بهترین پلتفرم‌های گیمیفیکیشن برای جوامع (۲۰۲۶)

پاسخ کوتاه: تقریباً هیچ پژوهشی در گیمیفیکیشن ماندگاری را اندازه نمی‌گیرد، پس هیچ‌کس نمی‌تواند صادقانه بگوید کدام مکانیک اعضا را نگه می‌دارد. تنها استثنا یک جفت پژوهش ویکی‌پدیا از همان نویسندگان است که بر اساس جمعیت تقسیم می‌شود: نشان‌ها احتمال توقف مشارکت‌کنندگان پربارتر را کاهش دادند، در حالی که پژوهش پیگیری همان پاداش‌ها را با ماندگاری کمتر در میان اعضای کم‌فعال‌تر مرتبط دانست. فراتر از آن، امتیازها و سطوح میزان کار افراد را بالا می‌برند بدون آنکه احساسشان را تغییر دهند؛ جدول‌های رتبه‌بندی واقعاً رقابتی‌اند؛ و زنجیره‌ها ضعیف‌ترین شواهد را در میان همه دارند. پلتفرم را بر اساس رفتاری که نیاز دارید انتخاب کنید — Discourse برای دسترسی‌های کسب‌شده، Circle برای جدول‌های رتبه‌بندی اختیاری، Guild.xyz برای دسترسی محدودشده، Zealy برای وظایف تأییدشده خارج از پلتفرم.

افشاگری: Zealy این صفحه را منتشر می‌کند و Zealy یکی از ابزارهای آن را می‌فروشد. این دلیلی است برای خواندن بخشی که پنج ویژگی گیمیفیکیشن موجودنبوده در Zealy را فهرست می‌کند، و دو جایی که در ادامه Discourse و Circle کاری را بهتر از ما انجام می‌دهند.

روش: هر ادعای Zealy در اینجا در 17 اوت 2026 از کد منبع خود Zealy خوانده شده است، نه از بازاریابی Zealy یا مستندات آن، که پیش‌تر نادرست بودنشان را دیده‌ایم. هر یافته پژوهشی از مقاله یا رکورد چکیده خود ناشر نقل شده است. جایی که فقط به چکیده دسترسی داشتیم، این را می‌گوییم و هیچ حجم نمونه یا اندازه اثری از آن ذکر نمی‌کنیم. جایی که سایت یک فروشنده ما را رد کرد، آن را هم می‌گوییم و به جای آن ویژگی‌هایی را که ندیدیم توصیف نمی‌کنیم.

آخرین بازبینی: 17 اوت 2026.

منظور مردم از پلتفرم گیمیفیکیشن در واقع چیست

عبارت «پلتفرم گیمیفیکیشن» سه بازار متفاوت را پوشش می‌دهد. آن را جست‌وجو کنید و ابزارهای آموزش الکترونیکی، نرم‌افزار عملکرد کارکنان و ویجت‌های کمپین بازاریابی را می‌یابید — Genially، Playable، SC Training، Centrical، Drimify. پلتفرم‌های جامعه و وب3 مانند Zealy، Galxe و Layer3 در نتایجی که در 17 اوت 2026 اجرا کردیم ظاهر نشدند.

پس اگر «پلتفرم گیمیفیکیشن» را تایپ کردید چون چیزی می‌خواستید که امتیاز و جدول رده‌بندی را به Discord یا انجمن شما اضافه کند، نتایج خطاب به شما نیستند. آن‌ها خطاب به مدیر آموزش و توسعه‌ای هستند که می‌خواهد یک آزمون شبیه مسابقه تلویزیونی باشد، یا بازاریابی که چرخ شانس روی صفحه فرود می‌خواهد. این‌ها محصولات واقعی‌اند که مشکلات واقعی را حل می‌کنند. آن‌ها این مشکل را حل نمی‌کنند.

این نوشته به نسخه دقیق‌تر پرسش می‌پردازد — گیمیفیکیشن برای یک جامعه — و تلاش نمی‌کند اصطلاح اصلی را از آن خود کند. بقیه آن بر اساس مکانیک سازمان یافته است نه بر اساس محصول، چون مکانیک همان بخشی است که یا کار می‌کند یا نمی‌کند، و هر پلتفرم زیر ترکیبی از همان شش مورد است.

اگر پرسش واقعی شما این است که «جامعه‌ام را روی کدام نرم‌افزار اجرا کنم»، این تصمیمی متفاوت و گسترده‌تر است، و بررسی نرم‌افزار مدیریت جامعه پنج شغل نامرتبط پنهان در آن را با قیمت‌ها پوشش می‌دهد.

آنچه پژوهش بازی‌وارسازی واقعاً می‌سنجد — و آنچه نمی‌سنجد

تقریباً هیچ‌یک از پژوهش‌های بازی‌وارسازی، حفظ کاربر را نمی‌سنجد. ما سه فراتحلیل موجود در مرور خود را برای واژه‌های حفظ کاربر، ریزش، ترک و رهاکردن جست‌وجو کردیم و هیچ‌یک از این واژه‌ها را نیافتیم. این موضوع اساساً در یک جا سنجیده شده است — ویکی‌پدیا، توسط یک جفت نویسنده، دو بار — با نتایجی که بر اساس جمعیت متفاوت است. ادبیات پژوهش در عوض انگیزه، حجم خروجی و نتایج یادگیری را می‌سنجد.

این نکته ارزش تأمل دارد، زیرا دقیقاً برعکس چیزی است که بازاریابی این دسته می‌گوید. «بازی‌وارسازی حفظ کاربر را X٪ افزایش می‌دهد» جمله‌ای است که در ده‌ها صفحه فروشندگان پیدا می‌شود. ما نتوانستیم حتی یک عدد از این دست را منبع‌یابی کنیم و قصد نداریم یکی از خودمان بسازیم.

آنچه پژوهش واقعاً می‌سنجد و جایی که سنجیده شده است.

یادگیری و انگیزه، در آموزش. فراتحلیل سال ۲۰۲۰ Sailer و Homner در Educational Psychology Review گزارش می‌دهد «اثرات کوچک معنادار … بر پیامدهای یادگیری شناختی (g = .49 …، k = 19، N = 1686)، انگیزشی (g = .36 …، k = 16، N = 2246) و رفتاری (g = .25 …، k = 9، N = 951)». دو نکته همراه آن است: این حوزه آموزش است، و خود نویسندگان یادآوری می‌کنند که اثرات انگیزشی و رفتاری «کمتر پایدار» بودند در یک تقسیم‌بندی سخت‌گیرانه‌تر. این مجوزی برای گفتن «بازی‌وارسازی کار می‌کند» نیست.

ارضای نیاز روانی، همچنین در آموزش. فراتحلیل ۲۰۲۴ لی، هیو و دو در ETR&D گزارش می‌دهد g کلی 0.257 [0.043, 0.471]، با خودمختاری در 0.638 [0.139, 1.136] و ارتباط در 1.776 [0.737, 2.814]. آن بازه ارتباط بسیار بزرگ است — عدد بدون بازه شما را گمراه می‌کرد، به همین دلیل هر دو چاپ شده‌اند. شایستگی در 0.277 [0.001, 0.553] بود، کران پایینی عملاً صفر.

حجم خروجی، در آزمایشگاه. چندین آزمایش آنلاین میزان کار تولیدشده توسط افراد را اندازه‌گیری می‌کنند. آن‌ها عموماً کار بیشتری می‌یابند و تغییری در احساس افراد مشاهده نمی‌کنند.

انگیزه درونی، در آزمایشگاه. فراتحلیل دسی، کستنر و رایان در سال 1999 در Psychological Bulletin پایهٔ هر استدلال «پاداش‌های بیرونی نتیجهٔ معکوس می‌دهند» است. جزئیات بیشتر دربارهٔ اعداد واقعی آن در ادامه، چون مرتباً اشتباه نقل می‌شوند.

ماندگاری: دو مطالعه، یک پلتفرم، جمعیت‌های متضاد. Restivo و van de Rijt آن را دو بار در ویکی‌پدیا اندازه‌گیری کردند. آزمایش تصادفی‌شدهٔ سال ۲۰۱۲ آن‌ها گزارش می‌دهد که دریافت‌کنندگان بارن‌استار «بهره‌وری پایدار بیشتری نشان دادند و احتمال کمتری داشت که مشارکت را قطع کنند» — اما نمونه شامل ۱٪ برتر ویرایشگران بود. پیگیری سال ۲۰۱۴ آن‌ها، در میان ویرایشگران با بهره‌وری متفاوت، گزارش می‌دهد که پاداش‌ها «با حفظ کمتر مشارکت‌کنندگان کم‌فعال مرتبط بودند». مقالهٔ ۲۰۱۴ پشت دیوار پرداخت است، پس فقط جهت آن را می‌نویسیم و نه چیز دیگری. دو یافته، یک پلتفرم، یک جفت نویسنده: این تمام پایهٔ شواهد حفظ برای این مقاله است، و می‌گوید قدردانی بهترین افراد شما را نگه می‌دارد و ممکن است بقیه را از دست بدهید.

هشدار تعمیم‌پذیری، به‌روشنی بیان شده. بیشتر این پژوهش در حوزهٔ آموزش و روان‌شناسی آزمایشگاهی است. چند مطالعه در چیزی شبیه به یک جامعهٔ آنلاین قرار می‌گیرند — آزمایش‌های ویکی‌پدیا، یک آزمایش جمع‌سپاری، یک تحلیل Stack Overflow، یک مطالعهٔ انجمن Duolingo — و یکی از آن‌ها خلاف کارهای کلاسی را نشان می‌دهد. Sailer و Homner حتی دریافتند که محیط نتایج را تعدیل می‌کند درون ادبیات آموزش، برای پیامدهای شناختی: «اثرات یافت‌شده در محیط‌های مدرسه به‌طور معناداری بزرگ‌تر از اثرات یافت‌شده در محیط‌های آموزش عالی یا محیط‌های آموزش غیررسمی بود.» این تعدیل‌گر برای پیامدهای انگیزشی یا رفتاری معنادار نبود، پس آن را بیش از خودشان گسترش ندهید — اما اگر شکافی بین مدرسه و دانشگاه اصلاً ظاهر شود، فرض برقراری انتقال از مدرسه به Discord پشتیبانی نمی‌شود.

هر عدد زیر را با این نکته در نظر بگیرید.

امتیازها و XP: شواهد برای حجم، نه برای انگیزه

امتیازها و XP برای یک چیز شواهد نسبتاً خوبی دارند: اینکه میزان کاری که افراد انجام می‌دهند را افزایش می‌دهند. در یک آزمایش آنلاین حاشیه‌نویسی تصویر، Mekler و همکارانش دریافتند که امتیازها، سطوح و یک جدول امتیازات به‌طور معناداری برچسب‌های بیشتری تولید کردند، و این عناصر را فقط برای ارتقای کمیت عملکرد مؤثر توصیف کردند. خود انگیزه تغییری نکرد.

نقل قول دقیق از عبارت آن‌ها ارزش دارد: «امتیازها، و به‌ویژه سطوح و جدول امتیازات، به افزایش چشمگیر تعداد برچسب‌های تولیدشده انجامید … تنها در ترویج کمیت عملکرد مؤثر بود.» ما این یافته را از طریق چکیده ناشر و نه متن کامل به دست آوردیم، بنابراین هیچ اندازه نمونه یا اندازه اثری در اینجا ذکر نشده است. مطالعات ۲۰۱۳ و ۲۰۱۷ این گروه را یک نتیجه از یک آزمایشگاه روی یک نوع وظیفه در نظر بگیرید.

خلاصه صادقانه این است: «کمیت، نه کیفیت، نه انگیزه». این هنوز مفید است. اگر آنچه نیاز دارید حجم است — ارسال‌های بیشتر، ترجمه‌های بیشتر، گزارش‌های تست بیشتر — امتیازها ابزاری قابل دفاع با پشتوانه واقعی هستند. اگر آنچه نیاز دارید افرادی است که بیشتر اهمیت می‌دهند، امتیازها اهرم مبتنی بر شواهد نیستند و هیچ‌کس نباید آن‌ها را به این عنوان به شما بفروشد.

یافته دومی وجود دارد که نحوه استفاده شما از آن‌ها را محدود می‌کند. Deci، Koestner و Ryan دریافتند که «پاداش‌های مشروط به مشارکت، مشروط به تکمیل و مشروط به عملکرد به‌طور معناداری انگیزه درونی انتخاب آزاد را تضعیف کردند (d = -0.40، -0.36 و -0.28)». آن −0.40 عددی است که همه نقل می‌کنند و نقل آن به‌تنهایی همان سوءاستفاده کلاسیک است: این فقط یک زیرگروه است. رقم کلی انتخاب آزاد در سراسر همه پاداش‌ها در همان مقاله «اندازه اثر ترکیبی d = -0.24 بود» و در مورد علاقه خودگزارشی «d = 0.04 … پاداش‌ها به‌طور معناداری بر علاقه خودگزارشی تأثیر نگذاشتند». حتی این هم با هشدار دامنه‌ای همراه است که خود نویسندگان بیان می‌کنند — مطالعات آن‌ها «همه یا در آزمایشگاه یا در شرایط به‌خوبی کنترل‌شده و آزمایشگاه‌مانند انجام شده بود»، و مطالعات میدانی کنار گذاشته شده بودند. این یک ادبیات آزمایشگاهی درباره وظایف کوتاه است، نه یافته‌ای درباره جامعه شما.

سطوح: گسترده‌ترین شکاف میان پذیرش و شواهد

سطوح مکانیکی است با گسترده‌ترین شکاف میان میزان عرضه آن در نرم‌افزارها و میزان پشتیبانی شواهد از آن. آزمایش حاشیه‌نویسی تصویر Mekler و همکارانش، سطوح را مانند امتیازها عامل افزایش حجم خروجی می‌داند. فراتر از آن، ما هیچ مطالعه‌ای نیافتیم که سطوح را به‌تنهایی جدا کند، و هیچ‌کدام را که بسنجد آیا رسیدن به یک سطح کسی را نگه می‌دارد یا نه.

تقریباً هر پلتفرمی در این مقاله سطوح دارد. MEE6 یک افزونه Levels دارد، Tatsu اعضا را در هر سروری که در آن اجرا می‌شود سطح‌بندی می‌کند، Carl-bot سطوح را به حامیان Patreon خود می‌فروشد، Layer3 می‌گوید «XP سطح شما و جایگاه شما در جدول امتیازات را می‌راند»، و Zealy در هر خوانش یک سطح از XP استخراج می‌کند. این مکانیک تقریباً فراگیر است و شواهد آن یک آزمایش آزمایشگاهی درباره برچسب‌گذاری تصاویر است.

این سطوح را نمایشی نمی‌کند. آن را به یک فرض تبدیل می‌کند. پرسش جالب این است که یک سطح چه می‌کند وقتی به آن می‌رسید، و برای بیشتر پیاده‌سازی‌ها پاسخ صادقانه این است: «تغییر یک عدد کنار نام شما». جایی که یک سطح قابلیتی را باز می‌کند — یک مجوز، یک منطقه، یک حق — دیگر سطوح را آزمایش نمی‌کنید، بلکه آزمایش می‌کنید که آیا آن قابلیت ارزش خواستن را داشت یا نه. سطوح اعتماد Discourse قوی‌ترین نمونه در این مقاله است و در ادامه پوشش داده شده است.

جدول‌های امتیاز: محل بحث، و جهت آن به تنظیمات بستگی دارد

جدول‌های امتیاز محل بحث هستند و جهت اثر به تنظیمات بستگی دارد. یک مطالعه در کلاس درس نشان داد دانش‌آموزانی که در پایین یک جدول امتیاز مطلق قرار داشتند، انگیزه کمتری نسبت به دانش‌آموزان بالای جدول گزارش کردند — اما تفاوتی در مشارکت یا یادگیری وجود نداشت. یک آزمایش جمع‌سپاری جمعیت نشان داد رتبه‌های پایین در عوض تلاش را تشدید می‌کنند.

مطالعه کلاس درس Bai، Hew، Sailer و Jia، 2021، در Computers & Education. دو شبه‌آزمایش، n = 24 و n = 26، در یک مؤسسه، با شرکت‌کنندگان تحصیلات تکمیلی عمدتاً زن. در یک جدول رتبه‌بندی مطلق، تفاوت انگیزه بین یک‌سوم بالا و یک‌سوم پایین در پس از مداخله معنادار بود (U = 11، p = .028). در یک جدول رتبه‌بندی نسبی که فقط پنج موقعیت مجاور را نشان می‌داد، «هیچ تفاوت معناداری میان دانشجویان در سه سطح موقعیت وجود نداشت».

حالا بخشی که وقتی این مطالعه ارجاع داده می‌شود حذف می‌شود، و این دوطرفه عمل می‌کند. در مطلق جدول رتبه‌بندی، شکاف انگیزه همراه بود با هیچ تفاوتی در مشارکت در دوره (F(2,17) = 0.55، p = .59) — بنابراین «افراد پایین‌تر می‌گویند کمتر لذت می‌برند» تأیید می‌شود، در حالی که «افراد پایین‌تر کنار می‌کشند» تأیید نمی‌شود، و کنار کشیدن همان ادعایی است که همه واقعاً تکرار می‌کنند. اما در نسبی جدول رتبه‌بندی، جایی که انگیزه و مشارکت در همه موقعیت‌ها برابر بود، یک‌سوم پایین همچنان در آزمون پس‌آزمون به‌طور معناداری بدتر عمل کردند (M = 68.75 در برابر 91.07 یک‌سوم برتر، F(2,23) = 8.71، p = .002) — که نویسندگان گزارش می‌کنند از فرضیه‌شان مبنی بر اینکه یادگیرندگان رتبه‌پایین در یک جدول رتبه‌بندی نسبی عملکرد بدتری دارند، پشتیبانی می‌کند. در مجموع: پنهان‌کردن رتبه‌بندی دقیق از احساس افراد محافظت کرد و از آنچه به دست آوردند محافظت نکرد.

در مقابل آن، آزمایش جمع‌سپاری Na و Han در سال 2023 در Internet Researchقرار دارد که رتبه‌ها را در پنج دور دستکاری کرد و دریافت که «رتبه‌های بالا … رفتارهای ازخودراضی ایجاد کردند … در حالی که رتبه‌های پایین باعث شدند شرکت‌کنندگان دور پس از دور با انگیزه‌ای تشدیدشده به فرایند درست کار پایبند بمانند.» ما این را از چکیده ناشر به دست آوردیم، بنابراین اندازه نمونه‌ای ذکر نشده است. نویسندگان جمله‌ای را اضافه می‌کنند که معمولاً همراه آن حذف می‌شود: «هیچ‌یک از این دو انگیزه به نظر نمی‌رسید ماهیت درونی داشته باشد.» و انصافاً، این هم یک وظیفه برچسب‌گذاری تصویر است — همان ایرادی که به مطالعات امتیازی بالا گرفتیم اینجا هم صدق می‌کند. این مطالعه در این مجموعه نزدیک‌ترین به یک جامعه آنلاین است و در جهت مخالف اشاره می‌کند.

دو پیامد عملی، و اولی با یک هشدار همراه است. اگر نگران پایین جدول رتبه‌بندی خود هستید، کاهش‌های دردسترس عبارت‌اند از نمایش موقعیت نسبی به‌جای رتبه مطلق، یا اجازه دادن به مالک جامعه برای خصوصی‌کردن جدول رتبه‌بندی، که Circle در واقع ارائه می‌دهد. رتبه‌بندی نسبی از نظر شواهد برای احساس افراد گزینه بهتر مستندشده است — اما در همان مطالعه مانع عملکرد ضعیف یک‌سوم پایین نشد، پس آن را محافظت از روحیه بدانید نه از نتایج. Circle تنها پلتفرمی است که بررسی کردیم و کلید خصوصی‌کردن جدول رتبه‌بندی را ارائه می‌دهد. دوم، جدول رتبه‌بندی محدود به یک بازه کوتاه به‌جای تمام دوران، تغییر می‌دهد چه کسی در پایین است، زیرا مزیت انباشته هر کسی که اول رسیده را بازنشانی می‌کند.

نشان‌ها و تقدیر: بهترین شواهد جامعه، و ناراحت‌کننده‌ترین

نشان‌ها بهترین شواهد جامعه را در میان هر مکانیک اینجا دارند و ناراحت‌کننده‌ترین هم هستند. یک آزمایش تصادفی‌شده در ویکی‌پدیا نشان داد اهدای یک barnstar بهره‌وری ویرایشگران بسیار فعال را ۶۰٪ افزایش داد. پیگیری همان نویسندگان نشان داد این پاداش‌ها با ماندگاری کمتر در میان مشارکت‌کنندگان کم‌فعال‌تر مرتبط بودند.

مقاله ۲۰۱۲ ریستیو و ون دو ریت PLoS ONE مطالعه یک کارآزمایی تصادفی‌شده کنترل‌شده واقعی است: نمونه‌ای تصادفی از ۲۰۰ نفر برگرفته از ۱٪ برتر از میان ۱۴۴٬۱۲۰ ویرایشگر، ۱۰۰ نفر در گروه آزمایش و ۱۰۰ نفر در گروه کنترل، اندازه‌گیری‌شده در طول ۹۰ روز، که گزارش می‌کند «دریافت یک بارن‌استار بهره‌وری را ۶۰٪ افزایش می‌دهد». به جامعه توجه کنید و توجه داشته باشید که این مقاله درباره ماندگاری نیز گزارش می‌دهد: دریافت‌کنندگان «کمتر احتمال داشت که از مشارکت دست بکشند». این شاهدی است بر اینکه به رسمیت شناختن فعال‌ترین مشارکت‌کنندگان شما آن‌ها را فعال‌تر می‌کند. این شاهدی درباره هیچ‌کس دیگری نیست، و نتیجه اصلی ویرایش‌هاست، و یافته ماندگاری بالا در کنار آن قرار دارد.

پیگیری ۲۰۱۴ آن‌ها طراحی را در سطوح مختلف بهره‌وری گسترش داد و دریافت «پاداش‌ها فقط در میان ویرایشگران از پیش بسیار پربازده افزایش کار ایجاد کردند … پاداش‌ها با ماندگاری کمتر مشارکت‌کنندگان کم‌فعال مرتبط بودند». پشت دیوار پرداخت است، پس فقط جهت. این هم‌زمان بهترین شاهد در این مقاله است بر اینکه به رسمیت شناختن می‌تواند حاشیه را بی‌انگیزه کند، و هم یافته ماندگاری که به جهت مخالف اشاره دارد.

مقاله WWW سال ۲۰۱۳ اندرسون، هاتن‌لوچر، کلاینبرگ و لسکوفک در Stack Overflow این سازوکار را اضافه می‌کند: «نشان‌هایشان رفتار را به‌گونه‌ای هدایت می‌کنند که کاملاً با پیش‌بینی‌های مدل ما همسو است» — کاربران با نزدیک شدن به یک آستانه شتاب می‌گیرند و پس از عبور از آن آرام می‌شوند. این مشاهده‌ای است و هدایت کردن به معنای حفظ کردن نیست. نگذارید کسی آن را تبدیل کند.

یک نکته دیگر که پیش از روی آوردن به نشان‌ها به‌عنوان جایگزین «امن» امتیازها ارزش دانستن دارد. طرح کدگذاری دسی، کوستنر و رایان صریحاً می‌گوید «پاداش‌های نمادین مانند «گواهی‌نامه بازیکن خوب» ملموس در نظر گرفته شدند». این ادعای فروشندگان که نشان‌ها از مشکل پاداش بیرونی می‌گریزند چون پول نیستند، در برابر مقاله‌ای که این مشکل را تعریف کرد دوام نمی‌آورد.

تمایزی که دوام می‌آورد، تمایز میان پاداش و تعریف است. همان فراتحلیل دریافت بازخورد مثبت در جهت مخالف عمل کرد: «d ترکیبی = 0.33 … نشان می‌دهد که بازخورد مثبت انگیزه درونی را تقویت کرد»، که برای دانشجویان دانشگاه به 0.43 می‌رسد. شناخت از سوی یک انسان همان محرک یک آیکون خودکار اعطاشده نیست، و شواهد با آن دو متفاوت برخورد می‌کنند. اگر قرار است یک تصمیم طراحی از این مقاله بگیرید، همان یکی را بگیرید.

زنجیره‌ها: نازک‌ترین شواهد میان همه سازوکارهای اینجا

استریک‌ها کم‌مستندترین مکانیک در کل این بررسی هستند. ما در هیچ منبعی که به آن دسترسی داشتیم اندازه اثر برای آن‌ها پیدا نکردیم. آنچه وجود دارد کیفی است: مصاحبه با دوندگان تفریحی که احساس غم، خشم و ناامیدی هنگام شکستن استریک را توصیف می‌کنند، و مطالعه‌ای از Duolingo که سوءاستفاده از گیمیفیکیشن را توصیف می‌کند، جایی که کاربران به مکانیک وسواس پیدا می‌کنند و از یادگیری غافل می‌شوند.

مطالعه Ingalls و همکاران در 2026 در PLoS One مطالعه با دوندگان تفریحی درباره استریک‌های دویدن شکسته مصاحبه کرد و «احساس غم، خشم، ناامیدی و تسکین» را گزارش کرد، «فرایند سوگواری» را توصیف کرد و اشاره کرد که «برخی دوندگان ناراحتی‌های مرتبط با استریک را حس کردند و برای طولانی‌کردن استریک با آسیب دویدند». آن‌ها همچنین گزارش کردند که «هیچ پیامد منفی بلندمدتی گزارش نشد.» این درباره دویدن است، نه نرم‌افزار، و نمونه‌ای از مکانیک است نه آمار — اندازه اثری برای نقل‌قول وجود ندارد.

مقاله Hadi Mogavi و همکاران در 2022 در ACM Learning at Scale بحث‌های انجمن Duolingo و مصاحبه‌ها را بررسی کرد و الگوی شکست را نام برد: «سوءاستفاده از گیمیفیکیشن … زمانی رخ می‌دهد که کاربران بیش از حد به گیمیفیکیشن وسواس پیدا می‌کنند و از یادگیری غافل می‌شوند»، که «رقابت‌جویی، زیاده‌روی در بازیگوشی و رفتار گله‌ای» را پدید می‌آورد. کیفی است و از پیش‌چاپ arXiv خوانده شده است.

پس استریک مکانیکی است با قوی‌ترین شهرت عامیانه و ضعیف‌ترین مستندات. آشکار است که کاری با مردم می‌کند — مصاحبه‌های دویدن در این باره گویا هستند. آنچه هیچ‌کس نشان نداده این است که آن کار به نفع جامعه‌ای است که آن را اجرا می‌کند، یا اینکه از روزی که عضو آن را از دست می‌دهد دوام می‌آورد.

پاداش‌های متغیر، قرعه‌کشی‌ها و جعبه‌های غنیمت: ضعیف‌ترین انتقال در این مقاله

پاداش‌های تصادفی جایی است که شواهد ضعیف‌ترین و بحث اخلاقی بلندترین می‌شود. ادبیات جعبه‌های غنیمت هزینه‌کردن را به شدت قمار مشکل‌دار مرتبط می‌کند، اما خود نویسندگانش می‌گویند جهت علیت روشن نیست. جعبه‌های غنیمت شامل پول واقعی هستند؛ یک قرعه‌کشی رایگان بر پایه XP کوئست چنین نیست، پس انتقال ضعیف است.

مطالعه Zendle و Cairns در سال 2018 در PLoS ONE مطالعه گزارش می‌کند «n = 7,422 … پیوند (η² = 0.054) بین مبلغی که گیمرها برای جعبه‌های غنیمت خرج کردند و شدت قمار مشکل‌دارشان». هشدار خودشان مهم‌ترین بخش است: «روشن نیست … آیا خرید جعبه‌های غنیمت دروازه‌ای به قمار مشکل‌دار است، یا آیا خرج کردن مبالغ زیاد … بیشتر قماربازان مشکل‌دار را جذب می‌کند.» هیچ‌کس نباید بنویسد «جعبه‌های غنیمت باعث مشکلات قمار می‌شوند»، از جمله ما. این مطالعه مقطعی و خودگزینشی است، و نویسندگان η² = 0.054 را «کوچک تا متوسط» می‌نامند و صریحاً می‌گویند «این یک رابطه ضعیف یا بی‌اهمیت نیست»، پس ما هم آن را ناچیز ثبت نمی‌کنیم.

ما این را عمداً به‌عنوان ضعیف‌ترین انتقال در مقاله علامت‌گذاری می‌کنیم. جعبه غنیمت با کارت اعتباری خریداری می‌شود. قرعه‌کشی بر پایه XP که اعضا به‌صورت رایگان کسب کرده‌اند محرک متفاوتی با پروفایل ریسک متفاوت است، و یکسان دانستن این دو هم به نفع و هم به ضرر ما سهل‌انگاری خواهد بود.

یک یافته در ادبیات پاداش وجود دارد که واقعاً از غافلگیری در برابر اعلام پشتیبانی می‌کند. Deci، Koestner و Ryan گزارش می‌دهند که برای پاداش‌های ملموس غیرمنتظره، «میانگین d = 0.01 … پاداش‌های ملموس غیرمنتظره بر رفتار انتخاب آزاد تأثیر نمی‌گذارند». پاداش‌های اعلام‌شده و مشروط در آن ادبیات انگیزه انتخاب آزاد را تضعیف می‌کنند؛ پاداش‌های غیرمنتظره چنین نمی‌کنند. k در آنجا کوچک است، پس این یک استدلال مکانیزمی است نه یک نتیجه قوی — اما بهترین دلیل موجود برای دادن پاداش غافلگیرانه به‌جای گذاشتن تخته پاداش است.

آرکادا بیشترین ویژگی‌های شانسی را در میان همهٔ پلتفرم‌هایی که بررسی کردیم فهرست می‌کند — یک «گردونهٔ شانس» و «اهرام» در مستندات ویژگی‌های اصلی آن در کنار محصول کوئستش آمده است. صفحهٔ فعالی برای هیچ‌کدام پیدا نکردیم، پس نمی‌توانیم بگوییم چگونه کار می‌کنند، فقط اینکه آرکادا آن‌ها را تبلیغ می‌کند. اگر آرکادا را ارزیابی می‌کنید، همان دو مورد را به‌طور خاص ارزیابی کنید و بخواهید در حال اجرا نشانتان داده شوند.

دو چیزی که هر مقالهٔ گیمیفیکیشن می‌گوید و از بررسی جان سالم به در نبرد

دو ادعا در تقریباً هر مقالهٔ گیمیفیکیشن به‌عنوان واقعیت مسلم آمده است و هیچ‌کدام از بررسی جان سالم به در نبرد. «گیمیفیکیشن با از میان رفتن تازگی رنگ می‌بازد» در تضاد با قوی‌ترین فراتحلیلی است که خواندیم؛ تعدیل‌گر مدت آن اثرهای انگیزشی بزرگ‌تری در مداخله‌های طولانی‌تر یافت. «جدول‌های امتیاز افراد پایین را دلسرد می‌کند» بر نمونه‌های کوچک کلاسی تکیه دارد و در مورد تلاش، توسط نزدیک‌ترین مطالعه به یک جامعه رد می‌شود.

ادعای اول: چون تازه است، رنگ می‌بازد. تعدیل‌گر مدت در مطالعهٔ Sailer و Homner در جهت مخالف بود. مداخله‌هایی که تا نیم سال طول می‌کشیدند اثرهای انگیزشی بزرگ‌تری نسبت به مداخله‌های یک‌روزه نشان دادند (Q(1) = 4.93, p < .05)، و نویسندگان می‌نویسند که نتایجشان «می‌تواند ترس از این را که اثرهای گیمیفیکیشن در بلندمدت پایدار نمانند تضعیف کند». متن کامل آن‌ها واژهٔ «تازگی» را دقیقاً یک بار ذکر می‌کند، آن هم در بازگویی نقد کس دیگری.

انصاف را دربارهٔ طرف دیگر رعایت کنیم. آن تعدیل‌گر بین مطالعات، نه درونفردی — مطالعات مختلف با طولهای متفاوت را مقایسه میکند، نه همان افراد را در طول زمان — و بزرگترین دسته داده کمحجم است. و یک نظرسنجی خلاف این را نشان میدهد: مطالعهٔ کوئیویستو و هاماری در سال ۲۰۱۴ روی کاربران Fitocracy در Computers in Human Behavior دریافت که «لذت و سودمندی ادراکشدهٔ گیمیفیکیشن با استفاده کاهش مییابد، که نشان میدهد کاربران ممکن است اثرات تازگی را تجربه کنند». آن یکی مقطعی است، یعنی نمیتواند زوال را درون یک فرد اثبات کند، و به تناسباندام مربوط است نه به جامعه.

پس گزارهٔ درست این است: ادعای افتِ تازگی محل مناقشه است، شواهدِ توانمندتر علیه آن است، و هر کس آن را به‌عنوان واقعیت مطرح کند، نوشتهٔ ناظر را نخوانده است. به انصاف باید بگوییم که هاماری — که بررسی ۲۰۱۴ او را پایین‌تر برای صریح‌ترین جمله‌اش نقل می‌کنیم — در این یکی طرف مقابل است، و سیلر و هومنر آن بررسی را از جمله آثاری می‌نامند که یافتهٔ مربوط به مدت با آن‌ها در تناقض است.

ادعای دوم: جدول رده‌بندی پایین‌ها را خرد می‌کند. بالا پوشش داده شد. برای انگیزهٔ خودگزارش‌شده، در نمونه‌های کوچک کلاسی، فقط پس از مداخله و بدون اثر بر مشارکت پشتیبانی می‌شود — اما در جدول رده‌بندی نسبی در همان مقاله، یک‌سوم پایین امتیاز بدتری گرفتند. از نظر تلاش، با آزمایشی در جمع‌سپاری که در آن رتبه‌های پایین تلاش را دور پس از دور تشدید می‌کرد، رد می‌شود. «محل مناقشه» واژهٔ صادقانه است؛ «حل‌شده» نیست.

ارزش دارد اصلاح سوم و آرام‌تری هم اضافه کنیم. بررسی HICSS سال ۲۰۱۴ هاماری، کویویستو و سارسا از ادبیات تجربی صریح‌تر از بازاریابی این حوزه است: «تنها دو مطالعه همهٔ آزمون‌ها را مثبت یافتند»، و بزرگ‌ترین مطالعات «گزارش کردند که بازی‌وارسازی ممکن است در محیط خدماتی سودمندگرا مؤثر نباشد». آن عبارت آخر، قابل‌انتقال‌ترین جمله در کل این پایهٔ شواهد است، چون یک پلتفرم اجتماعی محیط خدماتی سودمندگراست.

کدام پلتفرم‌ها کدام سازوکارها را پیاده می‌کنند و هزینه‌شان چقدر است

چهار مورد از سیزده مورد قیمت را منتشر می‌کنند: Guild.xyz، Discourse، Circle و Zealy. MEE6 قیمت دارد، اما فقط از طریق API که صفحهٔ خودش در زمان اجرا فراخوانی می‌کند. هفت مورد هیچ قیمتی منتشر نمی‌کنند و QuestN را نتوانستیم بررسی کنیم. سازوکارها بیش از آنچه بازاریابی نشان می‌دهد متفاوت‌اند: Discourse نشان‌ها را به مجوزها گره می‌زند، Circle یک کلید حریم خصوصی ارائه می‌دهد، Layer3 اقدام‌های مکرر روی زنجیره را تأیید می‌کند.

هر مکانیکی که در ادامه می‌آید با رشته‌های موجود در صفحه‌هایی که در 17 اوت 2026 واکشی کردیم تطبیق داده شد. هر قیمت همان‌گونه که صفحه چاپ کرده بود نقل شده است. «قیمت عمومی ندارد» مشخص می‌کند کدام صفحه‌ها را بررسی کردیم، چون یک نفیِ بیان‌نشده بی‌ارزش است.

دو چیزی که آن جدول تغییر می‌دهد.

سطوح اعتماد Discourse قوی‌ترین پیاده‌سازی گیمیفیکیشن در این مقاله است و Zealy هیچ چیز مشابهی ندارد. یک نشان Discourse می‌تواند سطح اعتماد داشته باشد و سطح اعتماد قابلیت واقعی مدیریت را به همراه دارد — توانایی انجام کارهای بیشتر در جامعه، نه یک تصویر کنار نام شما. این همان تفاوت میان شناختی است که شایستگی می‌بخشد و شناختی که آن را تزئین می‌کند، و دقیقاً همان تمایزی است که پژوهش مدام به آن اشاره می‌کند. اگر انجمنی را اداره می‌کنید و می‌خواهید جایگاهی معنادار داشته باشید، Discourse این کار را بهتر از ما انجام می‌دهد.

Circle راهکار کاهشی را ارائه می‌دهد که شواهد جدول امتیازات به آن اشاره دارد و ما ارائه نمی‌دهیم. صفحه گیمیفیکیشن خود Circle می‌گوید می‌توانید انتخاب کنید که جدول امتیازات جامعه‌تان خصوصی باشد. با توجه به اینکه بهترین یافته پشتیبانی‌شده درباره جدول امتیازات به این موضوع مربوط است که افراد در پایین احساس می‌کنندیک کلید خاموشی که توسط مالک جامعه کنترل می‌شود، پاسخ طراحی واقعی است. Zealy هیچ کلید معادلی ندارد.

یک نکته جدا از جذابیت، چون چیزی درباره دسته می‌گوید: صفحه اصلی Layer3 دیگر از واژه «quest» در متن قابل مشاهده‌اش استفاده نمی‌کند — واژگانش Activations، Streaks و CUBEs است. این واژه داخل جاوااسکریپت ارسال‌شده زنده می‌ماند، در نام مسیرها و یک QUEST_COMPLETE رشته، که به‌احتمال قوی شواهد بهتری برای این نکته است: تغییر نام در بازاریابی است و زیرساخت هنوز به یاد دارد. پیشروی دسته واژه دسته را کنار گذاشت. ما قابلیت‌هایش را با قابلیت‌های خودمان مقایسه می‌کنیم در Zealy در برابر Layer3, و اگر Galxe رهبر فعلی است که جایگزینش می‌کنید، بهترین جایگزین‌های Galxe و Zealy در برابر Galxe آن تصمیم را به‌درستی بررسی کنید.

MEE6 و Tatsu به شکل متفاوتی از مسئله تعلق دارند — XP فعالیت چت درون یک سرور Discord — و ما درباره آن مجموعه به‌طور جداگانه نوشتیم در ابزارهای تعامل و رشد Discord.

گیمیفیکیشن Zealy در واقع چه می‌کند و پنج چیزی که ندارد

Zealy برای ادعاهای تأییدشده کوئست و اعطاهای دستی مدیران XP می‌دهد، سطح را از یک فرمول سراسری واحد استخراج می‌کند و اعضا را در دو دامنه جدول امتیازات رتبه‌بندی می‌کند: کل زمان و هر اسپرینت. هیچ نشان، هیچ زنجیره‌ای، هیچ پاداش ورود روزانه، هیچ ضریب XP و هیچ خودکارسازی نقش بر اساس سطح ندارد و هیچ معیار نگهداشت را محاسبه نمی‌کند.

همه موارد زیر در 17 اوت 2026 از کد منبع خوانده شد. جایی که مستندات با کد مغایرت دارد؛ کد همان چیزی است که واقعاً اجرا می‌شود.

منحنی سطح یک فرمول است و نمی‌توانید آن را تغییر دهید

XP تجمعی برای سطح L برابر است با 150(L−1)² − 50(L−1). سطح ۱ برابر ۰ XP، سطح ۲ برابر ۱۰۰، سطح ۳ برابر ۵۰۰، سطح ۴ برابر ۱٬۲۰۰ و سطح ۵ برابر ۲٬۲۰۰ است. این منحنی در همهٔ جوامع Zealy یکسان است و هیچ پیکربندی جداگانه‌ای برای هر جامعه ندارد. سطح اصلاً در مدل‌های پایگاه‌دادهٔ تولیدشده ذخیره نمی‌شود؛ بلکه در هر خواندن از XP استخراج می‌شود. مستندات محاسبهٔ سطح با کد اینجا مطابقت دارد، که آن را بررسی کردیم نه اینکه فرض کرده باشیم.

این را با Carl-bot مقایسه کنید که اپراتورهایش می‌توانند کانال‌ها و نقش‌ها را در لیست سیاه قرار دهند، XP صوتی تنظیم کنند و کل اقتصاد را محدود کنند. منحنی مستندشده‌اش 5*(n^2)+50*n+100است، که XP لازم برای سطح بعدی است نه یک مجموع تجمعی، پس آن را در برابر شکل تجمعی Zealy نخوانید — نکته خود تنظیم است، نه شکل آن. Zealy چنین تنظیمی به شما نمی‌دهد.

وقتی عضوی سطح بالا می‌رود هیچ اتفاقی نمی‌افتد

این یافته‌ای است که انتظار داشتیم اشتباه باشد و نبود. Zealy دو enum اعلان دارد — یکی محدود در مدل‌های پایگاه داده‌اش با سه نوع، و یکی که API اعلانش واقعاً برمی‌گرداند، با سیزده نوع — به‌علاوه یک enum رویداد webhook با ده مورد. هیچ‌کدام از این سه شامل رویداد سطح نیست. هیچ اعلانی ارسال نمی‌شود. هیچ webhookی ارسال نمی‌شود. هیچ جشنی ظاهر نمی‌شود. یک تابع کمکی به نام hasLeveledUp در کدبیس وجود دارد، از فایل export خارج شده و هیچ‌جا فراخوانی نمی‌شود.

تنها پیامد مکانیکی سطح در Zealy این است که می‌تواند به‌عنوان شرط یک کوئست استفاده شود — دروازه‌ای برای اینکه چه کسی می‌تواند چیزی را امتحان کند. همین و بس.

با توجه به بخش بالا درباره سطوح، این کمتر از آنچه به نظر می‌رسد مذموم است و صادقانه‌تر از جایگزین آن. سطوح تقریباً هیچ شواهدی پشت خود ندارند، و جشن ارتقای سطح دقیقاً همان چیزی است که عرضه می‌شود چون همه آن را عرضه می‌کنند. اما اگر Zealy را انتخاب می‌کنید چون تصور کرده‌اید اعضا در سطح ۱۰ یک اعلان رضایت‌بخش دریافت می‌کنند، دقیق تصور کنید: آن‌ها یک عدد بزرگ‌تر می‌گیرند.

دو محدوده جدول امتیازات، و هیچ محدوده هفتگی یا ماهانه‌ای

Zealy دقیقاً دو محدوده جدول امتیازات دارد: کل زمان، و به‌ازای هر اسپرینت. هیچ جدول امتیازات هفتگی، ماهانه یا روزانه‌ای وجود ندارد. اگر بازه کوتاه‌تری می‌خواهید — و شواهد جدول امتیازات بالا استدلال خوبی برای آن است، چون یک بازه تازه مشخص می‌کند چه کسی در پایین است — یک اسپرینتایجاد می‌کنید، که یک جدول امتیازات دوم و زمان‌بندی‌شده است که به مجموعه‌ای منتخب از کوئست‌ها محدود می‌شود.

دو جزئیات که اشتباه توصیف می‌شوند، از جمله گاهی توسط ما. بازنشانی جدول امتیازات یک تاریخ قطع و یک حذف نرم است، نه پاک‌سازی — تاریخچه ادعای کوئست دست‌نخورده می‌ماند و XP اعضا از این پس صفر می‌شود. و تساوی‌ها به نفع کسی شکسته می‌شود که اول به مجموع رسیده است، با این استثنا که اعطای دستی XP آن شکستن تساوی را تا ادعای کوئست بعدی عضو حذف می‌کند.

پاداش‌های اسپرینت تناسبی است، نه سکوی برنده و نه قرعه‌کشی

پاداش پیش‌فرض اسپرینت به نسبت سهم هر عضو از XP است در میان همه افراد داخل محدوده پاداش. جزو سه نفر برتر نیست و قرعه‌کشی هم نیست. محدوده پاداش یک آستانه واجد شرایط بودن است که پیش از توزیع اعمال می‌شود، نه یک منحنی پرداخت. تنظیم جایگزین یک بازه رتبه را به‌طور مساوی در هر سطح تقسیم می‌کند. هر دو مسیر به پایین گرد می‌شوند — مسیر متناسب یک بار برای هر ارز و مسیر سطح‌بندی‌شده دو بار — بنابراین باقی‌مانده کوچک در هر دو حالت توزیع نمی‌شود. در مسیر سطح‌بندی‌شده این امر عمدی و مستند است: توضیح خود تابع می‌گوید «باقی‌مانده گرد کردن توزیع نمی‌شود.»

استخرهای جایزه اسپرینت فقط USDC و zaps هستند. یک اسپرینت نمی‌تواند XP، نقش، NFT یا توکن اعطا کند؛ این‌ها در پاداش‌های کویستقرار دارند، جایی که پنج روش پاداش وجود دارد که یکی از آن‌ها قرعه‌کشی است. در مورد انواع پاداش، تعداد بستگی به محل نگاه شما دارد: API زلی هفت مورد را اعلام می‌کند، اما ویرایشگر کویست پاداش‌های NFT را حذف می‌کند، بنابراین یک مدیر می‌تواند شش مورد را پیکربندی کند — به همین دلیل صفحه مستندات ما شش مورد را فهرست می‌کند و نه هفت مورد. Zealy قرعه‌کشی‌ها را به‌طور خودکار در پایگاه داده خود انجام می‌دهد و قرعه‌کشی ادعاها را انتخاب می‌کند نه اعضای متمایز، بنابراین کسی که چندین ادعای موفق در یک کویست تکرارشونده دارد، به‌طور متناسب ورودی‌های بیشتری دارد. این را پیش از طراحی یکی بدانید.

پنج چیزی که Zealy ندارد

هر یک از این‌ها ادعایی درباره منبع ردیابی‌شده در مخزن Zealy است که در ۱۷ اوت ۲۰۲۶ در API، بک‌اند، اسکیماها، مدل‌ها، ابزارها، کوئری‌ها، قراردادها، اپ وب و مهاجرت‌های پایگاه داده جستجو شده است.

1. هیچ نشان و هیچ دستاوردی که یک عضو بتواند کسب کند وجود ندارد. در بررسی این مورد دقت کنید، چون بار اول اشتباه کردیم. جستجوی badge در سراسر کدبیس بیش از صد فایل را برمی‌گرداند و بزرگ‌ترین گروه یک Badge کامپوننت در سیستم طراحی Zealy است — برچسب کوچکی که برای وضعیت‌ها و شمارش‌ها در سراسر رابط کاربری استفاده می‌شود، نه چیزی که کسی به دست می‌آورد. medal به همین ترتیب به یک getMedal هلپر برخورد می‌کند که جایگاه اول، دوم و سوم را روی یک لیدربورد رسم می‌کند، که نمایشی از رتبه است نه یک جایزه. چیزی که هیچ‌جا وجود ندارد یک نشان یا دستاورد موجودیتاست: هیچ چیزی که به عضوی اعطا شود، در اختیار داشته باشد یا بتوان مجموعه‌ای از آن را نشان داد. Discourse و Tatsu هر دو سیستم نشان واقعی دارند. ما یک کامپوننت رابط کاربری با همان نام داریم.
2. بدون استریک. streak, loginStreak, visitStreak و day streak در منبع ردیابی‌شده چیزی برنگرداند. Layer3 قابلیت Streaks دارد و Duolingo دسته‌ای حول آن‌ها ساخته است. با توجه به اینکه شواهد streak بسیار کم است، عجله‌ای نداریم، اما نبود یعنی نبود.
3. بدون پاداش ورود روزانه. dailyLogin, loginBonus, dailyBonus, login reward, lastLoginAt, lastSeenAt, dailyClaim, daysActive و activeDays همه صفر برمی‌گردانند. Zealy یک Daily Challenge در سطح پلتفرم اجرا می‌کند — تکمیل یک کوئست در هر یک از سه جامعهٔ ویژه، گذراندن تأیید انسان‌بودن، دریافت بلیت قرعه‌کشی — اما آن یک بازنشانی روزانه بدون پاداش روزهای متوالی است و متعلق به Zealy است نه جامعهٔ شما. کوئست‌های تکرارشونده نیز در مرزهای تقویمی بازنشانی می‌شوند، که این تکراراست، نه streak.
4. بدون ضریب یا تقویت XP. xpMultiplier, boostXp, doubleXp و xpBoost همه صفر برمی‌گردانند. Zealy یک boost ویژگی دارد و آن تبلیغ پولی یک کوئست یا اسپرینت است، نه ضریب پاداش. برای آخر هفته XP دوبرابر برنامه‌ریزی نکنید.
5. هیچ خودکارسازی نقش بر اساس سطح یا نقش بر اساس XP وجود ندارد. autoRole, roleByLevel, levelRole, xpThreshold, autoAssignRole, rankRole, tierRole و roleSync همه صفر برمی‌گردانند. نقش Discord در Zealy یک پاداش کوئست است که یک‌بار هنگام تأیید یک ادعا اعطا می‌شود. Tatsu نقش‌های سطح‌بندی‌شده را خودکار می‌دهد؛ Zealy این کار را نمی‌کند.

و مهم‌ترین مورد برای موضوع این مقاله:

Zealy اصلاً هیچ معیار نگهداشت را محاسبه نمی‌کند. retention, churn, D7, D30, DAU, WAU, MAU, returnRate, repeatVisit, stickiness, dropOff, dailyActive و monthlyActive همه در منبع ردیابی‌شده صفر برمی‌گردانند. از نظر ساختاری، رابط تحلیلی پانزده متد اعلام می‌کند — دو مجموع در حال اجرا که بازه تاریخ نمی‌گیرند، یک شمارش پنجره‌ای بر اساس وضعیت ادعا، پنج فهرست رتبه‌بندی‌شده، شش سری دسته‌بندی‌شده بر اساس بازه، و یک شمارش اعضا تا یک تاریخ واحد. هیچ‌کدام فعالیت قبلی یک عضو را به فعالیت بعدی او متصل نمی‌کند، که همان عملیاتی است که حفظ نیاز دارد.

پس وقتی یک فروشنده گیمیفیکیشن می‌گوید مکانیک‌هایش حفظ را بهبود می‌دهد، بپرسید چه چیزی را اندازه می‌گیرند. ما نمی‌توانیم آن را اندازه بگیریم، و این را در مقاله خودمان درباره گیمیفیکیشن به شما می‌گوییم.

همه محدوده‌های معمول اعمال می‌شود: این‌ها اظهاراتی درباره جستجوهای فهرست‌شده، در آن کدبیس، در آن تاریخ هستند. آن‌ها ادعایی درباره هر ویژگی‌ای که Zealy تاکنون ارائه کرده یا خواهد کرد نیستند.

اگر می‌خواهید تصویر کلی از چیستی Zealy پیش از ارزیابی مکانیک‌ها داشته باشید، Zealy چیست آن را پوشش می‌دهد.

چگونه یک پلتفرم گیمیفیکیشن برای یک جامعه انتخاب کنیم

بر اساس رفتاری که نیاز دارید انتخاب کنید، نه مکانیکی که دوست دارید. Discourse اگر وضعیت کسب‌شده باید مجوزهای واقعی بدهد. Circle اگر نمایش لیدربورد باید اختیاری باشد. Guild.xyz اگر کار، دسترسی مبتنی بر توکن است. یک پلتفرم کوئست مانند Zealy اگر به اقدامات تأییدشده خارج از پلتفرم نیاز دارید که طبق برنامه پاداش بگیرند.

چند تصمیم که شواهد واقعاً از آن‌ها پشتیبانی می‌کند:

اگر می‌خواهید خروجی بیشتری از فعال‌ترین افرادتان بگیرید، آن‌ها را به‌طور مشخص به رسمیت بشناسید. این نتیجهٔ ستارهٔ ویکی‌پدیا است و قوی‌ترین یافتهٔ اجتماعی در این مقاله است. این یافته هشدار خودش را هم دارد: پیگیری نشان داد همان پاداش‌ها با ماندگاری کمتر در میان مشارکت‌کنندگان کم‌فعال‌تر مرتبط بودند. به‌طور گسترده و مشخص به رسمیت بشناسید، نه به‌طور محدود و رقابتی.

اگر می‌خواهید یک نفر آن را احساس کند، بگذارید یک انسان این کار را انجام دهد. بازخورد مثبت در همان فراتحلیلی که پاداش‌های ملموس آن را تضعیف می‌کردند، انگیزهٔ درونی را تقویت کرد، و یک گواهی به‌عنوان ملموس حساب شد. یک نشان خودکار و این جملهٔ یک ناظر که «این بهترین پاسخ اینجا در این هفته بود» یک ویژگی محصول یکسان نیستند، و آن گزینهٔ ارزان‌تر شواهد بهتری دارد.

اگر یک جدول امتیازات راه می‌اندازید، پیش از راه‌اندازی به نیمهٔ پایین فکر کنید. به‌جای رتبه مطلق، موقعیت نسبی را نشان دهید، یا به مالک اجازه دهید جدول امتیازات را به حالت خصوصی تغییر دهد، یا آن را به یک بازه کوتاه محدود کنید که بازنشانی می‌شود. کلید حریم خصوصی Circle تمیزترین نسخه‌ای است که پیدا کردیم؛ اسپرینت‌های Zealy نسخه بازه کوتاه هستند.

اگر حجم می‌خواهید، امتیازها خوب هستند و نباید بیشتر از آن‌ها انتظار داشته باشید. آن‌ها کمیت را بالا می‌برند. به نظر نمی‌رسد احساس افراد نسبت به کار را تغییر دهند.

یک پلتفرم را بر اساس وعده حفظ کاربر نخرید. هیچ‌کس در منابعی که به آن‌ها دسترسی داشتیم آن را اندازه‌گیری نکرده است. فروشنده‌ای که درصد حفظ کاربر را نقل می‌کند یا داده خصوصی دارد که باید آن را شرح دهد، یا آن را از وبلاگ فروشنده دیگری خوانده است.

دو تصمیم مجاور که این نوشته عمداً برای شما نمی‌گیرد. اگر مکانیک‌ها برای یک برنامه سفیر هستند، محدودیت‌های طراحی متفاوت است و نحوه اجرای یک برنامه سفیر کریپتو آن‌ها را پوشش می‌دهد. اگر گیمیفیکیشن شما یک صف بازبینی ایجاد کند — و هر وظیفه‌ای که نیاز به خواندن ارسال توسط انسان دارد چنین می‌کند — نحوه واگذاری وظایف جامعه هزینه نیروی انسانی را پوشش می‌دهد که هرگز در صفحه قیمت‌گذاری ظاهر نمی‌شود. و اگر در حال انتخاب گیمیفیکیشن به‌عنوان بخشی از یک استراتژی بازاریابی گسترده‌تر هستید، راهنمای بازاریابی web3 ما راهنمای بازاریابی web3 آن را در کنار سایر کانال‌ها و هزینه‌هایشان قرار می‌دهد.

مفیدترین چیزی که می‌توانیم برایتان بگذاریم، شکل عدم‌قطعیت است. شش مکانیک، یک RCT واقعی جامعه در میان آن‌ها، یک جهت حفظ کاربر پشت دیوار پرداخت، و ادبیاتی که بیشتر درباره دانشجویان است. هر کسی که در اینجا قطعیت به شما بفروشد، نگاه نکرده است.