Serious Games: Wie Bildungsspiele realistisch werden

Sogenannte Serious Games kombinieren Spaß mit Lerninhalten. Eine neue Methode soll für besonders echt wirkende Spielinhalte sorgen – mittels Crowdsourcing.

Stellen Sie sich vor, Sie sind ein Polizist, der mit John konfrontiert wird, einem 21-jährigen männlichen Verdächtigten, der am Sonntagabend in ein Privathaus eingedrungen sein soll, um einen Computer, Schmuck und etwas Bargeld zu entwenden. Ihr Job ist es nun, herauszufinden, ob John ein Alibi hat und ob es glaubwürdig und kohärent ist.

Mit solchen und ähnlichen Situationen werden Polizisten auf der ganzen Welt regelmäßig konfrontiert. Doch wie trainiert man für diese Fälle? Wie lernt man die notwendigen Fähigkeiten, um die richtigen Informationen zusammenzustellen und die korrekten Entscheidungen zu treffen?

Abhilfe schaffen sogenannte Serious Games, Computerspiele also, die einen Zweck haben, der abseits der reinen Unterhaltung liegt. In den vergangenen zehn Jahren begannen Organisationen aus den verschiedensten Bereichen, mit spielbasierten Szenarien zu experimentieren, die dafür gedacht sind, Menschen besser auf ihre Jobs vorzubereiten – und das mit Hilfe möglichst realistischer Situationen.

Es gibt dabei aber ein Problem. Zwar kann man ein oder zwei glaubwürdige Spielinhalte recht einfach programmieren, doch wenn es darum geht, immer wieder neue "Fälle" zu generieren, und das, wenn möglich automatisch, wird es schwierig.

Stellen Sie sich vor, John aus unserem obigen Beispiel wäre ein computergenerierter Charakter. Welche Aktivitäten müsste er beschreiben, damit er ein glaubwürdiges Alibi für Sonntagabend vorbringt? Und wie würde das tausende Male funktionieren, jedes Mal mit einem anderen, realistischen Alibi?

Sigal Sina von der Bar Ilan University in Israel hat zusammen mit einigen Kollegen eine Lösung für dieses Problem erarbeitet. Das Team hat eine Methode entwickelt, mit der sich realistische Szenarien herstellen lassen, die in Serious Games eingefügt werden können. Dabei setzen sie nicht auf reine Computerintelligenz. Stattdessen nutzen sie zusätzlich ein Crowdsourcing mit Hilfe der Plattform Amazon Mechanical Turk.

Dazu bitten die Forscher die Mitglieder der Crowdsourcing-Plattform, einige einfache Fragen zu beantworten. Sie sollen erzählen, was sie in einer jeweils eine Stunde langen Periode an mehreren Tagen erledigt haben. Diejenigen, die das am detailreichsten erledigen, erhalten eine Bonuszahlung. Dann werden die Antworten analysiert und die verschiedenen Aktivitäten nach Faktoren wie Zeit der Tätigkeit, das Alter der Personen oder ihr Geschlecht sortiert.

Das erlaubt einem Computerspiel dann, aus den Antworten Aktionen zu passenden Zeiten zu generieren. Beispielsweise kann der Computer dann ein Alibi für John an einem Sonntagabend auswählen, in dem es die Aktivitäten nutzt, die ein männliches Mechanical-Turk-Mitglied für die gleiche Zeit beschreibt. Aktivitäten einer Frau von einem Freitagmorgen fallen dagegen heraus, weil es sonst unglaubwürdig wäre. Der Computer tauscht außerdem verschiedene Details in der Geschichte aus, etwa Namen und Orte, damit sie zu Johns Profil passen.

Sina und das Forscherteam testeten die Ergebnisse später an mehreren Dutzend Personen, die bewerten sollten, wie authentisch und realistisch sie waren. Zudem wurde ein Vergleich mit den Originalantworten durchgeführt. Das Ergebnis war beeindruckend – die meisten schätzten die Serious-Games-Szenarien als realistisch ein.

Als Nächstes soll das Verfahren nun in echten Spielen eingesetzt werden. "Wir haben die Szenarien bereits in einer Trainingsanwendung verwendet, die die Verhörfähigkeiten junger Polizeibeamter verbessern soll." "John" und seine virtuellen Straftäterkollegen hätten nun eine nahezu unendliche Zahl realistischer Alibis zur Auswahl. Entwickler anderer Serious Games sollten sich an dem Verfahren ein Beispiel nehmen. Es ist kostengünstig und könnte sich leicht auch für andere Bereiche – nicht nur das Polizistentraining – eignen. ()