，MMORPG中的玩家动机并不像巴特尔所建议的那样相互抑制。一个玩家在成就成分上得分高，并不意味着他们在社交成分上不能得分高。这一点通过数据得到支持——这三个主要成分之间的相关性很弱（r < .10）

性别、年龄和使用差异

使用基于因子载荷的回归方法为每位参与者计算了成分得分。在所有成就成分上，男性玩家的得分显著高于女性玩家（t's[3035] > 9.5，p's < .001），

( 在统计分析中，“t’s[3050]>9.5, p's < .001”是用来报告t检验结果的一种方式，其中包含了两个重要的统计量：t值和p值。

而在关系子成分上，女性玩家的得分显著高于男性玩家（t[3035] = -14.31，p < .001）。虽然这些结果似乎确认了性别化游戏风格的典型假设，但实际上，年龄而非性别更好地解释了成就成分的变异。在一个将成就动机作为因变量，性别和年龄作为自变量的多元回归中，得到的模型的确定系数（r-squared）为.15。性别的标准化系数为.16；年龄的标准化系数为-.32。

（ 研究者发现年龄比性别更能解释玩家在成就动机上的差异。在这个模型中，成就动机是因变量（即被解释的变量），而性别和年龄是自变量（即解释因变量的变量）。模型的确定系数（r-squared）是0.15，表示所有自变量共同解释了15%的因变量变异。

在这个模型中，性别的标准化系数是0.16，表明性别对成就动机有正向影响，且影响大小为中等。而年龄的标准化系数是-0.32，表明年龄与成就动机呈负相关，且影响更强。简单来说，这可能意味着随着年龄的增长，对成就动机的重视可能会降低。）

值得注意的是，在关系子成分中存在性别差异，但在社交子成分中却没有，尽管这两个子成分高度相关。换句话说，男性玩家和女性玩家社交的程度一样多，但他们在这些关系中寻求的东西却非常不同。

为了探究这些动机成分是否可能与问题性使用高度相关，从而可能预测问题性使用，还实施了金伯利·杨的互联网用户诊断问卷的一个变体。

结果得出的量表的克隆巴赫α系数为.77，为每位受访者创建了一个综合值来指示其总体问题性使用情况。一个以问题性使用得分为因变量，以十个动机成分、年龄、性别和每周游戏时长为自变量的多元回归揭示了一个显著的模型（确定系数 = .34，p < .001）。逃避成分成为最佳预测因子（b = .31，p < .001），其次是每周游戏时长（b = .30，p < .001）和提升成分（b = .17，p < .01）。所有其他预测因子的标准化系数均小于.10。这种预测因子强度的模式与临床医生的评论相吻合，即存在抑郁症或情绪障碍的用户在网络游戏中发展出问题性使用是常见的

通常情况下，媒体和媒体效果研究人员会将所有电子游戏玩家简化为一个简单的模型。

虽然这样做有助于对潜在的偏离行为或后果（例如，成瘾和侵略性）进行广泛概括，但这种策略不可避免地忽略了一个重要事实，那就是不同的人出于非常不同的原因选择玩游戏，因此，同一款游戏对不同玩家可能具有非常不同的意义或后果。

本文描述的研究试图阐明MMO玩家玩游戏的众多动机，并探讨这些动机因素如何为我们提供分析工具，以描述和理解不同类型玩家的游戏偏好和游戏效果。

这项研究开发的实证模型为未来在线游戏的定量研究提供了坚实的基础，它提供了一个模型来理解玩家动机，一个工具来评估这些动机，从而也是一种了解使用模式、游戏内行为和与玩家动机相关的人口统计变量的手段。