Modeling and analysis of the level design in X-moto

The analysis of the metrics of the videogames to extract information about the level design is not a new practice and it is widely used in the field of the platform games; this because it can help the game designer in his choices and it can help the construction of a PCG (procedural content generation) algorithm. However, the main examples that we can find in the literature are confined to Mario-like games; our goal is to extend these techniques to a videogame that unites the platformers with the racing games, its name is X-Moto. We analyzed this videogame to extract information about the levels, we focused on their structure and on their internal dynamics; then, we used all the data to build a dataset. It was used to create some models able to predict the difficulty (and quality) of the levels, which is expressed by the average vote received by the players. To accomplish this goal, we applied several of data mining techniques to study the correlation between the features and the difficulty of the levels. We also studied the main features that affect the results to discover which are the elements of level design that influence the most the difficulty.

L'analisi delle metriche dei videogame per estrarre informazioni di level design non è una pratica nuova ed è largamente usata nel campo dei platformer; questo perché può aiutare il game designer nelle sue scelte e può anche aiutare nella costruzione di un algoritmo di generazione procedurale. Ma gli esempi principali che possono essere trovati in letteratura sono confinati a giochi tipo Mario; il nostro obbiettivo è di espandere queste tecniche ad un videogame che unisce i platformer con i giochi di corsa, il suo nome è X-Moto. Noi abbiamo analizzato questo videogioco per estrarre informazioni dei livelli, ci siamo concentrati sulla struttura dei livelli e la loro dinamica interna; con questi dati abbiamo costruito un dataset. Questo è stato usato per costruire dei modelli capaci di predire la difficoltà (o la qualità) dei livelli, che è rappresentata dal voto medio espresso dai giocatori. Per fare questo, abbiamo usato tecniche di data mining per dimostrare una correlazione tra le caratteristiche e la difficoltà dei livelli. Con i risultati ottenuti, noi abbiamo studiato le caratteristiche principali che condizionano i risultati per scoprire quali sono gli elementi di level design che più influenzano la difficoltà.