ارائه دستاوردهای علمی در حوزه بازی‌های کارکردی و جدی، همواره از محورهای کلیدی رویدادهای تخصصی بازی‌سازی به شمار می‌رود. در همین راستا و هم‌زمان با برگزاری هشتمین کنفرانس بین‌المللی «بازی‌های رایانه‌ای؛ فرصت‌ها و چالش‌ها» به میزبانی دانشگاه اصفهان (بهمن‌ماه ۱۴۰۴)، مقاله پژوهشی محققان دانشگاه یزد با عنوان «طراحی و پیاده‌سازی بازی جدی چرخه سبز با هدف آموزش مفاهیم کشاورزی پایدار و مدیریت هوشمند منابع» به جامعه بازی‌سازی و پژوهشگران ارائه شد. این اثر که حاصل پژوهش امیرحسین تقی‌زاده صالح‌آباد و فضل‌الله ادیب‌نیا است، با تمرکز بر طراحی تعاملی و تعبیه سیستم‌های خبره، توانسته است مرزهای سنتی بازی‌های شبیه‌ساز را ارتقا دهد. این بازی پیش از این نیز موفق به کسب مقام نخست در هکاتون بازی‌های جدی استان گلستان و کسب رتبه اثر برگزیده در رویداد جایزه بازی‌های جدی در سال ۱۴۰۴ شده بود.
به گزارش روابط عمومی بنیاد ملی بازی‌های رایانه‌ای، یکی از چالش‌های بنیادین در طراحی بازی‌های جدی (Serious Games)، اجتناب از رویکرد تقلیل‌گرایانه (Reductionist) است. بررسی بازی‌های شاخص این حوزه نشان می‌دهد که اغلب آن‌ها از تعادل مکانیک‌های چندمعیاره عاجزند:
-بازی‌هایی نظیر Groundwater Game صرفاً متغیرهای هیدرولوژیک آب زیرزمینی را هدف قرار داده و دینامیک خاک را کنار گذاشته‌اند.
-سامانه‌هایی مانند SoilPlay پدیده‌های فیزیکی خاک را انتزاعی شبیه‌سازی کرده و پیوندی با اقتصاد و مصرف آب برقرار نکرده‌اند.
-شبیه‌سازهای محبوبی چون Farming Simulator نیز با تمرکز یک‌سویه بر مکانیزاسیون و درآمدزایی، متغیرهای پایداری بوم‌شناختی و سیستم‌های استنتاجی را نادیده گرفته‌اند.
نوآوری «چرخه سبز» دقیقاً در همین نقطه شکل گرفته است: طراحی یک معماری یکپارچه گیم‌پلی که بتواند چهار متغیرِ «دینامیک آب زیرزمینی»، «فرسایش و چرخه آیش خاک»، «الگوی کشت چندمحصولی» و «تراز اقتصادی مزرعه» را به یکدیگر پیوند بزند.
معماری فنی، گیم‌پلی چندمعیاره و عاملیت بازیکن
این بازی به صورت چندسکویی (Cross-Platform) و بر پایه موتور بازی‌سازی یونیتی (Unity) توسعه یافته است. گیم‌پلی بازی، مزرعه‌ای با ۲۱ قطعه زمین مستقل را در اختیار کاربر قرار می‌دهد که هر قطعه از دو شاخص پویای «درصد کیفیت خاک» و «رطوبت در دسترس» بهره می‌برد. طراحان بازی با هدف ایجاد درگیری شناختی بالا (Cognitive Engagement)، تصمیم‌گیری‌های بازیکن را مستقیماً به بقای سیستم گره زده‌اند:
۱- تنوع محصولات و تخصیص هوشمند کشت: بازیکن از میان چهار محصول راهبردی (ذرت، گندم، پنبه و هندوانه) که هر یک ماتریس مشخصی از هزینه بذر، دوره رشد، نیاز آبی و حداقل کیفیت خاک دارند، دست به انتخاب می‌زند.
۲- مکانیک محدودیت منابع پایه: آب در دسترس مزرعه منحصراً از سفره‌های زیرزمینی تأمین می‌شود و مصرف بی‌رویه، پایداری مرحله‌های بعدی را ساقط می‌کند.
۳- مکانیک تناوب زراعی و آیش: کشت مکرر موجب تحلیل حاصلخیزی خاک شده و احیای مجدد آن نیازمند اِعمال دوره استراحت است؛ در غیر این صورت، بذر بعدی فاسد شده و بازیکن دچار زیان مالی می‌شود.
۴- حلقه بازخورد اقتصادی: سرمایه اولیه محدود بوده و هزینه‌های جاری مزرعه تنها از طریق فروش هوشمندانه محصولات قابل جبران است؛ در نتیجه، سود کوتاه‌مدت بدون توجه به زیرساخت‌ها به باخت سریع (Game Over) ختم می‌گردد.
سیستم خبره و ارزیابی پنهان (Stealth Assessment) در هسته بازی
وجه تمایز بارز «چرخه سبز» در ساختار فنی، تعبیه یک موتور استنتاج مبتنی بر قوانین (Rule-Based Expert System) در بستر هوش مصنوعی نمادین است. برخلاف بازی‌های آموزشی نسل گذشته که بازخورد را به نمایش امتیاز یا پیام‌های متنی ثابت محدود می‌کردند، این سیستم با بهره‌گیری از رویکرد «ارزیابی پنهان» عمل می‌کند؛ یعنی بدون اینکه روند غوطه‌وری (Immersion) بازیکن شکسته شود، خطاهای سیستماتیک وی تحلیل می‌گردد:
-هدایت هوشمند الگوی مصرف: در صورت افت بحرانی تراز آبخوان یا کاشت نامناسب ارقام پرمصرف در فصول تنش، سامانه به‌طور بلادرنگ پیام‌های راهنمایی برای اصلاح الگوی کشت صادر می‌کند.
-پیشگیری از تخریب منابع: سیستم با محاسبه نرخ فرسایش ناشی از بهره‌برداری ممتد، زمان دقیق آیش زمین را پیش از نابودی محصول به کاربر یادآوری می‌نماید.
-توازن بوم‌شناختی و اقتصادی: هرگاه بازیکن پایداری بلندمدت را فدای سود مقطعی کند، سامانه برهم‌خوردن تعادل اکوسیستم را هشدار داده و او را در تنظیم مجدد استراتژی یاری می‌رساند.
به این ترتیب، یادگیری نه از طریق مطالعه تئوری، بلکه در بطن یک حلقه تعاملی شامل «تصمیم‌گیری زراعی، مشاهده پیامد عینی در مزرعه، دریافت بازخورد تطبیقی هوشمند ، اصلاح راهبرد گیم‌پلی» محقق می‌شود.
دستاوردها و چشم‌انداز توسعه
صحت‌سنجی اولیه معماری نرم‌افزاری و اثبات مفهوم (Proof of Concept) «چرخه سبز» با کسب عناوین برتر در هکاتون استانی و جشنواره ملی بازی‌های جدی، نشان داد که تعادل دقیقی میان اصول گیم‌دیزاین، جذابیت تعاملی و بار علمی در این بازی برقرار شده است. فاز نخست این طرح تحقیقاتی با تثبیت معماری نرم‌افزاری و مکانیک‌های شبیه‌سازی با موفقیت پایان یافته و تیم توسعه در گام‌های بعدی، انجام ارزیابی‌های میدانی اثربخشی یادگیری بر روی جوامع هدف، سنجش شاخص‌های مدل پذیرش فناوری (TAM) و ارتقای موتور استنتاج به الگوریتم‌های یادگیری ماشین (Machine Learning) را در دستور کار دارد.
