本文是“游戏学术经典”栏目推荐的一篇学术论文，由北京师范大学何威老师、刘梦霏老师主编的《游戏研究读本》收录了此文。篇幅所限仅节录部分原文于此，想要进一步阅读本文的可以查阅《游戏研究读本》，或点击链接http://gamestudies.org/1801/articles/paul_martin阅读英文原文。

引言

众所周知，游戏研究是多学科交融的领域。只要在各学术研究数据库上快速搜索一下，就会出现一系列专门研究计算机游戏的期刊、论文、编辑过的文集和专著。各学术领域的学者研究计算机游戏的主题不尽相同，从机器学习、性别表征、角色设计到认知康复。这些学术工作在理论框架、研究方法和研究基本制度方面存在明显差异。这使得将所有游戏研究集中在一个单一学科下几乎不可能实现，而且对研究也可能没有帮助。尽管存在种种差异，这些研究也有一些共同之处，即如何更好地理解计算机游戏，游戏是如何被制造的、游戏的含义、游戏的作用、游戏如何帮助或伤害我们。

面对多样的学术探索，不仅自己学科内同事的学术成果会对研究有所启发，其他交叉学科和产业界的进步也会帮助学者更好地理解游戏。法兰斯·迈拉(Frans Mäyrä, 2009）将计算机游戏描述为:"多层次的系统和意义过程，在其文化特征中融合了表现形式和表演形式，是基于规则的模式和即兴的模式。"他认为，这使得跨学科性成为游戏文化分析的基本必要条件。同样的论点可以应用于游戏研究的其他领域。以特定的学科视角，将注意力集中在一个层次或过程上，而忽视其他层次或过程，虽然存在以偏概全的风险，但多个视角有助于学者更好地理解游戏。例如，研究上瘾的传播学学者可以通过对游戏设计的深入理解而获得新的见解，设计理论家可以从人工智能或教育理论的最新进展受到启发或挑战。

跨学科研究是很难实现的。研究制度因素和不同的工作方式可能阻碍跨学科合作，不同学科所感兴趣的话题也不一样。当一个学者尝试去理解一个陌生学科的理论传统，他往往望而生畏。想要从不同角度看待游戏的学者可以慢慢学习，但需要知道去哪里看。本文的主要目的是提供一个关于游戏研究主题和学术知识的指示图，这将有助于指导希望了解游戏研究不同方法的学者。

为此，本文采用了一种无形大学(Invisible Colleges)的方法进行游戏研究。无形大学是指 一种学者团体，代表一个领域的特定主题或方法。它们在某种意义上是不可见的，因为它们可能无法在现场作为学派或运动被识别，但可以通过对该领域的成果进行大规模分析来检测它们(de Solla Price, 1965)。无形大学的方法对于描述性和探系性目的的研究都是有用的。特别是图书馆员和校外研究机构会发现游戏研究的知识结构综述对他们很有帮助，也同样有助于该领域的初学者。在该领域已有一定建树的学者也可能会发现，了解他们自己的研究如何与其他学科的研究相辅相成或发生冲突，对他们把自己的研究融入整体学术架构也有所帮助。这种方法还可以跟踪某一领域在其发展的不同阶段，根据不同阶段具有重要意义的主题来描述该领域的历史发展。在更广泛的学术研究背景下，对游戏研究的历史分析可作为新研究领域发展的案例研究。历史分析还有助于确定新主题，使之成为潜在的重要研究前沿。描述这些内容会推动更具探索性和思辨性的讨论，在此基础上确定可能存在的研究差异和合作领域。

此前也有文献综述、系统性综述、科学计量分析以及从特定学科或视角对游戏研究展开的调查（如Bragge et al., 2010; Carter et al., 2014; Coavoux, Boutet & Zabban, 2017; Quandt et al., 2015; Smith, 2008)。但是，游戏研究的漫反射性质使得全面的文献综述具有挑战性。梅尔萨、陈正瑆、阮张慧（音译）和伊比斯特(Melcer, Chen, Nguyen & Ibister, 2015)采用网络研究方法处理这一问题，他们研究了来自48个核心游戏研究领域的8000多篇论文，并研究了这些论文的关键词是如何围绕特定游戏研究主题聚集的。他们在文中确定了20个研究主题，认为技术领域和非技术领域之间存在根本的分离，并确定 DiGRA和数字游戏基金会(FDG)举办的会议是这些领域之间的重要联系。

本研究还使用关键词共现分析来了解游戏研究中的主题聚类范围。与梅尔萨等人(Melcer et al., 2015)的论文不同，本论文涵盖了包括来自核心研究领域之外更广泛的论文样本。本文还通过作者共引分析来补充关键词分析，以便从学术影响和主题选择的角度来理解游戏研究的知识结构。

《游戏与文化》特刊(Mäyrä & Sotamaa, 2017)从学术角度对游戏研究展开两部分的讨论，并提出使用科学计量学来讨论游戏研究。在第一部分中，考福克斯等人(Coavoux et al., 2017)关注的是游戏研究中最常分析的游戏类型。在第二部分中，迪特丁(Deterding, 2017)认为，将游戏学术确立为一种正式的研究形式，使得已经将自己置于游戏研究中的学者迁移回他们的自身学科（例如传播领域），会促使游戏研究转变为狭隘的交叉学科。这些分析侧重于游戏研究中的特定领域。目前的研究希望建立在这些分析的基础上，但扩大了游戏研究的范围。

关键词共现分析

关键词共现分析使用作者或来源附加到文献的关键词作为其数据。文献的关键词数量不同，因此随机选择10个关键词作为包含11个或更多关键词的文本。虽然为每个文献提供关键词是最为理想的状态，但关键词数据库不包含每个文献。没有关键词的文本没有包含在分析中。关键词要求是以词干为主且拼写规范化。常用短语“视频游戏”、“计算机游戏”和“数字游戏”不包含在内。这些词被排除在外，是因为它们没有提供有关该游戏类型的信息，并且它们在整个样本中的流行可能导致出现识别错误。对于最常见的词。笔者会合并类似的关键词（例如上瘾和成 瘾，虚拟现实和VR设备)。这就产生了150688个关键词和9996个独特关键词。

每个关键词都是网络中的一个节点。本文使用Sci2 software(Sci2 Team, 2009)计算这些节点之间的关系（连接）。如果两个关键词同时出现在两个不同的文本中，它们就由一条线连接起来。关键词同时出现的文本越多，这条线的权重就越高。基于该关键词共生分析构建图，并在图形可视化软件Gephi (Bastian, Heymann & Jacomy, 2009）中进行布局。

为了确定不同主题的发展情况，本文还使用了突发分析法(Kleinberg, 2002)。该算法可以识别特定关键词在某段时间内的使用情况。它可以在游戏研究发展的特定时点识别新的主题，也可以识别近年来出现的前沿研究方向。

作者共引分析

共引分析是通过研究某一领域的引文模式来确定该领域知识结构的一种方法。它可以采取来源、文献或作者共同引用的形式。根据赵党志和斯特曼(Zhao & Strotmann, 2015, p.27)以及巴克豪斯、卢格和柯赫(Backhaus, Ltigger & Koch, 2011)的建议，再加上来自各个领域的例子，本研究采用作者共引分析方法(Chen & Lien, 2011; Small, 1973; Ferreira, Fernandes & Ratten, 2016)。其中每个被引用到的作者都是网络中的节点，连接在样本中至少一个文献中共同引用的作者。这些连接按作者被引用的次数加权。引用的作者遵循赵党志和斯特曼(2015, pp.109-112)中概述的技术消除歧义。引用水平由引用的绝对数量确定，其中自引计数和单个文献中的多次引用仅计数一次。这符合赵党志和斯特曼(2015)以及陈梁楚（音译）和连恩(Chen & Lien, 2011)的建议。综上所述，本次统计下来的结果为：引用总数为575 649条，共引用了220 238位作者。

本次研究选择了被引用率最高的前300位作者作为研究范围。这比许多其他特定领域的分析样本数量要高。例如，赵党志和斯特曼(2015)建议少于200个，许多分析使用大约100个样本(例如Ferreira, Fernandes & Ratten, 2016)。由于游戏研究是高度学科交叉的，因此需要更大的样本来反映研究的广度。较小的样本将无法解释那些引用率较低的游戏研究领域，例如计算机科学会议；还有游戏研究中的一些最新发展，例如健康类游戏。引用次数最多的300位作者的引用次数介于107至1718之间，平均值为234。这些作者占样本中所有引用次数的12%。

在接下来的部分，本文使用了网络分析法来确定游戏研究的集合结构。由于游戏研究领域的规模和多样性，共引矩阵中存在大量的空单元。也就是说，大量的主要作者根本没有被引用。怀特(White，2003)在其文章中说，具有许多空单元的共引用矩阵将夸大集群内的相似性，因此研究结果可以确定游戏研究中的不同集群，并被视为游戏研究的总体概括。

网络分析

本文使用了大量的网络分析术语来解释分析结果。“引用”是指作者在整个样本中引用的总数。它给出了作者在游戏研究中的影响的总体印象。在本文中，只有300名被引用最多的作者被用于共引分析。“节点”（作者或关键词）的程度是连接到节点的其他节点的数量。对于一个关键词，这意味着在整个示例中与之同时出现的其他关键词的数量。对于作者而言，这意味着在这300名作者中有一定数量的作者在同一篇文章中被共同引用到。”强度“是用来衡量连接性的单位，其考虑节点连接到的不同节点的数量（度）和节点与其连接的每个节点（权重）的连接数。它可以很好地衡量节点对网络的重要性。”中心性”是指节点在网络中的中心位置。在该分析中使用了两种中心性度量：紧密度中心性和中介性中心性。紧密度中心性是节点与网络中每个其他节点之间的平均距离。中介性中心性是节点出现在网络中一对节点之间的最短路径上的次数。“集合”是连接到彼此的节点集群，而不是连接到集群外部的节点。这种聚类表明了共同的理论、方法框架或共同主题。在该分析中，使用Louvain集合检测算法(Blondel, Guillaume, Lambiotte & Lefebvre, 2008)。此算法先前已用于通过共引模式检测集合（例如 Wallace, Gingras & Duhon, 2008)。在使用该算法时，有必要确定集群的信号率。低密度结果会归类到大量小型集合下（在极端情况下，与节点数量相同的集合）。高密度结果会归类到少量大型集合下（在极端情况下，整个网络都有一个集合）。为了进行比较，本次研究以三种不同的比例确定集合。主要集合的阈值为1.2。然后笔者将这些集合与网络分离，并使用相同的阈值确定其他子组。要查看更高级别的连接，同样的算法也会在整个网络上以1.5和3.0的阈值运行，从而返回较少数量的大型集合。通过这种方式，可以确定哪些集合关联度较高，哪些集合最难整合到网络中。

笔者认为，重要的是要注意本分析能做什么和不能做什么。它可以基于主题和智力影响提供游戏研究中对主要集合的概述。由于最近的学者还没有时间达到这个阈值，所以共引分析无法捕捉到更近期的研究。为了获取更多最新的学术成果，本文在共引分析的基础上补充了关键词共现分析。

分析反映了数据库中的内容，但是数据库并不完美。Scopus在1996年以前的社会科学和2001年以前的人文科学的覆盖面很差。这在突发分析中有所影响。我们对2001年以后的研究发展比这之前更有信心。尽管我们不能得出结论，在2001年之前没有关键词就意味着没有关于那个主题的研究，但它确实为我们提供了当时正在进行的研究的图景。

该分析不能，也不适用于评估不同领域或个体作者的相对重要性。引文模式在不同领域中有所不同(Glänzel, 2007; Eom, 2015)。此外，在该分析中，仅包括引用文章中的第一作者。排除不是第一作者的共同作者对评价引文分析有着严重影响（目标是评估个别学者的贡献）。比较测试表明，如果研究目标确定一个领域的整体结构，这个问题就不那么重要了(Zhao & Strotmann, 2015, p30)。

…………（略）

结论及进一步研究方向

本研究并不打算完整展示游戏研究的范围，但本文的研究结果表明，计算机游戏是学术界一个充满活力和不断增长的研究领域，吸引了来自各大学一系列的研究和专业知识的参与。如果各集合的研究人员对类似的主题感兴趣或借鉴类似的理论影响，就有可能产生深度的跨学科合作。例如，传播和设计相关学者似乎都对玩家体验感兴趣；而健康和教育相关学者都对学习理论和动机感兴趣。

本文只是该领域的整体概述，并不是游戏研究知识结构的最后结论。对单个集合进行更细致的分析将有助于更好地理解这些集合内部的差异————例如，梳理出教育集合中建构主义者和动机理论家之间的区别。这类更有针对性的分析可以弥补本文遇到的问题，即按照梅尔萨等人的关键词创建方法排除没有关键词的文本。希望本文可以作为一个平台，让专家在这里确定的特定子域内进行这些更细维度的分析。

Scopus对英文文献的收录存在偏差，而使用英语关键词进行搜索，事实是加剧了这种偏差。补充其他语言的分析将会更有价值，它可以用来比较在游戏研究中国家/语言的差异。