Jeux sérieux pour la décision militaire : conception et évaluation

La formation à la décision militaire pose un défi fondamental que les exercices réels ne peuvent pleinement résoudre : les décisions qui comptent le plus — décisions sur les règles d'engagement avec des informations ambiguës, allocation de forces face à des menaces concurrentes, séquencement logistique sous pression temporelle — ne peuvent être pratiquées à la fréquence nécessaire pour bâtir une compétence durable sans le coût, la complexité et le risque d'exercices répétés à grande échelle. Les jeux sérieux offrent une solution partielle en créant des environnements décisionnels à conséquences pour une fraction du coût en ressources, permettant à un commandant de traverser des dizaines de scénarios de décision dans le temps qu'un seul exercice sur le terrain consommerait.

Le terme « jeu sérieux » est souvent appliqué à la légère à tout logiciel de formation interactif, mais la discipline de conception derrière un jeu sérieux efficace est distincte et exigeante. Un jeu sérieux bien conçu aligne chaque mécanique sur un objectif d'apprentissage précis, modélise les conséquences avec une fidélité suffisante pour créer des modèles mentaux exacts, fournit un retour d'information calibré et présenté pour l'apprentissage plutôt que pour le divertissement, et mesure la performance selon une grille d'évaluation validée. Un jeu mal conçu est une présentation multimédia coûteuse avec un quiz à la fin — il ressemble à une formation mais ne produit aucune amélioration mesurable de compétence.

Cet article examine les considérations fondamentales de conception, de technologie et d'évaluation pour les jeux sérieux militaires centrés sur la formation à la décision : architecture de scénarios à embranchements, conception multijoueur par rôles, OPFOR piloté par IA, évaluation automatisée de la performance, sélection du moteur et intégration LMS.

Ce qui rend un jeu « sérieux » pour la formation militaire — alignement des objectifs d'apprentissage, boucles de retour, compromis réalisme contre jouabilité

Le mot « jeu » dans jeu sérieux n'est pas anodin. Les mécanismes du jeu — défi, conséquence, retour d'information et progression — sont précisément ce qui distingue les jeux sérieux des médias pédagogiques passifs. Une vidéo de cours transfère de l'information ; un jeu sérieux force le stagiaire à décider, à subir les conséquences et à s'adapter. Cet engagement actif explique pourquoi l'apprentissage par le jeu produit une meilleure rétention des compétences décisionnelles qu'un temps équivalent passé en instruction magistrale.

L'alignement des objectifs d'apprentissage est le test de conception qui sépare les jeux sérieux des simulations de formation construites pour leur valeur divertissante. Chaque mécanique du jeu doit être traçable jusqu'à un objectif d'apprentissage précis de l'analyse de tâches. Si le jeu comprend un mini-jeu de maintenance de véhicules et que le programme de formation ne comprend pas d'objectifs de tâches de maintenance, le mini-jeu consomme du budget de développement et du temps de formation sans contribuer aux objectifs déclarés du programme. Cette discipline est plus difficile à maintenir qu'il n'y paraît : les concepteurs de jeux veulent naturellement ajouter des mécaniques qui augmentent l'engagement, et l'engagement est un objectif secondaire légitime — mais jamais au prix de l'alignement sur les objectifs.

Les boucles de retour dans les jeux sérieux militaires doivent être conçues pour servir l'apprentissage plutôt que la motivation. Les boucles de retour des jeux commerciaux sont calibrées pour maximiser la rétention des joueurs — récompenses fréquentes, mise à l'échelle progressive de la difficulté et programmes de renforcement variables qui créent un engagement compulsif. Les boucles de retour de formation militaire ont un objectif de conception différent : le stagiaire doit comprendre pourquoi une décision était incorrecte et quelle aurait été la bonne décision, assez vite après la décision pour former le bon modèle mental. Un retour différé — montrer au stagiaire la conséquence d'une décision trois minutes de jeu après qu'elle a été prise — rompt la boucle d'apprentissage. Un retour immédiat — afficher une surcouche de conséquence à l'instant où la décision est prise, avec une brève explication du pourquoi — est plus efficace pour la formation à la décision, même s'il paraît moins immersif.

Le compromis entre réalisme et jouabilité est la tension centrale de la conception des jeux sérieux militaires. Une fidélité élevée à l'environnement opérationnel — données de performance d'armes exactes, procédures de communications réalistes, calendriers de planification authentiques mesurés en heures — maximise l'exactitude des modèles mentaux que les stagiaires développent, mais maximise aussi la charge cognitive, le temps de mise en place et l'expertise nécessaire pour simplement jouer. Une fidélité excessive produit un jeu que seuls des spécialistes formés peuvent pratiquer, ce qui limite à la fois l'auditoire de formation et le nombre de répétitions de décisions réalisables dans une séance. Une fidélité suffisante — assez de réalisme pour créer des modèles mentaux exacts pour les types de décisions visés, tout le reste étant abstrait — est généralement la bonne cible de conception. La question clé n'est pas « ce jeu est-il réaliste ? » mais « ce jeu développe-t-il des modèles mentaux exacts pour les décisions visées ? »

Conception de scénarios à embranchements pour la formation à la décision — arbres de décision ou graphes narratifs, modélisation des conséquences pour les décisions ROE et l'escalade

L'embranchement de scénarios est ce qui donne à un jeu sérieux sa puissance de formation à la décision. Un scénario linéaire présente une séquence d'événements fixe, quelles que soient les décisions du stagiaire, évaluant la performance à des points de contrôle sans modifier le scénario selon le comportement du stagiaire. Un scénario à embranchements fait de chaque décision du stagiaire un embranchement dans le graphe narratif : le choix change ce qui se passe ensuite, et le stagiaire subit les conséquences en aval de ses décisions plutôt qu'un score abstrait.

La conception en arbre de décision — la structure d'embranchement la plus simple — présente chaque nœud de décision comme une sélection binaire ou à choix multiples, chaque branche menant à un nœud suivant fixe. Les arbres de décision sont simples à concevoir et à tester, mais leur expressivité est limitée : le scénario ne peut refléter que les décisions anticipées par le concepteur, et chaque stagiaire qui choisit la même option à un nœud progresse de manière identique quel que soit ce qu'il a fait plus tôt dans le scénario. Pour entraîner des types de décisions simples et bien définis — la séquence correcte d'autorisation ROE, l'ordre correct de priorité d'évacuation — les arbres de décision suffisent.

Les graphes narratifs remplacent la structure d'embranchements fixe par un graphe orienté où chaque nœud peut avoir plusieurs arêtes entrantes, et non un seul parent. Un nœud représentant une crise logistique, par exemple, peut être atteint depuis trois états antérieurs différents — mauvais positionnement initial des approvisionnements, autorisation de réapprovisionnement retardée ou perte d'une route de ravitaillement — et l'état du jeu arrivant à ce nœud porte l'histoire du chemin parcouru par le stagiaire. La modélisation des conséquences au nœud de crise peut refléter cette histoire : un stagiaire qui atteint la crise logistique avec une bonne position initiale d'approvisionnement dispose de plus d'options que celui qui arrive avec des points de ravitaillement avancés vides. Les graphes narratifs exigent des outils de conception plus complexes et des tests plus rigoureux — chaque combinaison atteignable d'états entrants doit être validée — mais ils produisent une modélisation des conséquences nettement plus réaliste que les arbres de décision.

La modélisation des conséquences des règles d'engagement est l'une des applications les plus importantes de la conception à embranchements dans les jeux sérieux militaires. Un scénario ROE présente au stagiaire une menace ambiguë : un véhicule qui approche un point de contrôle à grande vitesse, avec un comportement compatible à la fois avec une non-conformité civile et une intention hostile. Le scénario emprunte des branches selon la séquence d'identification et d'autorisation du stagiaire. Un stagiaire qui suit la procédure correcte d'identification positive avant d'autoriser l'engagement progresse sur une branche où l'identification confirme la menace, où l'engagement est juridiquement autorisé et où la situation en aval reflète une menace neutralisée. Un stagiaire qui engage sans avoir achevé l'identification progresse sur une branche où des pertes civiles déclenchent une échelle d'escalade — une cascade de conséquences opérationnelles, juridiques et de commandement que le stagiaire doit désormais gérer. Cette modélisation des conséquences transforme la formation ROE d'une liste de conformité en une expérience causale de la raison d'être de la procédure.

La modélisation des conséquences d'escalade applique le même principe aux décisions de réponse graduée. Le scénario se ramifie non seulement selon que le stagiaire a choisi la bonne option, mais selon le degré auquel il a monté l'échelle d'escalade avant la résolution de la situation. Un stagiaire qui résout une confrontation au stade de l'avertissement progresse vers un scénario en aval différent de celui qui a escaladé jusqu'aux tirs de sommation, et les deux diffèrent de celui qui a escaladé jusqu'à l'engagement létal. L'historique d'escalade cumulé change le contexte politique et opérationnel des décisions ultérieures du scénario, créant une représentation authentique de la façon dont les décisions précoces restreignent les options ultérieures.

Le logiciel de compte rendu après action militaire qui suit la séance de jeu sérieux s'appuie sur l'enregistrement des décisions d'embranchement pour reconstituer exactement quelles décisions le stagiaire a prises, quand il les a prises et quelles conséquences en ont résulté — rendant le débriefing précis et fondé sur des preuves au lieu de reposer sur la mémoire du stagiaire.

Multijoueur par rôles pour la formation collective — séparation des rôles commandant/état-major/subordonnés, mise en œuvre du brouillard de guerre, mécaniques de pression temporelle

Les jeux sérieux monojoueur peuvent entraîner des compétences décisionnelles individuelles, mais nombre des décisions militaires les plus lourdes de conséquences sont collectives : elles impliquent un commandant, un état-major et des chefs subordonnés dont les décisions interagissent et dont les environnements d'information sont délibérément segmentés. La formation collective exige une conception multijoueur par rôles qui reproduit l'asymétrie d'information et les exigences de communication des relations réelles de commandement.

La séparation des rôles dans les jeux sérieux militaires multijoueurs reflète la structure en échelons de l'auditoire de formation. Un jeu de décision au niveau bataillon peut comprendre un rôle de commandant de bataillon, des rôles d'officiers S2 et S3 et des rôles de commandants de compagnie — chacun avec une interface distincte, un accès distinct à l'information et des autorités de décision distinctes. Le commandant de bataillon voit l'image opérationnelle mais pas les engagements au niveau des groupes ; le commandant de compagnie voit la situation tactique détaillée de son unité mais pas le renseignement au niveau opérationnel ; le S2 synthétise le renseignement de sources multiples en un produit que le commandant reçoit sous forme de note structurée plutôt que de données brutes. Cette architecture de rôles est ce qui force les comportements de communication et de coordination que la formation vise à développer.

La mise en œuvre du brouillard de guerre doit être différenciée par rôle plutôt qu'uniforme. Il ne suffit pas de cacher certaines informations à tous les joueurs également — le schéma d'accès à l'information doit correspondre à la réalité opérationnelle. Les flux de capteurs et les rapports de renseignement du S2 ne sont pas disponibles pour les commandants de compagnie ; les observations de vérité terrain des commandants de compagnie sur le terrain et les positions ennemies ne sont pas disponibles pour le commandant tant qu'elles ne sont pas rapportées. Le moteur de jeu doit maintenir des états d'information séparés pour chaque rôle : l'état vérité terrain du jeu (ce qui se passe réellement dans la simulation), l'état perçu par chaque rôle (ce que les sources disponibles de ce rôle peuvent voir) et l'état rapporté (ce qui a été formellement communiqué par les mécaniques de compte rendu du jeu). La mise en œuvre correcte de ces trois états parallèles est le défi d'ingénierie le plus complexe du développement de jeux sérieux multijoueurs.

Les mécaniques de pression temporelle sont essentielles à la formation à la décision parce que la pression temporelle est précisément ce qui rend les décisions de commandement militaires difficiles. Supprimer la pression temporelle — laisser les stagiaires délibérer indéfiniment avant de décider — entraîne un processus cognitif qui n'existe pas dans l'environnement opérationnel. Les limites de temps sur les décisions doivent être calibrées sur les calendriers de planification réalistes du type de décision : la décision d'action immédiate d'un commandant de compagnie à un point de contrôle de véhicules doit être prise en quelques secondes ; la sélection du plan d'action d'un commandant de bataillon pour une attaque délibérée peut disposer d'heures. Le jeu ne doit pas appliquer une pression temporelle uniforme à tous les types de décisions, mais modéliser les contraintes temporelles qui s'appliquent réellement à chaque décision dans le contexte opérationnel.

Les jeux sérieux multijoueurs collectifs exigent aussi un rôle d'animateur distinct des rôles de joueurs. L'animateur peut observer simultanément tous les états d'information des rôles, injecter des événements MSEL à des moments planifiés ou dynamiques, ajuster en temps réel le comportement de l'OPFOR en réponse aux actions de stagiaires que le scénario n'avait pas anticipées, et mettre en pause ou réinitialiser le scénario pour des interventions pédagogiques. Les outils de l'animateur doivent être conçus séparément des outils des joueurs — la densité d'information et la granularité de contrôle appropriées à un animateur qui gère l'exercice ne conviennent pas à un joueur concentré sur les décisions de son rôle.

OPFOR piloté par IA dans les jeux sérieux — arbre de comportement ou planification d'actions orientée objectifs (GOAP) pour l'IA ennemie, difficulté adaptative de l'OPFOR

La qualité de l'OPFOR piloté par IA est le déterminant le plus direct de la capacité d'un jeu sérieux militaire à produire une pression décisionnelle réaliste. Un OPFOR au comportement prévisible, qui se replie lorsqu'il est engagé et qui n'exploite pas les erreurs des stagiaires, ne crée aucune urgence et n'entraîne aucune compétence réelle. Un OPFOR au comportement tactiquement compétent — identifiant les points faibles de la position du stagiaire, choisissant le moment de ses attaques pour coïncider avec les transitions logistiques et s'adaptant aux ajustements défensifs du stagiaire — crée la même pression cognitive qu'un adversaire humain capable.

Les arbres de comportement sont l'architecture d'IA la plus utilisée dans le développement de jeux commerciaux et sont largement représentés dans les mises en œuvre de jeux sérieux militaires. Un arbre de comportement représente la logique de décision de l'IA comme une structure hiérarchique de conditions et d'actions : au niveau supérieur, l'unité OPFOR choisit entre les modes Patrouille, Attaque et Défense selon les conditions tactiques ; dans Attaque, elle choisit entre Tir direct, Tir de suppression et Contournement selon les couverts disponibles et les positions des unités. Les arbres de comportement sont faciles à concevoir, déboguer et tester — un concepteur peut retracer exactement pourquoi l'IA a pris une décision donnée en parcourant l'arbre. Leur limite est la fragilité : un comportement qui n'a pas été explicitement conçu dans l'arbre ne peut pas être produit, ce qui signifie que l'OPFOR peut être pris de vitesse tactiquement par des actions de stagiaires que le concepteur n'avait pas anticipées.

La planification d'actions orientée objectifs remédie à cette fragilité en séparant la définition du but de la planification des actions. L'IA GOAP définit l'état qu'elle veut atteindre — unité ennemie sous feu de suppression, flanc sécurisé, ligne d'approvisionnement interdite — et construit dynamiquement un plan d'actions primitives pour atteindre ce but compte tenu de l'état courant du monde. Si l'itinéraire prévu est bloqué par un champ de mines détecté pendant l'exécution, l'IA replanifie autour de l'obstacle sans que le concepteur ait écrit ce comportement de récupération précis. Cela rend l'OPFOR GOAP nettement plus robuste face à des entrées variées des stagiaires, mais aussi nettement plus difficile à régler : le comportement émergent qui fait la puissance du GOAP peut aussi produire des résultats tactiquement invraisemblables qui minent le réalisme de la formation si la bibliothèque d'actions et les priorités de buts ne sont pas soigneusement calibrées.

Pour la plupart des programmes de jeux sérieux militaires, une approche hybride est appropriée : arbres de comportement pour les comportements OPFOR structurés dans des scénarios aux situations tactiques prévisibles, GOAP pour les décisions OPFOR au niveau commandement où une replanification adaptative est exigée. L'espace de conception de la simulation OPFOR pilotée par IA couvre ces options architecturales plus en profondeur, y compris les approches de modélisation des menaces qui vont au-delà de l'IA des unités individuelles pour représenter la décision OPFOR au niveau campagne.

La difficulté adaptative de l'OPFOR étend l'une ou l'autre architecture avec une boucle de retour qui ajuste les paramètres de l'OPFOR selon la performance observée du stagiaire. La mise en œuvre la plus simple suit un score de performance scalaire et met à l'échelle le temps de réaction, la précision et la densité de patrouille de l'OPFOR selon une fonction continue de ce score. Une mise en œuvre plus sophistiquée utilise un modèle de compétence pour identifier les compétences décisionnelles précises qui sont sous-développées et ajuste le comportement de l'OPFOR pour créer davantage d'occasions de pratiquer ces compétences plutôt que d'augmenter uniformément la difficulté. Un stagiaire qui prend systématiquement de bonnes décisions d'action immédiate mais de mauvaises décisions d'exploitation ultérieure voit un OPFOR qui crée plus d'occasions d'exploitation — présentant un OPFOR temporairement sous feu de suppression qui permet l'exploitation, puis se rétablissant si le stagiaire n'agit pas — plutôt qu'un OPFOR simplement plus rapide ou plus précis.

Évaluation automatisée de la performance — conception de la grille de notation, déclencheurs d'évaluation par événements, identification des lacunes de compétences

L'évaluation automatisée de la performance est ce qui distingue un jeu sérieux d'une aide à la formation. Une aide à la formation fournit de la pratique ; un jeu sérieux fournit pratique et mesure. Sans évaluation automatisée, la valeur de formation de chaque séance dépend entièrement de la présence d'un instructeur humain qui a observé et évalué le stagiaire — ce qui limite le débit, introduit l'incohérence des évaluateurs et ne produit aucun enregistrement de données persistant capable d'éclairer les plans de formation ultérieurs.

La conception de la grille de notation doit précéder la mise en œuvre de l'évaluation. La grille précise, pour chaque objectif d'apprentissage, les comportements observables dans le jeu qui indiquent une performance compétente et ceux qui indiquent une performance déficiente, avec des définitions explicites de ce qui constitue chaque catégorie. Une grille pour un objectif de décision ROE pourrait préciser : le comportement conforme exige d'accomplir les étapes d'identification dans la séquence spécifiée avant d'autoriser l'engagement ; le comportement non conforme est d'autoriser l'engagement avant d'avoir accompli une seule étape d'identification ; le comportement partiellement conforme consiste à accomplir certaines étapes d'identification mais pas toutes. Chaque catégorie reçoit un poids numérique dans le score de l'objectif. La grille doit être validée par des experts du domaine avant la mise en œuvre — si la grille ne correspond pas au jugement des experts sur ce qu'est une bonne performance, l'évaluation automatisée mesure la mauvaise chose, quelle que soit la précision avec laquelle elle la mesure.

Les déclencheurs d'évaluation par événements traduisent la grille en logique du moteur de jeu. Chaque comportement observable de la grille correspond à un ou plusieurs événements de jeu que le moteur doit détecter et consigner. L'accomplissement d'une étape d'identification est un événement d'interaction précis — le stagiaire a demandé un produit de capteur, le stagiaire a recoupé deux sources de renseignement, le stagiaire a demandé l'autorisation à la voie hiérarchique supérieure. Le système d'évaluation s'abonne à ces types d'événements et enregistre chaque occurrence avec une heure, un instantané de contexte (l'état du jeu au moment de l'événement) et la classification de performance dérivée de la grille. Les événements qui ne se déclenchent pas pendant une séance sont eux-mêmes instructifs : un événement d'étape d'identification manquant, lorsque le scénario ROE exigeait l'identification, est par défaut un événement non conforme et non une inconnue.

L'identification des lacunes de compétences agrège les données d'évaluation au niveau des événements en un profil de compétences. Le profil montre le score de performance du stagiaire pour chaque objectif d'apprentissage, la tendance de ce score entre les séances et les types de décisions précis où la performance est systématiquement sous le seuil de maîtrise. Ce profil est le résultat principal que les instructeurs utilisent pour adapter la formation ultérieure : un stagiaire au score faible sur les décisions d'escalade reçoit des scénarios d'escalade supplémentaires ; un stagiaire systématiquement non conforme aux ROE est orienté vers un module de rattrapage ROE dédié avant de revenir au fil principal de scénarios.

Au niveau de la cohorte, l'analyse des lacunes de compétences identifie les besoins de formation systémiques : si 70 % d'une cohorte de formation est sous le seuil sur les décisions de synchronisation, le problème vient probablement de l'instruction préalable au jeu ou du plan de formation plutôt que de la performance individuelle des stagiaires, et la réponse appropriée est un ajustement du programme plutôt qu'un rattrapage individuel supplémentaire. Ce signal au niveau de la cohorte n'est disponible que lorsque les données de performance sont collectées et agrégées systématiquement — ce qui exige l'intégration LMS plutôt qu'une revue manuelle séance par séance.

Sélection de la plateforme : moteurs de jeu commerciaux ou sur mesure — Unreal Engine 5 pour les jeux sérieux militaires, contraintes de déploiement Unity, compromis du moteur sur mesure

La décision de sélection du moteur est l'un des choix au levier le plus fort dans un programme de développement de jeux sérieux militaires. Le moteur détermine le plafond de fidélité visuelle, le vivier de développeurs disponibles, les contraintes de déploiement et la charge de maintenance à long terme. Il n'existe pas de réponse universellement correcte — le bon moteur dépend des exigences précises du programme.

Unreal Engine 5 est devenu le choix dominant pour le développement de jeux sérieux militaires de haute fidélité. Son système de géométrie virtualisée Nanite élimine les contraintes de nombre de polygones qui exigeaient historiquement une optimisation manuelle extensive des niveaux de détail pour les grands environnements de terrain. L'illumination globale Lumen produit un éclairage physiquement exact sans lightmaps précalculées, permettant des changements dynamiques d'heure du jour pertinents pour les exercices de formation qui couvrent plusieurs heures de temps simulé. Le système de script visuel Blueprint permet aux concepteurs pédagogiques de modifier la logique de scénario sans programmation C++, ce qui réduit le coût d'itération du développement de contenus de scénarios. Les conditions de licence d'UE5 exigent une négociation spécifique pour les programmes gouvernementaux — la redevance standard de 5 % sur le chiffre d'affaires brut n'est pas compatible avec la plupart des contrats d'acquisition de défense — mais le programme de licence dédié défense d'Unreal Engine (disponible via Epic Government) y répond.

Unity offre des avantages significatifs pour les programmes aux cibles matérielles contraintes ou aux exigences de déploiement multiplateformes. Le pipeline de rendu de Unity passe sans heurt des stations de travail à GPU haut de gamme aux équipements fournis par l'État qui peuvent avoir trois à cinq ans et fonctionner avec des graphiques intégrés. La capacité d'exportation WebGL permet aux jeux sérieux construits avec Unity de s'exécuter dans un navigateur web sans extension, ce qui est le modèle de déploiement préféré pour les programmes de formation qui doivent toucher de grands nombres de stagiaires sans installation logicielle — pertinent pour les programmes de formation sur ordinateur accessibles via un portail LMS gouvernemental. L'architecture DOTS de Unity fournit d'excellentes performances pour les simulations d'entités à grande échelle — important pour les jeux de niveau bataillon et au-dessus avec des centaines d'unités simulées. La principale limite est que le plafond de fidélité visuelle de Unity est inférieur à celui d'UE5 à effort de développement équivalent, ce qui compte lorsque le réalisme du terrain est une exigence de transfert de formation.

Le paysage des plateformes d'environnements de formation virtuels comprend des programmes basés sur UE5 et sur Unity, ainsi que des moteurs de simulation de défense spécialisés qui offrent l'intégration réseau classifiée et la conformité aux normes d'interopérabilité par défaut. Ces moteurs spécialisés — VBS4 de Bohemia Interactive Simulations, VR-Forces de MAK Technologies — ne sont pas des moteurs de jeu généralistes mais sont conçus pour la simulation militaire et portent des intégrations préexistantes avec les architectures DIS/HLA, JLLIS et LVC. Ils sont le choix approprié lorsque l'interopérabilité avec l'infrastructure de simulation existante est une priorité plus haute que la fidélité visuelle ou la minimisation du coût de développement.

Le développement d'un moteur sur mesure est rarement justifié pour les programmes de jeux sérieux. Le coût d'ingénierie de la construction d'un moteur de rendu, d'un système physique, d'un système audio et d'un pipeline d'actifs à partir de zéro dépasse typiquement d'un ordre de grandeur le coût du contenu qui y tournera, et le moteur obtenu n'églera pas la fidélité ni l'ensemble de fonctionnalités des alternatives commerciales matures. Les moteurs sur mesure ne se justifient que dans des cas étroits : programmes avec des contraintes de performance qu'aucun moteur commercial disponible ne peut satisfaire, programmes exigeant des capacités qu'aucun moteur commercial ne fournit et qui ne peuvent pas être implémentées comme extensions, ou programmes opérant dans des environnements où la licence de moteur commercial est juridiquement ou contractuellement interdite.

Intégration avec les systèmes de gestion de l'apprentissage (LMS) — SCORM/xAPI pour l'exportation des scores, intégration des dossiers de stagiaires, alignement des objets pédagogiques MIL-HDBK-502A

L'intégration LMS est ce qui relie les données de performance en séance du jeu sérieux à l'infrastructure plus large de gestion de la formation. Sans intégration LMS, chaque séance de jeu produit des données de performance qui ne vivent que dans le jeu — accessibles à l'animateur qui a mené la séance, mais pas incorporées automatiquement dans le dossier de formation du stagiaire, pas agrégées entre séances pour l'analyse de tendances, et pas disponibles pour le gestionnaire de formation qui planifie les événements de formation ultérieurs.

SCORM (Sharable Content Object Reference Model) est la norme historique que la plupart des plateformes LMS gouvernementales prennent en charge. Un jeu sérieux conforme à SCORM rapporte au LMS un ensemble limité de données à la fin de la séance : un statut d'achèvement (terminé, incomplet, réussi, échoué), un score (généralement un pourcentage entre 0 et 100) et une mesure du temps passé sur la tâche. Ces données suffisent au suivi administratif — le stagiaire a terminé le module et atteint un score de réussite — mais sont inadaptées à la gestion de formation par compétences, parce que le score agrégé ne révèle rien des objectifs précis que le stagiaire maîtrise et de ceux qu'il ne maîtrise pas. Le suivi d'interactions plus granulaire de SCORM 2004 améliore le modèle à score unique de SCORM 1.2, mais reste bien moins expressif que xAPI.

xAPI (Experience API) permet au jeu sérieux de rapporter des énoncés d'activité arbitraires à un Learning Record Store, capturant toute la granularité des événements d'évaluation dans le jeu. Une seule séance d'un jeu sérieux de décision peut générer des dizaines d'énoncés xAPI : un pour chaque nœud de décision visité, un pour chaque événement d'évaluation ROE, un pour l'achèvement de la séance avec un résultat au niveau de la compétence pour chaque objectif. Ces énoncés s'accumulent dans le LRS entre les séances et peuvent être interrogés pour reconstituer la trajectoire complète de développement des compétences du stagiaire — pas seulement le score de sa séance la plus récente. Pour les programmes de formation adaptatifs, l'interface de requête du LRS permet au système de gestion de formation de récupérer le profil de compétences actuel du stagiaire et de recommander l'activité de formation suivante qui traite ses lacunes identifiées.

L'alignement MIL-HDBK-502A régit la structuration du contenu du jeu sérieux en objets pédagogiques pour les programmes acquis sous la politique d'acquisition de formation et d'instruction du DoD. Le manuel exige que chaque objet pédagogique soit traçable jusqu'à un objectif de performance précis de l'analyse de tâches du système de formation, que la norme de performance de chaque objectif soit définie en des termes évaluables pendant la formation, et que la méthodologie d'évaluation soit validée face à la performance opérationnelle qu'elle est censée prédire. Pour un jeu sérieux, cela signifie que chaque module de scénario doit correspondre à un ensemble précis d'objectifs de performance, que la grille d'évaluation automatisée doit opérationnaliser la norme de performance de chaque objectif, et que les données d'évaluation du jeu doivent démontrer une relation statistiquement significative avec la performance opérationnelle des tâches dans une évaluation d'efficacité de formation. Ces exigences augmentent sensiblement la rigueur — et le coût — du développement de jeux sérieux dans le cadre de programmes d'acquisition formels du DoD, mais elles fournissent aussi la base probante pour démontrer que le jeu produit une véritable amélioration de la préparation opérationnelle plutôt que du temps de formation consommé.

Le pipeline de données de bout en bout — de l'événement d'évaluation dans le jeu à l'énoncé LRS jusqu'à la recommandation du système de gestion de formation — boucle la boucle de retour qui fait des jeux sérieux un véritable investissement de préparation plutôt qu'une activité d'engagement. Lorsque le gestionnaire de formation peut voir, pour un stagiaire précis, que trois séances du jeu de décision ont systématiquement produit des scores sous le seuil sur les décisions de synchronisation, et peut orienter automatiquement ce stagiaire vers un scénario ciblé de synchronisation avant le prochain exercice réel, le jeu sérieux fonctionne comme une véritable composante du système de formation plutôt que comme un module isolé.