引言
每天有數百萬人在被稱為大型多人在線角色扮演遊戲（MMORPG）的在線環境中互動。平均年齡為26歲的MMORPG玩家通常每週在這些環境中花費22小時。詢問MMORPG玩家為什麼玩遊戲會發現動機有很大的不同：
目前，我正在嘗試在虛擬世界的經濟範圍內建立一個運作中的公司。主要是為了更多地瞭解現實世界的社會理論在虛擬經濟中是如何運作的。 [男性，30歲]
與其他人交流，或者僅僅是聽聽別人‘閒聊’，都能夠使我沉浸在遊戲中，這一點非常吸引人。” [女性，34歲]
事實上，這種動機的變化表明，MMORPG之所以能吸引如此多的玩家，是因為它們能滿足許多不同類型的遊戲風格。能夠明確和量化這些動機為探索不同玩家群體是否有不同的動機，以及某些動機是否與玩家的參與模式或其他遊戲內行為更高度相關提供了基礎。
這樣的模型對研究人員和遊戲設計師都有價值。對於研究人員，研究結果可能有助於澄清某些類型的玩家是否更容易出現有問題的使用方式。對於遊戲開發者，研究結果可能有助於明確某些遊戲機制可能吸引或排斥某些玩家群體
雖然巴特爾的玩家分類是多用戶地牢（MUD）用戶的一個著名分類法，但該模型的基本假設從未經過實證測試。例如，巴特爾假設對一種遊戲類型的偏好（例如成就）會抑制其他類型的遊戲（例如社交或探索）。
此外，也從未實證證明這四種玩家類型確實是獨立的類型。換句話說，這些類型中的幾個，可能高度相關。本質上，除非用實證數據對巴特爾的模型進行驗證並以此為基礎，否則很難在實際中使用巴特爾的模型。在接下來的工作中，我將描述一個基於因子分析的方法來創建一個以實證為基礎的玩家動機模型。
基於因子分析的方法是一種用於處理和理解大量數據的統計方式。比如說你有一堆關於不同人的信息，比如他們在遊戲中的行為、偏好、時間花費等。因為信息太多、太複雜。我們很難直接用這些數據進行分析。那麼這時候因子分析就像是一個幫你整理這些信息的工具，它可以把這些複雜的數據簡化，找出幾個關鍵的主題或“因子”。這些因子可以被看作是隱藏在數據背後的主要動力或模式。比如，在研究遊戲玩家的動機時，因子分析可能會揭示一些主要的動機類型，如“成就感”、“社交”或“探索”。這樣，我們就可以更清楚地理解玩家的行為，而不是被大量細節信息淹沒。
研究方法
基於巴特爾的類型和早期對MMORPG玩家進行的定性調查信息，生成了一份包含40個與玩家動機相關的問題列表。玩家使用一個具有完整標籤、特定於結構的5點量表進行回應。例如，被調查者被問到：“對您來說，儘快提升等級有多重要？”在準備好這些調查項目之後，通過在線調查從3000名MMORPG玩家中收集了數據，這些調查在專注于于幾款流行MMORPG的在線門戶網站上公佈，包括EverQuest、Dark Age of Camelot、Ultima Online和Star Wars Galaxies。然後對這些數據進行因子分析，以探測調查項目之間的關係，從而揭示其潛在的聯繫。
結果
使用主成分分析法對40項調查清單進行了更簡潔的表示。
(主成分分析法（簡稱PCA）是一種統計方法，用來簡化數據的複雜性。想象一下，你有一堆積木，每快代表數據中的一個變量。主成分分析就像是從積木中找出幾個關鍵塊，這些關鍵塊能代表或概括整個圖像的主要特徵。在PCA中，這些“關鍵塊”就是所謂的“主成分”，它們是原始數據中最能代表數據整體特點的部分。在實務上我們使用方差與正交性來辨識什麼是”主成分“）
( 一般來說，特徵值越大，該主成分越有代表性。我也不知道為什麼，spss這麼寫的)
採用了斜旋轉（Promax，kappa=4）方法。大多數載荷量超過0.55，且沒有任何次級載荷量超過主載荷量的30%。幾乎所有成分的克隆巴赫α係數均超過0.70。
（Promax是進行斜旋轉的一種具體方式，而kappa=4指的是在Promax旋轉中使用的一個參數，用來控制成分之間的相關性強度。 載荷量是指原始變量在每個主成分上的權重。載荷量的絕對值越大，說明該變量在對應的主成分中越重要 。 次級載荷量不超過主載荷量的30%：這意味著每個變量與它不屬於的其他成分（次級成分）的關聯性要遠低於它所屬的那個成分（主成分）。這是一種質量控制，確保每個變量主要隻影響一個成分。 ）
由於成分數量眾多，對這10個成分進行了額外的主成分分析，以探討是否應該將某些成分分組。3個主要成分浮現出來，其特徵值均大於1。這三個主成分共解釋了總方差的55%。再次使用了斜旋轉。這10個成分按照第二次主成分分析分組（見圖1）。現在簡要描述這些成分。
成就成分
提升：渴望獲得力量、快速進步，並在遊戲中積累財富或地位的象徵。
機制：對分析遊戲底層規則和系統以優化角色表現的興趣。
競爭：渴望挑戰和與他人競爭。
社交成分
社交：對幫助他人和與其他玩家交談的興趣。
關係：渴望形成長期有意義的關係。
團隊合作：從團隊努力中獲得滿足感。
沉浸成分
發現：發現和了解大多數其他玩家不知道的事物。
角色扮演：創建一個有背景故事的角色，並與其他玩家互動以創造即興故事。
定製：對定製角色外觀的興趣。
逃避：使用在線環境來避免思考現實生活中的問題。
因子分析揭示，MMORPG中的玩家動機並不像巴特爾所建議的那樣相互抑制。一個玩家在成就成分上得分高，並不意味著他們在社交成分上不能得分高。這一點通過數據得到支持——這三個主要成分之間的相關性很弱（r < .10）
性別、年齡和使用差異
使用基於因子載荷的迴歸方法為每位參與者計算了成分得分。在所有成就成分上，男性玩家的得分顯著高於女性玩家（t's[3035] > 9.5，p's < .001），
( 在統計分析中，“t’s[3050]>9.5, p's < .001”是用來報告t檢驗結果的一種方式，其中包含了兩個重要的統計量：t值和p值。
- t值（t's[3050] > 9.5）：這裡的“t's[3050]”表示t檢驗的統計量，這裡表示樣本大小。t值是一個比較樣本平均值差異與內部變異的比率。這裡的t值大於9.5表明差異很大，而且這個比率在統計學上是顯著的。
- p值（p's < .001）：p值衡量在零假設（通常是沒有效應或沒有差異的情況）為真時，觀察到當前結果或更極端結果的概率。p值小於0.001表示這種概率非常小，因此我們可以非常有信心地拒絕零假設，認為觀察到的效應或差異是真實存在的。根據t檢驗的結果，我們觀察到的數據差異是非常顯著的，幾乎可以肯定結果不是偶然的 )
而在關係子成分上，女性玩家的得分顯著高於男性玩家（t[3035] = -14.31，p < .001）。雖然這些結果似乎確認了性別化遊戲風格的典型假設，但實際上，年齡而非性別更好地解釋了成就成分的變異。在一個將成就動機作為因變量，性別和年齡作為自變量的多元迴歸中，得到的模型的確定係數（r-squared）為.15。性別的標準化係數為.16；年齡的標準化係數為-.32。
（ 研究者發現年齡比性別更能解釋玩家在成就動機上的差異。在這個模型中，成就動機是因變量（即被解釋的變量），而性別和年齡是自變量（即解釋因變量的變量）。模型的確定係數（r-squared）是0.15，表示所有自變量共同解釋了15%的因變量變異。
在這個模型中，性別的標準化係數是0.16，表明性別對成就動機有正向影響，且影響大小為中等。而年齡的標準化係數是-0.32，表明年齡與成就動機呈負相關，且影響更強。簡單來說，這可能意味著隨著年齡的增長，對成就動機的重視可能會降低。）
值得注意的是，在關係子成分中存在性別差異，但在社交子成分中卻沒有，儘管這兩個子成分高度相關。換句話說，男性玩家和女性玩家社交的程度一樣多，但他們在這些關係中尋求的東西卻非常不同。
為了探究這些動機成分是否可能與問題性使用高度相關，從而可能預測問題性使用，還實施了金伯利·楊的互聯網用戶診斷問卷的一個變體。
結果得出的量表的克隆巴赫α係數為.77，為每位受訪者創建了一個綜合值來指示其總體問題性使用情況。一個以問題性使用得分為因變量，以十個動機成分、年齡、性別和每週遊戲時長為自變量的多元迴歸揭示了一個顯著的模型（確定係數 = .34，p < .001）。逃避成分成為最佳預測因子（b = .31，p < .001），其次是每週遊戲時長（b = .30，p < .001）和提升成分（b = .17，p < .01）。所有其他預測因子的標準化係數均小於.10。這種預測因子強度的模式與臨床醫生的評論相吻合，即存在抑鬱症或情緒障礙的用戶在網絡遊戲中發展出問題性使用是常見的
討論
通常情況下，媒體和媒體效果研究人員會將所有電子遊戲玩家簡化為一個簡單的模型。
雖然這樣做有助於對潛在的偏離行為或後果（例如，成癮和侵略性）進行廣泛概括，但這種策略不可避免地忽略了一個重要事實，那就是不同的人出於非常不同的原因選擇玩遊戲，因此，同一款遊戲對不同玩家可能具有非常不同的意義或後果。
本文描述的研究試圖闡明MMO玩家玩遊戲的眾多動機，並探討這些動機因素如何為我們提供分析工具，以描述和理解不同類型玩家的遊戲偏好和遊戲效果。
這項研究開發的實證模型為未來在線遊戲的定量研究提供了堅實的基礎，它提供了一個模型來理解玩家動機，一個工具來評估這些動機，從而也是一種瞭解使用模式、遊戲內行為和與玩家動機相關的人口統計變量的手段。