mÄngu arhitektuuri mudelkodu.ut.ee/~illarl/239/dekonstrueerimine.pdf · 2012-03-22 · mÄngu...
TRANSCRIPT
Mängude dekonstrueerimine
Illar Leuhin
Mängu komponeerimise eel tasuks mõelda:
• mida mänguga oleks võimalik õpetada (õpetuslik element)
• kuidas mängu nii juhtida, et õpetatav tuleks esile ja kogemusis kajatuks (kogemuslik element)
• kuidas reflekteerida (reflekteeriv element)
• kuidas kohandada mängu e-õppe kontekstis (kohandatav element) � elementide kontrolli vahend e-õppesse kohandatud mängus? (see on probleem)
MÄNGU ARHITEKTUURI MUDEL
1. Kõikide mängude puhul saab vastata kolmele elemendile: kuidas on määratletud tegutsejad, millised on reeglid ja kuidas on jaotatud ressursid. Mäng toetub neile kolmele komponendile.
Joonis 1. Kõikide mängude ülesehituse sarnased jooned
2. Igal mängul on oma süntaks (ehk vorm), semantika (ehk tähendus),
pragmaatika (ehk kasutus).
Joonis 2. Tegutsejad mängus
Joonis 3. Reeglid mängus
Joonis 4. Mängu ressursid
3.2 Esimene ülesanne: mudelid Ülesanne:
1. Sisenege NetLogo keskkonda. Tutvuge keskkonnaga ning käivitage mudel ”Segregation”http://ccl.northwestern.edu/netlogo/models/Segregation
2. Katsetage mudelit vastavalt juhendile. Kirjeldage kuidas tulemus muutub, kui muudate parameetreid (kilpkonnade arv, paiknemise reeglid). Milliseid paralleele saab tuua päriseluga?
3. Arutlege: o Milliste teemade käsitlemiseks see mudel sobib?
o Kui mudelit kasutada mängu loomiseks, siis milline võiks see mäng välja näha? Pakkuge ideid. See ei pea olema tingimata arvutimäng ega valmis mängu kirjeldus, aga püüdke välja tuua mängu elemente - tegutsejad, reeglid, ressursid. Milline võiks olla legend?
NB! Laadige fail oma tööga üles selle ülesande all oleva akna kaudu. Üldine tagasiside, küsimused ja arutelu toimub kolmanda teema foorumis. Ülesande esitamise tähtaeg on: 23. märts kell 23.55 Tegelikult tekkis totaalne paanika, kuna kohe algul ilmnes minu järjekordne oskamatus ülesande teksti mõista. Püüdsin mudeli edutult käivitada brauseris, selmet kohe otsida allalaetud NetLogo programmist vastav näidis.
Ülesandeks oli kirjeldada Segregation mudelit vastavalt juhendile. Segregatsioon tähendab poliitilises mõttes rassieraldust. Enne juhendit peaks ilmselt uurima selgitust. Mudeli kirjeldus. See mäng modelleerib kahe kilpkonnatõu (punased ja rohelised) käitumist müütilises soos. Erinevat värvi kilpkonnad soovivad olla teist värvi loomast võimalikult eemal, kuid lähedal omasugusele. Algselt tuleb klõpsata SETUP nuppule, mispeale on võrdne hulk erivärvilisi kilpkonni. Seepeale hakkavad kilpkonnad juhuslikult mööda sood levima. Soovitatakse proovida erinevat sama värvusega kilpkonnade potsenti.
Selgus, et Chrome’is polnud mul instaleeritud vastav programm:
� Installisin NetLogo 5.0
Tulemus oli esialgu täiesti arusaamatu. Chrome’i asemel proovin sama asjaga tegeleda IE keskkonnas. Ehk on sinna vajalik programm installitud. Tegelikult ei käivitunud see mudel ka tolles brauseris. Kulutasin tohutu hulga aega probleemi lahendamisele, proovides erinevaid brausereid ja arvuteid, kuni mõistsin, et ehk saab programmi enese käivitamisega mudelile ligi. Ja nii oligi.
Kui terane olla, polnud vastava programmi eelne ingliskeelne juhis just ka briljantselt mõistetav. Seega kulus nüüd omakorda aega, et selle töötamist uurida.
Muudetavaid on NUMBER (hulk) ja %similar-wanted (=omasuguse-soov).
Tulemused on SARNASUSE % ja UNHAPPY %.
KONSTANT: lahenduse aeg!
Mudeli toimimise aega annab reguleerida „normal speed“ nupust.
Proovisin tagasi panna sama seisu, mille korral esimest korda õnnestus muster saada. 1990 isendit ja
72% sarnasust.
Aega kulus tegelikult märksa vähem. Nüüd, leidnud hetkel optimaalse vahekorra, kordan katset veel
neli korda (uurimaks mustrite ja ajakulu erinevust):
Joonis 5. (parem) Aeg 73.8
Joonis 6. (vasak) AEG 73.8
Olin juba valmis arvama, et 73.8 ongi lõplik aeg seesuguses vahekorras ja sama
sarnasuskoefitsiendiga bioomi rahulolu tagamiseks, kui saabus uus näit:
Joonis 7 (parem) aeg 73,8
Joonis 8. (vasak) Aeg 58,8
Seejärel üritan kalibreerida ligikaudse sarnasusvajaduse protsendi 1000 isendi kohta.
Kui isendite hulk oleks 1000, siis näib see sarnasusvajadus olevat 82% kandis. Esimese korra aeg ei
lähe arvesse, sest see oli see, mida ma otsisin. Tegelikult saaks siit otsida maksimaalselt võimaliku %,
mille korral see unhappy hakkab vähenema. Siit saatksi kaks strateegiat: kas võimalikult suure
rahulolu (maksimaalse sarnasusvajaduse) mistahes ajaga või siis, vastupidiselt, leida võimalikult
lühikese aja jooksul toimuva jaotuse sarnasusvajaduse protsendi.
Järgnevatel joonistel jätan alles isendite hulga (1000) ning muudan veidi similar% (vaatame, kuidas
erineb AEG 100% similari ja 0% unhappy korral:
82% kulus aega 571 82% t=290 82% t=364
Üks ülesanne siit ongi mingi kindla sarnasusenivoo leidmine ja nt keskmise ajakulu (ühikuis)
arvutamine modelleeringute põhjal. Kuid sama mudelit edasi arendades saaks sarnasuse% püüda
tõsta. Uskumatu, kuid selgus, et 82% oligioptimaalne! Kui tõstsin sarnasuse 83% peale, muutus
süsteem stabiilseks ning rahunemist ei toimunudki. Seesuguse wanted-sarnasuse puhul püsis
sarnasuseprotsent 60...66 vahel, unhappy aga 71..78% ringis.
Katsetamisi selgus, et kui n<1000, saabubki tasakaal umbes 82% juures. Kui n suurendada, peab
tasakaalupunkt olema väiksem (nt 1830 isendi puhul 71%).
Mudeli katsetamise tulemused ja võimaliku mängu visioon
Ma nimetan nn paiknemise reeglid kilpkonnade rahuloluks. Katsetamisel selgus, et kindla
kilpkonnade hulga puhul (n=1000) on nende rahulolunivoo 82%. Seda rahuloluprotsenti tõstes
muutub süsteem ebastabiilseks ning tasakaalu ei saabugi. Suurema hulga isendite korral peab see
rahuloluprotsent olema väiksem (isendite omavahelised nõudlused nõrgemad).
Sisuliselt (mina kui bioloog) saan tuua reaalselt näite kahest konkureerivast liigist, olgu need siis kas
kilpkonnad ja nende asusutustihedus või taimed ja nende levik. Siin saaks püstitada küsimuse: kui
suur on teatud kindlale pindalale kultiveeritavate taimede või lahti lastavate loomade optimaalne
hulk ühe sigimisperioodi jooksul (selgus, et isendite hulk ajas ei muutu, mistõttu seda arvestada
soovides tuleks rakendada veel perspektiivseid lisaarvutusi). Teine, mis mulle (kui pedagoogile)
meelde tuleb, ongi selle mudeli algne idee — sotsiaalse mudeli arvutamine, nt kui selle paiknemise
reeglina mõelda inimeste individuaalset turvatsooni ja ajafaktorina näiteks kahe leeri (partei või
erakonna või usulahu) vastastikust kohanemist mingis ruumis, olgu või parlamendisaalis.
Seda mudelit annaks õige osavasti ära kasutada just eelkõige bioloogiliste protsesside (eriti just levik)
modelleerimisel. Kujutan ette, et juba kirjeldatud mudelitele lisaks võiks siin punase kilpkonna
asemel olla ka tõvestavate bakterite levik, roheliste asemel aga inimesele kasulikud bakterid. Veidi on
veel vaja mõelda, mida sellisel juhul iseloomustaks see bakterikolooniate muster. Bakterid on siiski
suhteliselt mannetu ja kunstlik näide, kuna nende põhiliseks tunnuseks on kiire paljunemine.
Kindlasti saaks seda mudelit kasutada ka matemaatilise mudeli loomisel. Neid mitme katse tulemusel
saadud tulemusi saaks graafikuisse paigutada ning arvutada (kasvõi Exceliga) vastavad võrrandid.
Kindlasti saaks seda aga rakendada teadusõppe (loodusteadused, science) vaatlus-, planeerimis-,
protokollimis- ja järeldamisoskuste kujundamisel.
Kui seda mudelit kasutades ming mängu loomisel kasutada, peakski see olema ilmselt mingi kodune
teadusprojekt. Vastavalt vajadusele saaks selle korraldada lahendamiseks üksi, paariti või
rühmatööna. Näiteks võiks olla ülesandeks (LEGEND) kiviktaimla haljastamine, teades ette, et
piirkonnas on väga elujõulised just kaks liiki, kellel on kilpkonnadele sarnased nõudmised.
Põhimõtteliselt saaks üks ülesanne ollagi selline, et kuidas võimalikult lühikese ajaga saavutada
tasakaalustatud ökosüsteem, mis oleks ka võimalikult kunstipärase mustriga. Kollane (Sedum
floriferum) ja punane kukehari (Sedum spurium), näiteks.
Ressurssidena tuleksidki siin kõne alla piiratud ruum (virtuaalselt modelleeritav kiviktaimla),
mängijate-projekteerijate hulk (peaksin otstarbekamaks ühtlasi ka meeskonnatööd, kus meeskonda
kuuluks vähemalt üks kunstikalduvustega ja üks arvutit tundev õppija. Olenevalt töö teostamiseks
võimalduvast ajahulgast, võib lisanduda ka matemaatika- või majanduskalduvustega õppija (kelle
ülesanne oleks kalkuleerida võimalikud kulutused) ning bioloogi või mullandushuvidega inimene
(kontrollimaks minu pakutud liikide omavahelisst sobivust ning nõudlust pinnasele).
Joonis 9. Sedum floriferum
Joonis 10. Sedum spurium
Sellist mängu saaks mängida näiteks mingisuguse rahvusvahelise meeskondliku võistluse eel, kuhu
tuleks välja valida kiiremini ja paremini lahenduseni jõudnud meeskond. Sellisel juhul oleksid tegutsejateks rühmad. Kui lasta rühmad õppijatel ise moodustada, lisanduks mängu veel ka
sotsiaalne aspekt. Tõenäoselt on rühmas neid, kes eelistavad toas istumisele õues tegutseda.
Tegutsejad
Sobiks kooli projektitööna. Mängus saavad osaleda ühe õpetaja kõikide klasside vastavas projektis
osalejad. Seega, näiteks kolme klassi 70 õpilast, kes moodustavad kuni 15 meeskonda. Üsna
tõenäone, et nii palju huvilisi ei ole, kuid see siin on ka maksimumprogramm.
Reeglid, rollid ja ressursid
Reeglid peab selgitama mängujuht (kelleks sobib õpetaja). On rühmajuht, kes valib endale
projektimeeskonna. Rühmajuht koordineerib kogu meeskonna tööd.
Igas rühmas võib olla üks modelleerija (kes kasutab NetLogo vastavat mudelit), üks bioloog, üks
matemaatik, üks geoloog (või füüsik), üks mullateadlane (või keemik) ja üks finantsnõunik. Lisaks
(välitööde tarvis) üks arhitekt, kuni kaks aednikku, kellest üks võib olla kunstnik, ja üks hankija.
Geoloogi, bioloogi ja mullateadlase koostöös valmib välitöid teinud arhitekti mõõtmistulemustele
vastav sobiv pinnase- või mullaprofiil. Vahenditena saavad esimesed kasutada raamatukogus olevaid
teatmeteoseid ning internetiavarusi. Geoloogil tuleb jälgida, et erosioon (vesi, tuul) ei ohustaks tulemust. Arhitekt kasutab maamõõdusirklit ja muid käepäraseid vahendeid ning märgib kõik
välimõõtmiste tulemused protokolli. Mullateadlane (või keemik) peab otsustama, kas bioloogi poolt
valitud mullad omavahel kokku sobivad (happesus, poorsus jms). Bioloog otsib ja esitab töörühmale
omapoolsed nõudmised (tegelikult küll vastavate taimede nõudmised) — keerukamal puhul võib
projektis olla reaalne maatükk reaalse pinnasega, kuhu tuleks leida sinna sobivad reaalsed taimed.
Iga rühmaliige esitab oma töölõigu kirjalikult rühmajuhile. Rühmajuht koondab materjalid kokku,
kontrollib nende vastastikus sobivust ning esitab tellimuse modelleerijale, kes teeb koostööd
aednikuga, kel on kunstilisi kalduvusi. Kui leitakse vastavale maastikule sobiv muster, esitatakse
tellimus hankijale, kelle ülesandeks on kohale tuua vastav pinnas ja taimed. Reaalselt võib sellise kiviktaimla asemel olla mingi osa kooliaiast (kus on ka künkaid või lohke, st tegelikkuses
haljastamisele kuuluv ala) või mõtteline ruumiosa (nt paberileht formaadis A0). Olenevalt
ressurssidest võivad olla objektid reaalsed (muld, taimed, väetis) või mängulised. Finantsnõuniku
ülesandeks on välja arvutada, kui rentaabel on vastava kiviktaimla rajamine ning (eriti mittereaalsel
juhul) võimalikult odava lahenduse väljapakkumine. Rühmajuht peab näiteks otsustama, kas
kiviktaimla rajamiseks saab kasutada renditud aiatraktorit või suudab ta rühma liikmed labidatega
tööle rakendada. Kõik kalkulatsioonid, ümberarvutused, variandid jm protokollitakse ja lisatakse
projektile.
Juhul kui tegemist on läbinisti mänguga, saab finantsnõunikule lisaülesandeks anda töötasude
arvutamise ning kogu projekti eelarve koostamise. Olenevalt õppijate baasteadmistest võib sellesse
mängu rakendada ka reaalseid majandusnäitajaid ja näiteks nõuda ka tulumaksude jms arvutamist.
Debriifingu ossa jääb teiste rühmade vastavate projektide kuulamine ja arutelu.
Aeg on selleks mänguks (ja sellises mahus) vähemalt nädal.
Joonis 11. Mitmevärviline püsikutest kiviktaimla
Pildid pärinevad Google’st.