La production de jeux vidéo conduite par les données analytiques : l'exemple de Rainbow Six Siege à Ubisoft Montréal
Bibliographic record
Abstract
Dans ce mémoire, nous cherchons à comprendre comment les données analytiques sont interprétées par les équipes de développement de jeux vidéo et comment elles influencent ou non la production de Rainbow Six Siege (Ubisoft, 2015) dans les décisions relatives à sa conception et à sa commercialisation. Rainbow Six Siege (R6S) est un jeu vidéo de tir à la première personne appartenant au modèle de jeux en tant que service. Actuellement, ce jeu vidéo représente un des projets les plus lucratifs pour l’entreprise Ubisoft Entertainment, même dix ans après sa sortie initiale, le 1er décembre 2015. Les jeux en tant que service comme R6S ont influencé la manière dont Ubisoft Montréal conçoit les jeux vidéo actuellement, puisqu’ils permettent de regrouper les joueur·euse·s sous une seule population en quantifiant les utilisateur·rice·s et leurs interactions. Il a été démontré que les jeux en tant que service sont des modèles permettant de mieux comprendre les comportements des joueur·euse·s pour stimuler la consommation, mais aucune étude ne s’est intéressée aux perspectives des concepteur·rice·s pour comprendre les limites de ce modèle. Pour ce faire, nous avons procédé à des entrevues semi-dirigées avec six concepteur·rice·s travaillant sur la production du jeu, en mobilisant des concepts en lien avec l’éthique dans la création de jeux vidéo, les stratégies d’acquisition de consommateurs et consommatrices, les rapports de pouvoir et le capitalisme de surveillance. À partir de ces approches conceptuelles, nous procédons à une analyse de contenu des entretiens afin de dégager les principaux thèmes relevant des expériences professionnelles des développeur·euse·s interviewé·e·s. Tout d’abord, nous expliquons les raisons pour lesquelles les données analytiques occupent une place centrale dans la production de R6S et comment elles permettent d’influencer ou non les stratégies commerciales du jeu. Ensuite, nous voyons comment les données analytiques peuvent causer des ambivalences en lien avec leur interprétation ce qui peut mener à des conséquences concrètes au sein même de la production. Ensuite, nous expliquons comment certains types de données analytiques peuvent être hiérarchisés par rapport à d’autres et comment leurs usages peuvent renforcer des rapports de pouvoir dans la production et dans la communauté de joueur·euse·s. Enfin, nous nous penchons sur la vision des concepteur·rice·s sur le développement d’un jeu vidéo responsable. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : données analytiques, production vidéoludique, Rainbow Six Siege, conception éthique, rapports de pouvoir, décisions stratégiques, conception de jeu, marchandisation.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.011 | 0.005 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.021 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".