【Apex】プレイヤーの「上手さレベル」を数値化可能に —大学研究チームにより『BOM-Proxemicsスコア』が開発され学術誌に掲載

従来、ゲームの熟練度測定は自己申告に依存していました。

一般的な質問:

• ゲーム歴は何年ですか？
• 週に何時間プレイしますか？
• 自分の技術レベルは？（初心者～上級者）

しかし、プレイヤーは自分のプレイ時間や技術レベルを過大/過小評価しがちで、正確な分類が困難でした。

研究チームは行動観察マトリックス（BOM-Proxemics）を開発しました。

測定する4つの空間行動領域:

1. 空間配置（Spatial Positioning）

• マップ内での位置取りと移動
• リング縮小への対応
• 有利なポジション確保

2. 空間認識（Spatial Realization）

• ゲームシステムの理解
• チーム内コミュニケーション
• Pingシステムの活用

3. 空間適応（Spatial Appropriation）

• マップ確認の頻度と判断
• インベントリ管理
• デスボックス漁り

4. 空間相互作用（Spatial Interactivity）

• 環境からのアイテム回収
• シールド・体力回復
• クラフト利用
• 蘇生・リスポーン

対象: Twitch配信から102名のプレイヤーを選出

• 初心者: 34名（ブロンズ・シルバー）
• 中級者: 34名（ゴールド・プラチナ）
• 上級者: 34名（ダイヤ・マスター・プレデター）

分析: 各プレイヤーのランクマッチ1試合を観察し、16種類の行動パターンを10秒間隔で記録

1. 高い測定精度

複数の評価者間で97%以上の一致率を達成。測定の信頼性が非常に高いことが証明されました。

2. ランクとの強い相関

BOM-Proxemicsスコアとゲーム内ランクの間に中程度の正の相関（ρ=0.712）が確認されました。

3. 熟練度の予測が可能

スコアが0.1上昇するごとに、上位ランクに所属する確率が2.34倍に増加します。

4. 3つの領域が特に重要

• 空間配置: 位置取りが最も重要（1.16倍）
• 空間相互作用: 環境との相互作用（1.12倍）
• 空間適応: インターフェース管理（1.14倍）

※空間認識は有意な予測因子にならず（全プレイヤーが基本システムを理解済みのため）

5. 明確な熟練度区分

初心者・中級者・上級者の間に統計的に有意な差が確認されました。

• 初心者: 平均スコア 0.42
• 中級者: 平均スコア 0.61
• 上級者: 平均スコア 0.82

研究チームがApex Legendsを選んだ理由:

1. 透明なランクシステム

順位ポイントとキルポイントの計算式が公開されており、ランク決定の仕組みが明確です。

2. 空間的な複雑性

リングの縮小メカニズムにより、プレイヤーは常に位置を調整する必要があり、空間認識能力が重要になります。

3. 高評価

Metacriticで88点を獲得した高品質なゲームであり、ゲームデザインの問題が分析に影響しません。

4. 配信データの豊富さ

Twitchで最も配信されるバトロワゲームのため、研究用データの収集が容易です。

ゲーム研究への貢献

従来の自己申告に頼らず、客観的な行動観察でプレイヤーの熟練度を測定可能になりました。

他分野への応用可能性

この手法はApex以外のゲームや、VR環境、デジタル学習環境など、複雑な空間を扱う他の領域にも応用可能です。

esportsへの活用

プロチームが選手のパフォーマンス分析や新人発掘に活用できる可能性があります。

研究チームは以下の課題を挙げています:

• 他のゲームジャンルへの適用可能性の検証
• 複数試合の分析による精度向上
• 完全初心者（アクリメーション段階）の分析
• 配信者特有のバイアス除去