Mängude dekonstrueerimine

Illar Leuhin

Mängu komponeerimise eel tasuks mõelda:

• mida mänguga oleks võimalik õpetada (õpetuslik element)

• kuidas mängu nii juhtida, et õpetatav tuleks esile ja kogemusis kajatuks (kogemuslik element)

• kuidas reflekteerida (reflekteeriv element)

• kuidas kohandada mängu e-õppe kontekstis (kohandatav element) � elementide kontrolli vahend e-õppesse kohandatud mängus? (see on probleem)

MÄNGU ARHITEKTUURI MUDEL

1. Kõikide mängude puhul saab vastata kolmele elemendile: kuidas on määratletud tegutsejad, millised on reeglid ja kuidas on jaotatud ressursid. Mäng toetub neile kolmele komponendile.

Joonis 1. Kõikide mängude ülesehituse sarnased jooned

2. Igal mängul on oma süntaks (ehk vorm), semantika (ehk tähendus),

pragmaatika (ehk kasutus).

Joonis 2. Tegutsejad mängus

Joonis 3. Reeglid mängus

Joonis 4. Mängu ressursid

3.2 Esimene ülesanne: mudelid Ülesanne:

1. Sisenege NetLogo keskkonda. Tutvuge keskkonnaga ning käivitage mudel ”Segregation”http://ccl.northwestern.edu/netlogo/models/Segregation

2. Katsetage mudelit vastavalt juhendile. Kirjeldage kuidas tulemus muutub, kui muudate parameetreid (kilpkonnade arv, paiknemise reeglid). Milliseid paralleele saab tuua päriseluga?

3. Arutlege: o Milliste teemade käsitlemiseks see mudel sobib?

o Kui mudelit kasutada mängu loomiseks, siis milline võiks see mäng välja näha? Pakkuge ideid. See ei pea olema tingimata arvutimäng ega valmis mängu kirjeldus, aga püüdke välja tuua mängu elemente - tegutsejad, reeglid, ressursid. Milline võiks olla legend?

NB! Laadige fail oma tööga üles selle ülesande all oleva akna kaudu. Üldine tagasiside, küsimused ja arutelu toimub kolmanda teema foorumis. Ülesande esitamise tähtaeg on: 23. märts kell 23.55 Tegelikult tekkis totaalne paanika, kuna kohe algul ilmnes minu järjekordne oskamatus ülesande teksti mõista. Püüdsin mudeli edutult käivitada brauseris, selmet kohe otsida allalaetud NetLogo programmist vastav näidis.

Ülesandeks oli kirjeldada Segregation mudelit vastavalt juhendile. Segregatsioon tähendab poliitilises mõttes rassieraldust. Enne juhendit peaks ilmselt uurima selgitust. Mudeli kirjeldus. See mäng modelleerib kahe kilpkonnatõu (punased ja rohelised) käitumist müütilises soos. Erinevat värvi kilpkonnad soovivad olla teist värvi loomast võimalikult eemal, kuid lähedal omasugusele. Algselt tuleb klõpsata SETUP nuppule, mispeale on võrdne hulk erivärvilisi kilpkonni. Seepeale hakkavad kilpkonnad juhuslikult mööda sood levima. Soovitatakse proovida erinevat sama värvusega kilpkonnade potsenti.

Selgus, et Chrome’is polnud mul instaleeritud vastav programm:

� Installisin NetLogo 5.0

Tulemus oli esialgu täiesti arusaamatu. Chrome’i asemel proovin sama asjaga tegeleda IE keskkonnas. Ehk on sinna vajalik programm installitud. Tegelikult ei käivitunud see mudel ka tolles brauseris. Kulutasin tohutu hulga aega probleemi lahendamisele, proovides erinevaid brausereid ja arvuteid, kuni mõistsin, et ehk saab programmi enese käivitamisega mudelile ligi. Ja nii oligi.

Kui terane olla, polnud vastava programmi eelne ingliskeelne juhis just ka briljantselt mõistetav. Seega kulus nüüd omakorda aega, et selle töötamist uurida.

Muudetavaid on NUMBER (hulk) ja %similar-wanted (=omasuguse-soov).

Tulemused on SARNASUSE % ja UNHAPPY %.

KONSTANT: lahenduse aeg!

Mudeli toimimise aega annab reguleerida „normal speed“ nupust.

Proovisin tagasi panna sama seisu, mille korral esimest korda õnnestus muster saada. 1990 isendit ja

72% sarnasust.

Aega kulus tegelikult märksa vähem. Nüüd, leidnud hetkel optimaalse vahekorra, kordan katset veel

neli korda (uurimaks mustrite ja ajakulu erinevust):

Joonis 5. (parem) Aeg 73.8

Joonis 6. (vasak) AEG 73.8

Olin juba valmis arvama, et 73.8 ongi lõplik aeg seesuguses vahekorras ja sama

sarnasuskoefitsiendiga bioomi rahulolu tagamiseks, kui saabus uus näit:

Joonis 7 (parem) aeg 73,8

Joonis 8. (vasak) Aeg 58,8

Seejärel üritan kalibreerida ligikaudse sarnasusvajaduse protsendi 1000 isendi kohta.

Kui isendite hulk oleks 1000, siis näib see sarnasusvajadus olevat 82% kandis. Esimese korra aeg ei

lähe arvesse, sest see oli see, mida ma otsisin. Tegelikult saaks siit otsida maksimaalselt võimaliku %,

mille korral see unhappy hakkab vähenema. Siit saatksi kaks strateegiat: kas võimalikult suure

rahulolu (maksimaalse sarnasusvajaduse) mistahes ajaga või siis, vastupidiselt, leida võimalikult

lühikese aja jooksul toimuva jaotuse sarnasusvajaduse protsendi.

Järgnevatel joonistel jätan alles isendite hulga (1000) ning muudan veidi similar% (vaatame, kuidas

erineb AEG 100% similari ja 0% unhappy korral:

82% kulus aega 571 82% t=290 82% t=364

Üks ülesanne siit ongi mingi kindla sarnasusenivoo leidmine ja nt keskmise ajakulu (ühikuis)

arvutamine modelleeringute põhjal. Kuid sama mudelit edasi arendades saaks sarnasuse% püüda

tõsta. Uskumatu, kuid selgus, et 82% oligioptimaalne! Kui tõstsin sarnasuse 83% peale, muutus

süsteem stabiilseks ning rahunemist ei toimunudki. Seesuguse wanted-sarnasuse puhul püsis

sarnasuseprotsent 60...66 vahel, unhappy aga 71..78% ringis.

Katsetamisi selgus, et kui n<1000, saabubki tasakaal umbes 82% juures. Kui n suurendada, peab

tasakaalupunkt olema väiksem (nt 1830 isendi puhul 71%).

Mudeli katsetamise tulemused ja võimaliku mängu visioon

Ma nimetan nn paiknemise reeglid kilpkonnade rahuloluks. Katsetamisel selgus, et kindla

kilpkonnade hulga puhul (n=1000) on nende rahulolunivoo 82%. Seda rahuloluprotsenti tõstes

muutub süsteem ebastabiilseks ning tasakaalu ei saabugi. Suurema hulga isendite korral peab see

rahuloluprotsent olema väiksem (isendite omavahelised nõudlused nõrgemad).

Sisuliselt (mina kui bioloog) saan tuua reaalselt näite kahest konkureerivast liigist, olgu need siis kas

kilpkonnad ja nende asusutustihedus või taimed ja nende levik. Siin saaks püstitada küsimuse: kui

suur on teatud kindlale pindalale kultiveeritavate taimede või lahti lastavate loomade optimaalne

hulk ühe sigimisperioodi jooksul (selgus, et isendite hulk ajas ei muutu, mistõttu seda arvestada

soovides tuleks rakendada veel perspektiivseid lisaarvutusi). Teine, mis mulle (kui pedagoogile)

meelde tuleb, ongi selle mudeli algne idee — sotsiaalse mudeli arvutamine, nt kui selle paiknemise

reeglina mõelda inimeste individuaalset turvatsooni ja ajafaktorina näiteks kahe leeri (partei või

erakonna või usulahu) vastastikust kohanemist mingis ruumis, olgu või parlamendisaalis.

Seda mudelit annaks õige osavasti ära kasutada just eelkõige bioloogiliste protsesside (eriti just levik)

modelleerimisel. Kujutan ette, et juba kirjeldatud mudelitele lisaks võiks siin punase kilpkonna

asemel olla ka tõvestavate bakterite levik, roheliste asemel aga inimesele kasulikud bakterid. Veidi on

veel vaja mõelda, mida sellisel juhul iseloomustaks see bakterikolooniate muster. Bakterid on siiski

suhteliselt mannetu ja kunstlik näide, kuna nende põhiliseks tunnuseks on kiire paljunemine.

Kindlasti saaks seda mudelit kasutada ka matemaatilise mudeli loomisel. Neid mitme katse tulemusel

saadud tulemusi saaks graafikuisse paigutada ning arvutada (kasvõi Exceliga) vastavad võrrandid.

Kindlasti saaks seda aga rakendada teadusõppe (loodusteadused, science) vaatlus-, planeerimis-,

protokollimis- ja järeldamisoskuste kujundamisel.

Kui seda mudelit kasutades ming mängu loomisel kasutada, peakski see olema ilmselt mingi kodune

teadusprojekt. Vastavalt vajadusele saaks selle korraldada lahendamiseks üksi, paariti või

rühmatööna. Näiteks võiks olla ülesandeks (LEGEND) kiviktaimla haljastamine, teades ette, et

piirkonnas on väga elujõulised just kaks liiki, kellel on kilpkonnadele sarnased nõudmised.

Põhimõtteliselt saaks üks ülesanne ollagi selline, et kuidas võimalikult lühikese ajaga saavutada

tasakaalustatud ökosüsteem, mis oleks ka võimalikult kunstipärase mustriga. Kollane (Sedum

floriferum) ja punane kukehari (Sedum spurium), näiteks.

Ressurssidena tuleksidki siin kõne alla piiratud ruum (virtuaalselt modelleeritav kiviktaimla),

mängijate-projekteerijate hulk (peaksin otstarbekamaks ühtlasi ka meeskonnatööd, kus meeskonda

kuuluks vähemalt üks kunstikalduvustega ja üks arvutit tundev õppija. Olenevalt töö teostamiseks

võimalduvast ajahulgast, võib lisanduda ka matemaatika- või majanduskalduvustega õppija (kelle

ülesanne oleks kalkuleerida võimalikud kulutused) ning bioloogi või mullandushuvidega inimene

(kontrollimaks minu pakutud liikide omavahelisst sobivust ning nõudlust pinnasele).

Joonis 9. Sedum floriferum

Joonis 10. Sedum spurium

Sellist mängu saaks mängida näiteks mingisuguse rahvusvahelise meeskondliku võistluse eel, kuhu

tuleks välja valida kiiremini ja paremini lahenduseni jõudnud meeskond. Sellisel juhul oleksid tegutsejateks rühmad. Kui lasta rühmad õppijatel ise moodustada, lisanduks mängu veel ka

sotsiaalne aspekt. Tõenäoselt on rühmas neid, kes eelistavad toas istumisele õues tegutseda.

Tegutsejad

Sobiks kooli projektitööna. Mängus saavad osaleda ühe õpetaja kõikide klasside vastavas projektis

osalejad. Seega, näiteks kolme klassi 70 õpilast, kes moodustavad kuni 15 meeskonda. Üsna

tõenäone, et nii palju huvilisi ei ole, kuid see siin on ka maksimumprogramm.

Reeglid, rollid ja ressursid

Reeglid peab selgitama mängujuht (kelleks sobib õpetaja). On rühmajuht, kes valib endale

projektimeeskonna. Rühmajuht koordineerib kogu meeskonna tööd.

Igas rühmas võib olla üks modelleerija (kes kasutab NetLogo vastavat mudelit), üks bioloog, üks

matemaatik, üks geoloog (või füüsik), üks mullateadlane (või keemik) ja üks finantsnõunik. Lisaks

(välitööde tarvis) üks arhitekt, kuni kaks aednikku, kellest üks võib olla kunstnik, ja üks hankija.

Geoloogi, bioloogi ja mullateadlase koostöös valmib välitöid teinud arhitekti mõõtmistulemustele

vastav sobiv pinnase- või mullaprofiil. Vahenditena saavad esimesed kasutada raamatukogus olevaid

teatmeteoseid ning internetiavarusi. Geoloogil tuleb jälgida, et erosioon (vesi, tuul) ei ohustaks tulemust. Arhitekt kasutab maamõõdusirklit ja muid käepäraseid vahendeid ning märgib kõik

välimõõtmiste tulemused protokolli. Mullateadlane (või keemik) peab otsustama, kas bioloogi poolt

valitud mullad omavahel kokku sobivad (happesus, poorsus jms). Bioloog otsib ja esitab töörühmale

omapoolsed nõudmised (tegelikult küll vastavate taimede nõudmised) — keerukamal puhul võib

projektis olla reaalne maatükk reaalse pinnasega, kuhu tuleks leida sinna sobivad reaalsed taimed.

Iga rühmaliige esitab oma töölõigu kirjalikult rühmajuhile. Rühmajuht koondab materjalid kokku,

kontrollib nende vastastikus sobivust ning esitab tellimuse modelleerijale, kes teeb koostööd

aednikuga, kel on kunstilisi kalduvusi. Kui leitakse vastavale maastikule sobiv muster, esitatakse

tellimus hankijale, kelle ülesandeks on kohale tuua vastav pinnas ja taimed. Reaalselt võib sellise kiviktaimla asemel olla mingi osa kooliaiast (kus on ka künkaid või lohke, st tegelikkuses

haljastamisele kuuluv ala) või mõtteline ruumiosa (nt paberileht formaadis A0). Olenevalt

ressurssidest võivad olla objektid reaalsed (muld, taimed, väetis) või mängulised. Finantsnõuniku

ülesandeks on välja arvutada, kui rentaabel on vastava kiviktaimla rajamine ning (eriti mittereaalsel

juhul) võimalikult odava lahenduse väljapakkumine. Rühmajuht peab näiteks otsustama, kas

kiviktaimla rajamiseks saab kasutada renditud aiatraktorit või suudab ta rühma liikmed labidatega

tööle rakendada. Kõik kalkulatsioonid, ümberarvutused, variandid jm protokollitakse ja lisatakse

projektile.

Juhul kui tegemist on läbinisti mänguga, saab finantsnõunikule lisaülesandeks anda töötasude

arvutamise ning kogu projekti eelarve koostamise. Olenevalt õppijate baasteadmistest võib sellesse

mängu rakendada ka reaalseid majandusnäitajaid ja näiteks nõuda ka tulumaksude jms arvutamist.

Debriifingu ossa jääb teiste rühmade vastavate projektide kuulamine ja arutelu.

Aeg on selleks mänguks (ja sellises mahus) vähemalt nädal.

Joonis 11. Mitmevärviline püsikutest kiviktaimla

Pildid pärinevad Google’st.