Bu çalışmada 1.000 rekabetçi maçtan toplanmış göz izleme verisini inceliyoruz. Amaç sadece ısı haritaları göstermek değil; oyuncuların hangi anlarda nereye baktıkları, hata öncesi belirgin görsel sinyaller ve ELO ile beklenmedik ilişkilere dair içgörüler üretmek. Yazıda veri işleme, modelleme, sonuçlar ve saha uygulamaları adım adım ele alınıyor.
Veri ve Hazırlık: Ne toplandı, nasıl hazırlandı?
Veri seti 1.000 maçtan oluşuyor; her maç için göz izleme (gaze samples), olay zaman damgaları (kills, deaths, ability uses, objective takibi), oyuncu ELO değerleri ve maç süresine bağlı meta veriler mevcut. Göz izleme cihazları 120 Hz ile kaydedildi. Ortalama maç süresi 18-22 dakika aralığında değişiyor.
Önişleme adımları
- Senktronizasyon: Göz verileri ile oyun olayları milisaniye düzeyinde eşlendi.
- Artefakt temizleme: Blinks ve hızlı kayıp segmentleri I-VT filtreleriyle çıkarıldı.
- Fixation ve saccade tespiti: I-DT (dispersion-threshold) yöntemi kullanıldı; minimum fixation süresi 80-100 ms, maksimum dispersion eşik değeri 1.5 derece olarak ayarlandı.
- AOI (Areas of Interest) tanımı: Minimap, hedef reticle, takım hud'u, yetenek göstergeleri ve çevresel elementler ayrı AOI'lar olarak etiketlendi.
Analiz Yöntemi: Hangi metrikler hesaplandı?
Göz izleme analizinde sadece sabit bakış süreleri yeterli değildir. Bu nedenle birden fazla düzeyde metrik hesapladık:
- Fixation duration: AOI başına ortalama ve medyan süre.
- Time to first fixation (TTFF): Kritik olaydan önceki ilk bakışın zamansal uzaklığı.
- Saccade amplitude: Hızlı bakış geçişlerinin büyüklüğü; oyuncunun tarama stratejisini yansıtır.
- Scanpath entropy: Dikkat dağılımının düzensizliğini ölçer; yüksek entropi daha rastgele taramaya işaret eder.
- Pre-error gaze patterns: Hata (ör. friendly fire, miss, kaçırılan hedef) meydana gelmeden 1.5 saniye içindeki göz hareketleri kümelendi ve sınıflandırıldı.
Bulgular: Oyuncuların bakış noktaları ve kalıplar
Genel dağılım, beklendiği gibi kritik UI öğelerine yoğunlaşmış durumda. Ancak ilginç nüanslar ortaya çıktı:
- Minimap ve takım hud'u, yüksek ELO oyuncularında daha sık ve daha kısa süreli aralıklarla kontrol ediliyor. Bu, yüksek frekanslı kısa göz atımların (micro-checks) stratejik fark yarattığını gösteriyor.
- Orta-düşük ELO oyuncularında reticle üzerine uzun sabit bakışlar görüldü; bu durum bazen hedef değişikliklerini fark etmemeye yol açıyor çünkü çevresel uyarıları göz ardı ediyorlar.
- Scanpath entropy açısından, en iyi %10'luk oyuncu dilimleri orta seviyede entropi gösteriyor — ne çok düzenli ne de tamamen rastgele. Bu denge, hedefe odaklanma ile çevre takibinin optimal birleşimini gösteriyor.
Kritik Hata Anlarından Önceki Göz Davranışları
Hata anlarının (örneğin kaçırılmış kritik yetenek, yanlış hedef seçimi) 1.0-1.5 saniye öncesi incelendiğinde ortak motifler belirdi:
- Hata öncesi artan TTFF değerleri: Oyuncunun kritik AOI'a bakma gecikmesi hata olasılığını artırıyor.
- Saccade burst'leri: Hızlı ve büyük açılı bakış geçişleri, oyuncunun dikkatinin dağılmasına işaret ediyor; bu anlarda hatalar yüksek oranda ortaya çıktı.
- Gaze-off ekran oranı: Bazı hatalar oyuncunun ekran dışı kısa bakışlarıyla (ör. dış etkenlere bakma, telefon) korelasyonlu bulundu.
ELO ile Beklenmeyen İlişkiler
En dikkat çekeni: ELO yüksek oyuncuların her zaman daha 'mükemmel' göz izleme stratejisine sahip olmaması. Veride üç beklenmedik ilişki saptadık:
- Geniş tarama stratejisi ve düşük ELO: Düşük ELO oyuncularının bazen daha geniş bir görsel tarama yaptığını, ancak bu taramanın verimli olmadığı görüldü. Geniş tarama = bilgi toplama, ancak ilgisiz AOI'lara da bakma eğilimi hataya yol açabiliyor.
- Fazla odaklanma ve yüksek ELO'da kırılma: Çok yüksek ELO oyuncularının bazı kritik anlarda tek bir AOI'a aşırı odaklandığı gözlendi; bu durum beklenmedik situasyonlarda hızlı adaptasyonu zorlaştırdı.
- ELO'nun kısmi açıklama gücü: ELO tek başına göz izleme kalıbını tam açıklamıyor. Kişisel stil, oynanan rol ve oyun içi görev (örn. destek vs taşıyıcı) büyük etki yapıyor.
Örnek Vaka
Bir oyunda taşıyıcı rolündeki yüksek ELO oyuncusu, takım savaşının başında reticle'a odaklandığı için yan şeritte beliren flanker'ı gözden kaçırdı. Bu hatadan önceki 900 ms içinde oyuncunun TTFF değeri ortalamadan 220 ms daha uzundu. Bu tür örnekler ELO'nun bağlama bağlı olarak sınırlarını gösteriyor.
Modelleme: Hataları Tahmin Etme ve ELO ile ilişkileri modelleme
Pre-error patternleri tahmin etmek için karma (mixed-effects) lojistik regresyon ve rastgele orman (random forest) modelleri denendi. Tasarım şu şekildeydi:
- Bağımlı değişken: hata (binary) — belirli bir olayda hata/başarı.
- Bağımsız değişkenler: fixation süreleri, TTFF, saccade amplitude, scanpath entropy, oyuncu ELO, rol, maç bölümü.
- Rastgele etki: oyuncu ID'si (aynı oyuncunun çoklu maçlarını hesaba katmak için).
Performans: Karışıma dayalı modeller AUC ~0.68-0.72 aralığında, rastgele orman AUC ~0.71 civarında çıktı. En güçlü öznitelikler TTFF, son 500 ms içindeki fixation sayısı ve scanpath entropy idi. ELO tek başına zayıf bir tahminleyici ama modele eklendiğinde etkileşimlerle beraber anlamlı bir katkı sağladı.
Pratik Çıkarımlar ve Öneriler
Bu bulguların uygulaması hem antrenman hem de oyun tasarımı açısından somut adımlar sunuyor:
Antrenman ve Koçluk
- TTFF odaklı egzersizler: Kritik AOI'lara hızlı bakış alışkanlığı kazandırmak için reaktif mini senaryolar.
- Micro-check drill'leri: Minimap ve takım HUD'unun kısa, sık kontrollerini içeren rutinler.
- Pre-error geri bildirimleri: Hata anından önceki 1 saniyelik göz kaydını oyuncuyla birlikte izlemek, farkındalık oluşturur.
Oyun Tasarımı ve UX
- Bilgi yoğun AOI'larda minimal tasarım: Ajanda bilgilerini önceliklendirerek oyuncunun aramaya gerek kalmaması sağlanmalı.
- Dikkat yönlendirme sinyalleri: Kritik olaylarda hafif görsel/işitsel ipuçları TTFF'yi düşürebilir.
Sınırlar, Etik ve Gelecek Çalışmalar
Her çalışma gibi bunun da sınırları var. Cihaz kaynaklı hatalar, farklı oyun modlarının etkisi ve kontrol edilemeyen çevresel faktörler sonuçları etkileyebilir. Ayrıca göz izleme verisi kişisel mahremiyete girer; oyuncu onayı ve verinin anonimleştirilmesi hayati.
Gelecek adımlar:
- Gerçek zamanlı hata uyarı sistemleri geliştirmek ve saha testleri yapmak.
- Rol-odaklı alt-analizler: destek/taşıyıcı/solo rollerinin farklı göz stratejileri.
- Multimodal veri entegrasyonu: Göz izleme + biyometrik veriler (nabız, galvanik deri yanıtı) ile bilişsel yük ölçümü.
Sonuç: Ne öğrenmeliyiz?
1.000 maçlık göz izleme analizi, oyuncu dikkatinin ve hata dinamiklerinin karmaşık olduğunu gösterdi. ELO tek başına her şeyi açıklamıyor; hem düşük hem de yüksek ELO gruplarında farklı zayıflıklar ve güçlü yönler var. Önemli olan bu içgörüleri antrenmana, arayüze ve gerçek zamanlı destek sistemlerine çevirmek.
Özetle, göz izleme verisi yalnızca 'kim daha çok bakmış' göstergesi değil; zamanlama, dağılım ve bağlamla birlikte değerlendirildiğinde hem performans analizi hem de somut gelişim planları için güçlü bir araçtır.
Uygulamalar: Koçlar TTFF ve micro-check frekansını takip etmeli, geliştiriciler kritik bilgileri daha öne çıkarmalı ve araştırmacılar multimodal yaklaşımlar ile doğrulamaya devam etmeli.
