基于自然语言处理的中国人群网络游戏障碍发展、维持与复发的敏感评估工具：持续游戏意向量表的开发与验证

《Computers in Human Behavior Reports》：A Sensitive Tool for Capturing the Development, Maintenance, and Relapse of Internet Gaming Disorder: Development and Validation of the Persistent Gaming Intention Scale among Chinese People

本研究针对气候变化教育中生态游戏筛选难题，开发了一种基于自然语言处理（NLP）的创新方法，通过分析Steam平台18.6万条玩家评论，结合词典分析和ClimateBERT模型，有效区分生态游戏与动作/冒险游戏的环境议题讨论热度，并识别出《Beecarbonize》《Alba: A Wildlife Adventure》《Gibbon: Beyond the Trees》等兼具教育潜力与用户吸引力的候选游戏，为教育者提供数据驱动的游戏筛选方案。

　　

在气候变化日益严峻的全球背景下，环境教育的重要性不言而喻。然而，传统教育方法在应对气候变化这一抽象、复杂且具有长期性的议题时，常常面临挑战。人类心理的局限性——例如倾向于忽视时空上遥远的事件、难以理解不确定性、以及对于渐进式变化的低敏感性——使得气候变化教育尤为困难。与此同时，视频游戏作为一种极具吸引力和互动性的媒介，展现出巨大的教育潜力。特别是那些关注环境议题的“生态游戏”（Ecogames），能够通过视觉呈现、沉浸式体验和主动实验等机制，使气候变化议题变得更加具体和有趣。然而，教育工作者和研究人员面临着一个现实难题：在Steam等游戏平台上，每年有成千上万的新游戏发布，如何从这浩如烟海的游戏中，快速、有效地筛选出那些真正包含气候变化相关内容、且适合用于教学或研究的生态游戏？

传统的游戏筛选往往依赖于研究人员的个人经验或静态的游戏列表，这种方法不仅效率低下，而且难以跟上游戏市场日新月异的发展速度。为了解决这一瓶颈，一项发表在《Computers in Human Behavior Reports》上的研究提出了一种创新的解决方案：利用自然语言处理（Natural Language Processing, NLP）技术，对玩家在游戏平台（如Steam）上留下的海量评论进行自动化分析，从而数据驱动地预筛选出具有潜力的生态游戏。

这项研究的核心思路是，玩家在游戏后留下的评论是其游戏体验和认知过程的直接反映。如果一款游戏确实引发了玩家对环境议题的思考，那么这种讨论很可能会体现在玩家的文字评论中。因此，通过分析评论中与气候变化相关内容的出现频率和深度，就可以间接评估该游戏在环境教育方面的潜力和侧重程度。

为了验证这一想法，研究人员开展了一项严谨的实证研究。他们首先确定了45款被文献定义为生态游戏的视频游戏，以及作为对照组的45款随机选取的动作/冒险类游戏。随后，他们通过Steam平台的应用程序接口（API）收集了这些游戏共计超过186,000条英文玩家评论。接着，他们采用了两种互补的自然语言处理方法对评论内容进行分析：第一种是基于词典的方法，研究人员使用了一个包含52个气候变化相关术语的词典（如“气候变化”、“污染”、“生物多样性”、“可持续发展”等），统计这些术语在评论中出现的频率；第二种方法是利用一个名为ClimateBERT的领域自适应模型进行气候变化检测分类，该模型经过大量气候相关文本的训练，能够以二分类的方式（“与气候变化相关”或“与气候变化无关”）对整条评论进行判断。

研究的关键技术方法主要包括：通过Steam API大规模采集玩家评论数据；利用扩展的气候变化术语词典进行词频统计分析；采用预训练的ClimateBERT模型进行细粒度的文本分类，以识别评论中与气候变化的关联性；并结合游戏本身的流行度（推荐率）和平均游戏时长等指标进行综合评估。

研究结果有力地支持了研究人员的假设。首先，词典分析显示，生态游戏评论中气候变化相关术语的出现频率（2015次）显著高于动作/冒险游戏评论（210次），卡方检验结果显著（χ2(1, N=2225) = 1678.77, p < .001）。这表明生态游戏确实更频繁地引发了玩家对环境议题的讨论。其次，ClimateBERT模型的分类结果进一步证实了这一差异：生态游戏评论中被归类为“与气候变化相关”的比例平均为15.28%，而动作/冒险游戏仅为3.07%，独立样本t检验表明这一差异具有统计学意义（t(87) = 4.89, p < .001, Cohen‘s d=1.03）。这不仅验证了NLP方法区分不同类别游戏的能力，也强化了“生态游戏”作为一个有意义分类的效度。

研究还发现，生态游戏内部也存在显著的异质性。不同生态游戏引发气候变化讨论的程度差异很大（相对频率从0.0%到67.9%），其方差显著大于动作/冒险游戏（F(43,44) = 23.92, p < .001）。这意味着并非所有被标签为“生态游戏”的作品在环境教育方面的侧重点和效果都是相同的。例如，《The Sims 4: Eco Lifestyle》（模拟人生4：生态生活）和《Cities: Skylines - Green Cities》（城市：天际线-绿色城市）的评论中气候变化相关内容占比很高（分别达67.9%和63.8%），而像《Arma 3》（武装突袭3）这样的游戏则相对较低（2.0%）。这一发现提示教育者和研究者需要根据具体目标谨慎选择游戏，而不是简单地依赖“生态游戏”这个宽泛的标签。

此外，这种NLP驱动的方法还成功地从对照组（动作/冒险游戏）中识别出了一些潜在的、以往未被归类为生态游戏但实则包含显著环境议题的作品，例如《Another Crab’s Treasure》（另一只螃蟹的宝藏）和《Forever Skies》（永恒天空）。这表明该方法具有发现“隐藏瑰宝”的能力，能够跟上游戏市场快速更新的步伐。

基于综合分析结果，研究人员推荐了三款综合表现突出的生态游戏作为未来教育应用和深入研究的重点候选：《Beecarbonize》、《Alba: A Wildlife Adventure》（阿尔巴：野生动物冒险）和《Gibbon: Beyond the Trees》（长臂猿：超越树林）。这三款游戏不仅在NLP分析中显示出较高的气候变化相关内容，同时兼具较高的玩家推荐率（流行度均超过90%）和相对适中的平均游戏时长（约3-5小时），这使得它们特别适合在课堂或实验室有限的时间内使用，并便于在游戏后进行团队复盘（Debriefing）——这一被广泛认为是游戏化学习中最关键的活动，能有效促进知识从游戏情境向现实世界的迁移。

研究的结论部分强调，这种基于NLP的方法为筛选和评估生态游戏提供了一种快速、可扩展且数据驱动的途径。它能够有效处理海量的、非结构化的玩家生成内容，帮助教育者和研究者克服信息过载的挑战，从而更高效地识别出适合特定教育或研究目标的视频游戏。尽管该方法存在一些局限性，例如社交媒体文本的“杂乱性”可能影响模型精度，以及目前主要局限于Steam平台上的商业游戏，但它无疑为应对快速发展的游戏产业和优化教育游戏资源的选择提供了强有力的工具。未来研究可以进一步优化NLP模型，将其应用于更广泛的游戏平台和议题（如经济、平等、暴力等），并实证检验这些被筛选出的游戏在实际教学环境中的效果。最终，这项研究不仅推进了教育游戏筛选的方法学，也凸显了数字足迹分析和人工智能技术在理解和促进人类与环境互动方面的巨大潜力。