تصميم الألعاب التعليمية لتعزيز خبرة اتخاذ القرار في برامج الابتكار وريادة الأعمال الجامعية

Shiqi Shen; Haoze Wu; Guoqi Lin; Lei Wu

doi:10.3791/69269

يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة بحثية

تصميم الألعاب التعليمية لتعزيز خبرة اتخاذ القرار في برامج الابتكار وريادة الأعمال الجامعية

451 مشاهدة

⸱

DOI:

10.3791/69269

⸱

ديسمبر 16, 2025

Shiqi Shen¹ , Haoze Wu² , Guoqi Lin³ , Lei Wu⁴

¹Modern Business School, Zhejiang Agricultural Business College, ²College of Liberal Arts, Wenzhou-Kean University, ³Medical School, Shaoxing University, ⁴Business School, Shaoxing University

في هذه المقالة

ملخص

تقترح هذه الدراسة نموذجا قائما على الألعاب باستخدام شبكات بايزيان لتعزيز التعليم في الابتكار وريادة الأعمال، وتحسين تتبع المعرفة، وحماس التعلم، والقدرة على التكيف. تظهر النتائج دقة عالية (95.6٪) ونتائج أفضل مقارنة بطرق التدريس التقليدية.

الملخص

تغمر الألعاب التعليمية المتعلمين في بيئات موقفية لتعزيز التفاعل، مما يعالج الثغرات في مراقبة إتقان المعرفة والحفاظ على الحماس في دورات الابتكار وريادة الأعمال الجامعية. تبني هذه الدراسة آلية منطقية داخلية تربط التعليم الهندي بالسلوك، مستفيدة من شبكات بايزية (BN) للاستدلال الاحتمالي (PR) لتقييم إتقان المتعلمين في المعرفة. استنادا إلى أطر الألعاب التعليمية لتتبع هياكل المعرفة، يقترح نموذج لعبة لتجربة القرارات في التعليم الصناعي الجامعي معززا بخوارزمية تتبع المعرفة العميقة (DKT) المحسنة (تدمج تضمين الميزات وآليات الانتباه). تظهر النتائج أن درجة تعليم ريادة الأعمال ودقة التنبؤ للنموذج تصل إلى 95.6٪ (وهي الأعلى بين النماذج المختبرة)، حيث تظهر جميع عناصر مقياس التقييم تغطية معلوماتية قوية. متوسط درجات المؤشرات يتجاوز 4، مما يعكس تغذية راجعة فعالة. قدرة الطلاب على التكيف مع نموذج الألعاب أعلى بنسبة 2٪ إلى 11٪ مقارنة بالتدريس التقليدي. يقوم التقييم اللحظي المدمج بمواءمة أداء التعلم مع الأهداف التعليمية، مما يمكن من تعديل الاستراتيجية. تكمن قيمة التعليم الهندسي الصناعي في تعزيز الوعي الريادي والقدرة والرغبة في ريادة الأعمال، بينما تعزز وظيفته المهارات العملية مثل دمج الموارد. يحسن النموذج حماس التعلم والقدرة على التكيف والكفاءة، مقدما رؤى لتصميم التعليم التعليمي التعليمي المخصص للكلية.

المقدمة

يهدف التعليم في مجال الابتكار وريادة الأعمال (IE) إلى تنمية المواهب ذات المهارات الريادية والشخصيات الرائدة، مع التركيز على التدريب المرحلي للفكر الابتكاري والقدرات الريادية. ومع ذلك، يفتقر التعليم الحالي إلى الهندسة الصناعية إلى العملية والمناهج التفاعلية، حيث يعتمد بشكل كبير على النظرية ويهمل مهارات حل المشكلات العملية. يمكن للألعاب التعليمية - ذات التفاعل العالي ومحاكاة السيناريوهات - أن تسد هذه الفجوة من خلال تعزيز اتخاذ القرار والعمل الجماعي، مما يجعلها أداة واعدة للتعلم المخصص^للتعلم الصناعي 1.

لتحسين كفاءة التدريس في الهندسة الصناعية، دمجت الدراسات السابقة الألعاب في الهندسة الصناعية لكنها تواجه قيدين رئيسيين: غالبا ما يغفل المتعلمون نقاط المعرفة الحرجة، والألعاب التقليدية تفشل في تتبع اكتساب المعرفة بشكل ديناميكي²^،³. لمعالجة هذه الفرضية، نقترح الفرضية التالية: لعبة قرار وتجربة IE تدمج الاستدلال بشبكات بايز (BN) لتشخيص المعرفة في الوقت الحقيقي وخوارزمية تتبع المعرفة العميقة المحسنة (DKT) ستحقق دقة تنبؤ أعلى وقدرة الطلاب على التكيف مقارنة بالتدريس التقليدي أو نماذج KT الحالية (BKT، DKVMN، EKT⁾⁴. تملأ الابتكارات المزدوجة في هذه الدراسة الفجوات في العمل السابق: على عكس النماذج الحالية التي تجري فقط تقييم المعرفة الثابتة، نستخدم BN - نمذجة نقاط المعرفة كعقد مع جداول احتمالية شرطية (CPTs) - لتشخيص نقاط ضعف التعلم في الوقت الحقيقي عبر بيانات أداء اللعبة⁵. تعزز هذه الدراسة DKT من خلال تضمين ميزات بعد شغوفية (الوعي الريادي، القدرة، والنوايا) وآليات الانتباه (AMs) - لحل فقدان المعلومات طويلة التسلسل في DKT القياسية - وتحقيق أداء أفضل من نماذج محدودة مثل BKT وDKVMN وEKT⁶.

تكمن جوهر التعليم الصناعي في تنمية الوعي الريادي والقدرة والنوايا - ثلاثة متغيرات وسيطة بين التعليم الصناعي والسلوك الريادي تتوافق مع أهدافه الأساسية والأساسية والأساسية - لكن الأدوات الحالية تفشل في تتبع تطورها الديناميكي. وهذا يبرز حاجة عملية حاسمة: التعليم الحالي للهندسة الصناعية يفتقر إلى الأدوات التكيفية المبنية على البيانات. نظامنا المدمج مع الألعاب مع التغذية الراجعة الفورية يعالج هذا بشكل مباشر، مما يوفر قابلية التوسع لسياقات التعليم العالي.

تتكون هذه الدراسة من خمسة أقسام: (1) تشرح مفاهيم الألعاب التفاعلية التفاعلية/التعليمية وتحديات تصميمها؛ (2) مراجعة التعليم الصناعي وأبحاث الألعاب التعليمية؛ (3) تفاصيل المنهجية (اختيار أبعاد تقييم ألعاب IE، دمج DKT المحسنة لبناء النموذج)؛ (4) يصادق على أداء النموذج؛ (5) تلخص النتائج والقيود والاتجاهات المستقبلية.

أعمال ذات صلة

في ظل تعزيز التعليم الصناعي الجماهيري لتعزيز فرص العمل عالية الجودة لطلاب الجامعات، حظي التعليم الصناعي الصناعي باهتمام واسع من جميع القطاعات⁷. حلل ليو وآخرون طرق الخدمة الفعالة للطلاب في التعليم الذكي، وجمعوا معلومات مفاهيم المعرفة، ووسعوا إطار الشبكة العصبية العودية ليشمل إطار تتبع المعرفة الواعي بالتمارين (EKT) القابل للتفسير. أظهرت النتائج أن هذه الطريقة كانت تتمتع بتفسير أفضل في التنبؤ بالطلاب في الصف^الثامن. دمج شوت وآخرون تفضيلات الطلاب وجنسهم وخصائصهم الأخرى في اللعبة التعليمية. أشارت النتائج إلى أن تدريس الفيزياء القائم على الألعاب التعليمية كان لديه درجات وأداء أفضل من التدريس^{التقليدي 9}. استكشف تشين وآخرون تأثير ألعاب محاكاة الأعمال المحمولة في التعليم الريادي من خلال تصميم شبه تجريبي. أشارت نتائج الأبحاث إلى أن ألعاب محاكاة الأعمال المحمولة يمكن أن تحسن المواقف الريادية والكفاءة الذاتية، لكنها لا تستطيع تغيير نوايا ريادة الأعمال. تؤكد نتائج البحث الدور الإيجابي لألعاب محاكاة الأعمال عبر الهاتف المحمول في التعليم الريادي، مما يمكن أن يعزز الموقف الريادي والكفاءة الذاتية الريادية^. أشارت نتائج البحث إلى أن هذه الطريقة تتمتع بدقة تنبؤية عالية لأداء المتعلمين في مهام الألعاب. اقترح شي وآخرون نمط تدريس يدمج معرفة الدوال التربيعية في الألعاب. أظهرت التجربة أن دوافع التعلم ودرجات الطلاب في الرياضيات قد تحسنت بشكل ملحوظ من خلال هذا النمط التدريسي¹¹.

حللت إيزابيل وآخرون تحويل الألعاب إلى التعليم الريادي باستخدام منصة ألعاب مستقلة، واستخدام آليات الألعاب في تطبيقات غير ألعاب، ودمج نظريات التعليم الهندسي¹². أظهرت نتائج الأبحاث أن طرق التعليم الريادي المبنية على الألعاب يمكن أن تعزز مشاركة الطلاب وكفاءة ريادة الأعمال. أجرى سومرو وآخرون مسحا تجريبيا حول التعليم الريادي، والكفاءة الذاتية، والنية الريادية بين طلاب جامعة معينة باستخدام طريقة بيانات مقطعية كمية. أظهرت النتائج أن هيكل التعليم الريادي كان له تأثير إيجابي كبير على الكفاءة الذاتية وهدف ريادة الأعمال¹³. اقترح علماء مثل لوي نقاشا حول الافتراضات والتحديات في التعليم الريادي، مع دمج وجهات نظر ريادية جديدة في نماذج التدريس الريادية القائمة. أشارت نتائج البحث إلى أن تحديد أولويات المعرفة كان الأهم لتعزيز تأثير التعليم الريادي¹⁴. لتحسين أداء التعليم الهندسي الصناعي في المدارس، قام ماو وآخرون ببناء نموذج تقييم لتعليم الهندسة الصناعية يعتمد على أشجار القرار والخوارزميات غير الواضحة. أظهرت التجربة أن للنموذج تطبيقات عملية معينة في تقييم جودة التعليم الصناعي الصناعي الجامعي بشكل فعال وتوفير أدوات كمية قابلة للتشغيل لتحسين استراتيجيات التدريس في الهندسة الصناعية¹⁵. حلل لي وآخرون ضرورة إجراء تعليم الهندسة الصناعية لطلاب الجامعات في سياق الإنترنت. استنادا إلى نتائج البحث الفعلية، تم اقتراح استراتيجيات لتعزيز تطوير التعليم والممارسة الهندسية^{الهندسية 16}.

باختصار، تجسد قيمة ووظيفة التعليم الهندسي الصناعي بشكل رئيسي في تنمية المواهب ذات الجودة الأساسية وشخصية رائدة في ريادة الأعمال. تكمن قيمته في نظام القيم الذي يأخذ الوعي المبتكر، والمعرفة، والقدرة، والنوايا بشكل شامل، بهدف تحفيز شغف الطلاب الريادي، وهو مطلب. وبناء على ذلك، يركز التعليم الهندسي الصناعي على تحسين قدرات الطلاب الريادية، بما في ذلك دمج الموارد، وبناء الفريق، وغيرها، وأخيرا تشكيل نوايا ريادية وتحويلها إلى إجراءات عملية. وظيفيا، يحسن التعليم الهندسي الصناعي قدرة الطلاب على مواجهة تحديات ريادة الأعمال من خلال الممارسة، مثل دمج الموارد، والعمل الجماعي، وما إلى ذلك، لتعزيز تحقيق السلوك الريادي. تركز الأبحاث الحالية في تعليم الهندسة الصناعية بشكل رئيسي على الخصائص النظرية والأدوار والتحليل التجريبي، مع افتقارات إلى نتائج بحثية ذات صلة بأساليب التدريس. قد يحتاج المتعلمون إلى إرشاد ومساعدة مختلفة، لكن الألعاب التعليمية لا يمكنها محاكاة حالة اكتساب المعرفة لدى المتعلمين. لحل مثل هذه المشكلات، تهدف هذه الدراسة إلى تحديد الفروق الفردية في التعلم بين الطلاب وتقترح استخدام التفكير الجماعي للحصول على مستوى إتقان المعرفة لدى المتعلمين في التدريس. علاوة على ذلك، يبني نموذج تجربة اتخاذ القرار لتعليم طلاب الجامعات في الهندسة الصناعية بناء على خوارزمية تتبع المعرفة (KT) المحسنة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

تمت الموافقة على هذه الدراسة من قبل لجنة أخلاقيات البحث البشري في جامعة شاوشينغ (رقم الموافقة) SU-2023-IE-058). قدم جميع المشاركين موافقة كتابية مستنيرة قبل جمع البيانات. أجريت التجربة وفقا لإعلان هلسنكي (2013).

تصميم الألعاب لتجربة اتخاذ القرار في تعليم الهندسة الصناعية لطلاب الجامعات

نفذ البحث شبكة بايزية (BN) لتقييم إتقان المتعلمين في الوقت الحقيقي. تم نمذجة كل نقطة معرفة كعقدة مع جداول احتمالية شرطية (CPTs) تحدد التبعيات. وقد خدمت بيانات أداء الطلاب من تفاعلات الألعاب كدليل على الاستدلال الاحتمالي باستخدام مكتبة pgmpy (v0.1.20، بايثون 3.9.7). تم استخدام خوارزمية شجرة الربط للاستدلال الفعال.

اختيار أبعاد تقييم الألعاب في تعليم الطلاب في الهندسة الصناعية بناء على تفكير BN

رافق تطور التعليم الهندي تعميقا مستمرا للإصلاحات في التعليم العالي، وتم إحراز تقدم كبير في مجال التعليم. تعد خلفية البحث في ابتكار منظومة التعليم الهندسية الهندية القوة الدافعة الأولى للتنمية والدعم الاستراتيجي لبناء نظام اقتصادي حديث^17,18. ومع ذلك، فإن تشغيل نظام الطاقة الصناعية الصناعية، مثل النظام البيئي الطبيعي، له أيضا العديد من العوامل المؤثرة. تكمن الوظيفة الأساسية والقيمة لتعليم الهندسة الصناعية في تنمية عدد كبير من المواهب المبتكرة (عدد كبير من المواهب عالية الجودة ذات روح الابتكار، ونظام المعرفة، والقدرة على العمل)¹⁹. الغرض الأساسي وقيمته الأساسية يتكون بشكل رئيسي من خمسة أجزاء، كما هو موضح في الشكل 1، وهي وظائف وقيم التعليم الهندسي الهندسي.

figure-protocol-1
الشكل 1: الإطار المتكامل للوظائف الأساسية لتعليم الهندسة الصناعية، وتركيب القيمة، والارتباط المنطقي الداخلي بالسلوك الريادي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

يوضح الشكل 1 وظائف وقيم التعليم الهندسي الهندسي، مع جوهر الوعي الريادي. الطلب الريادي هو الأساس، ويوفر شرطا أساسيا لتكوين الوعي الريادي. الاهتمام الريادي هو جوهرها، ويدفع الأفراد إلى الانتباه لريادة الأعمال. الدافع الريادي هو القوة الدافعة التي تدفع الممارسة الريادية. ستوفر ريادة الأعمال دعما يساعدك على تجاوز الصعوبات في بدء الأعمال. القيمة الريادية هي الهدف النهائي، وتعكس أهمية التعليم الريادي للأفراد والمجتمع. جميع العناصر تتفاعل مع بعضها البعض وتدعم معا عمل التعليم الهندسي²⁰. تصنف الدراسة تعليم الهندسة الهوائية الدولية على أنه تنمية الوعي، وتعزيز القدرات، وتوليد النية. تتوافق مع الأهداف الأساسية والرئيسية والأساسية لتعليم الهندسة الصناعية. ينقسم الوعي الريادي إلى عدة مستويات، وتنمية هذا الوعي عامل رئيسي في تحقيق أهداف المعرفة والقدرات. المعرفة نفسها جزء من القدرة، لذا يجب أن يركز التعليم الريادي على تنمية القدرات الريادية الفردية. النية حلقة أساسية في تطور الوعي إلى سلوك، لكن النية والفعل ليسا^نفس الشيء تماما. في التعليم الريادي، من الضروري توليد رغبة الطلاب الريادية، وبالتالي تكوين تجارب فعالة وتحويلها إلى سلوكيات. باختصار، تأخذ الدراسة الوعي الريادي والقدرة الريادية والنوايا الريادية كمتغيرات وسيطة بين التعليم الهندسي الصناعي وسلوك ريادة الأعمال. بأخذ الوعي الريادي والقدرة والاستعداد كعوامل وسيطة بين التعليم الهندسي والسلوك الريادي، والذي يتوافق مع الأهداف الأساسية والرئيسية والأساسية لتعليم التعليم الهندسي الصناعي، إلى جانب تحليل الأدبيات ونموذج اللغة المستقلة، يحدد مؤشرات القياس لكل متغير (مثل التعليم الهندسي الهندسي، بما في ذلك المشاركة في المقررات، إلخ)، ثم يبني هذا النموذج التعليمي. كما هو موضح في الشكل 1، تم إنشاء نموذج ILM يربط بين تعليم الهندسة الصناعية والسلوك الريادي لأغراض البحث.

كما هو موضح في الشكل 1، ينعكس التأثير الإيجابي للتعليم الريادي على القدرة الريادية في قدرته على مساعدة الطلاب الجامعيين على إتقان المهارات الأساسية، وتحسين قدرتهم على تراكم الموارد واستخدامها، وتجاوز الصعوبات في ريادة الأعمال. يمكن أن يلعب الوعي الريادي دورا وسيطا بين التعليم الهندي والسلوك الريادي. كعامل مسبق للسلوك الريادي، يمكن للنية الريادية أن تتنبأ مباشرة بحدوث السلوك. يمكن أن يساعد تنمية الوعي الريادي بين طلاب الجامعات الشركات على اكتساب المعرفة الريادية وتحسين قدراتها الريادية. تؤكد نظرية القدرة أن القدرة هي العامل الأساسي الذي يحدد السلوك، خاصة في التعليم الهندسي الصناعي، الذي يركز على تنمية قدرات الطلاب متعددة الأبعاد، بما في ذلك دمج الموارد، وبناء الفريق، وإعداد الأموال.²². تؤثر هذه المهارات بشكل مباشر على أداء الطلاب في ريادة الأعمال، مثل تحديد الفرص، وبناء العلاقات، وتنفيذ الإجراءات. تشمل القدرة الريادية ثلاثة أبعاد رئيسية، وهي القدرة على دمج الموارد، والتي تشير إلى الاستخدام الفعال ودمج الموارد لدعم ريادة الأعمال؛ تشير القدرة على بناء الفريق إلى القدرة على تشكيل وقيادة فريق؛ وجاهزية رأس المال، أي القدرة على جمع وإدارة رأس المال الناشئ. تحسين هذه القدرات هو المفتاح لتعزيز نجاح ريادة الأعمال^{للطلاب.}

يعتمد وضع معايير القياس للتعليم الريادي، وسلوك ريادة الأعمال، والقدرة الريادية، والوعي الريادي، والنية الريادية بشكل رئيسي على تحليل الأدبيات، ومدمجنا مع نظام التعليم الصناعي الصناعي (ILM) في التعليم الهندسي الصناعي. مؤشرات التعليم الريادي تشمل المشاركة في دورات أو محاضرات ريادية (CY1)، والمشاركة في تدريب مهارات التعليم الريادي (CY2)، والمشاركة في مسابقات ريادة الأعمال (CY3). تعكس هذه المؤشرات بشكل مباشر مشاركة الطلاب في التعليم الهندسي الصناعي وتعكس الأهداف الأساسية لعملية التعليم الريادي وتفاعله¹⁰. مؤشرات السلوك الريادي هي تحديد الفرص (CW1)، بناء العلاقات (CW2)، والاستثمار في الطاقة (CW3). هذا هو القياس المرتبط بالسلوك الريادي، والذي يأتي بشكل رئيسي من نظريات سلوكية (مثل نظرية الكفاءة) ويركز على خصائص الفعل الفردي، مثل اغتنام الفرص، وبناء رأس المال الاجتماعي، وتخصيص الموارد¹¹. أبعاد قياس القدرة الريادية هي القدرة على دمج الموارد (CN1)، والقدرة على بناء الفريق (CN2)، والقدرة على إعداد رأس المال (CN3). تستمد هذه الأبعاد من الهدف العملي الأساسي لتحسين القدرات الريادية، أي تحسين قدرة الطلاب على البقاء والتطور في بيئة ريادية حقيقية. تشمل أبعاد القياس للوعي الريادي موقف السلوك الريادي (CS1)، والمعايير الذاتية الريادية (CS2)، والتحكم في سلوك الإدراك الريادي (CS3). يعتمد قياس الوعي الريادي على نظرية السلوك المخطط لأزين (TPB)، التي تأخذ التوقع النفسي الفردي لسلوك ريادة الأعمال كمحور تحليلي¹³. مؤشرات النية الريادية هي الرغبة الريادية (CW1)، والتخطيط المهني، والأهمية الريادية (CW2). يدعم قياس النية الريادية نظرية تأثير التعليم الريادي على اختيار المسار المهني، مثل العلاقة بين المعايير الذاتية والنية السلوكية.

في أنشطة التدريس، فإن عملية أخذ إجابات الطلاب كمتغيرات أدلة لحساب الاحتمال اللاحق للمتغيرات الكامنة والملاحظة هي عملية تشخيص مستوى معرفة الطلاب. يحسب استدلال BN الاحتمال اللاحق، الذي يعتمد بشكل رئيسي على بنية BN وتوزيع الاحتمالات الشرطي، ويحسب احتمال أخذ القيمة لبعض العقد في الشبكة تحت شروط أدلة محددة²⁴. بالنسبة ل BN ذات n متغيرات عقدية، يمكن تعريفها كدالة توزيع احتمالية مشتركة، كما هو موضح في المعادلة (1)²⁵.

figure-protocol-2 (1)

حيث P تعني مجموعة figure-protocol-3 الاحتمالات الشرطية ل BN. لكل عقدة figure-protocol-4 ، هناك CPT لتمثيل الاحتمال الشرطي ل figure-protocol-5 ومجموعة figure-protocol-6 عقدتها الأب . figure-protocol-7 يرمز إلى أي متغيرين عشوائيين، و figure-protocol-8 هو الفرضية، التي هي figure-protocol-9 الدليل. الاحتمال السابق هو احتمال figure-protocol-10 حدوث figure-protocol-11 عندما figure-protocol-12 يكون غير معروف. الاحتمال الخلفي هو احتمال figure-protocol-13 الحدث figure-protocol-14 عندما figure-protocol-15 يكون معروفا. كما هو موضح في المعادلة (2)، هي المعادلة البايزية²⁶.

figure-protocol-16 (2)

لا يقتصر دور BN على مستوى إتقان المعرفة للمتعلمين في التدريس من خلال العلاقات العامة، بل يعكس أيضا هيكل معرفتهم بشكل رسومي. باستخدام تمثيل المعرفة والاستدلال في نموذج المجال، تعتبر كل معرفة مفاهيمية عقدة. في الألعاب، تستخدم العقد لتعيين المستويات المقابلة وتوفير تحديثات ديناميكية ل BN. خلال فترة التعلم، يقوم النظام بجمع معلومات بيانات المستخدمين باستمرار وتحديثها على الشبكة. تعد خوارزمية شجرة المشتركة (JT) حاليا أكثر خوارزمية استدلال BN حسابية استخداما وأسرع²⁷. تشمل عملية الخوارزمية تحويل BN إلى بنية تربيعية تحتوي على مجموعة من الحواف في الكلية. في نموذج تجربة اتخاذ القرار التعليمية في IE، تعرف التكيف بأنها قدرة النظام على تعديل المحتوى التعليمي والاستراتيجيات وأنماط التفاعل تلقائيا بناء على أداء المتعلمين في الوقت الحقيقي، والخصائص الفردية، واحتياجاتهم التعليمية. قسم الباحث الأمريكي هودود نموذج لعبة التعليم التكيفي إلى المجالات، والتعليم، ونماذج اللاعبين، والمحرك التكيفي ووحدة العرض²⁸. لكل نموذج وظائف مختلفة، من بينها نموذج اللاعب هو نموذج الطالب، وهو مكون أساسي في الألعاب التعليمية لتحقيق الدعم التكيفي للمتعلمين. كما هو موضح في الشكل 2، هو تدفق المعلومات لنموذج الطالب بناء على خوارزمية JT.

figure-protocol-17
الشكل 2: البنية الموحدة للعبة تجربة اتخاذ القرار التعليمي في الجامعة الهندسية الدولية. تدفق معلومات الطلاب مدفوعا بشجرة مشتركة، وDKT محسن مع تضمين ميزات وانتباه، وعناصر أساسية متكاملة مع KT. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

في الشكل 2، ستستخدم الدراسة BN لبناء نماذج الطلاب واستخدام خوارزميات JT للاستدلال لتقييم اكتساب الطلاب للمعرفة في الوقت الفعلي. تعتمد خوارزمية JT على نفس نسخة pgmpy، وتستدعي طريقة BN to_junction_tree (moralize=True، min_fill التثليث) لتوليد JT، وتستخدم العقد () لعرض عقد العنقود. قم بتهيئة محرك الاستدلال باستخدام JunctionTreeInference، وأدخل الأدلة السلوكية عبر طريقة الاستعلام، ثم تعيين joint=False لإرجاع الاحتمال اللاحق لنقاط معرفة IE، وتعيين tol=1e-6 للتحكم في الخطأ. ثم يستخدم النموذج الإحصائي لمقارنة معدل الاستجابة الصحيحة للمتعلم مع القيمة المحددة للعتبة، لتوفير إطار عمل مناسب لمهام اللعبة وإطار تغذية راجعة محفزة. تعتمد نمذجة BN على pgmpy 0.1.20 (بيئة بايثون 3.9.7). يتم استدعاء فئة BN للمرور في قائمة تبعيات العقد، ويتم تمييز المتغيرات الكامنة/الأدلة ب node_type. يتم تهيئة CPT بناء على خبرة الخبراء باستخدام فئة TableularCPD، ثم يتم تحديثها بشكل تكراري ببيانات سلوك الطلاب باستخدام طريقة الملاءمة من BayesianEstimator (dirichlet prior، pseudo_counts=1). يتم التحقق من العلاقة السببية من خلال do_calculus الاستدلال السببي، ويتم حساب المعلومات المتبادلة (أكبر من 0.3 يشير إلى اعتماد قوي) لضمان بنية معقولة.

تصميم نموذج لعبة تجربة اتخاذ القرار لتعليم الهندسة الصناعية لطلاب الجامعات، مع دمج خوارزميات KT المحسنة

على الرغم من أن فحص ميزات أبعاد تقييم الألعاب التعليمية في IE يتم من خلال التفكير الجماعي الحيوي، الذي يمكنه تحديد نقاط ضعف الطلاب في المعرفة بشكل ديناميكي، إلا أن BN يركز فقط على تشخيص حالة المعرفة الحالية ولا يمكنه تتبع عملية التغير الديناميكي لإتقان الطلاب للمعرفة. كما أنه من الصعب التنبؤ بدقة باحتياجات التعلم اللاحقة، ولا يمكنه دعم التكيف الديناميكي لنموذج اللعبة مع استراتيجيات التعليم. لذلك، من الضروري دمج وتحسين خوارزمية KT، ومن خلال الاستفادة من تضمين الميزات وAM، تحقيق تتبع وتوقع لبنية معرفة الطلاب في الوقت الحقيقي. نموذج الطالب هو وحدة تراقب معلومات الطلاب، وقد ظهرت أبحاثه لأول مرة في نظام التدريس الذكي (ITS)²⁹. في تكنولوجيا المعلومات (ITS)، تتبع التغيرات الديناميكية في حالات المعرفة لدى الطلاب أمر مهم بشكل خاص، لأنه يمكن أن يساعد النموذج في توجيه الطلاب بشكل أفضل لتعلم المعرفة. فكرة تتبع بنية معرفة الطلاب في الألعاب تنبع من أنظمة تشخيص التعلم السابقة وألعاب التعليم التكيفي³⁰. لقد ثبت أن نموذج DKT فعال هو نموذج KT، وهو أكثر ملاءمة لسيناريوهات التقييم ذات مقاييس بيانات المستخدمين الكبيرة. نموذج DKT يعتمد على TensorFlow 2.8.0 (بايثون 3.9.7، وبطاقة الرسوميات تدعم CUDA 11.2). تتم معالجة البيانات باستخدام pandas، LabelEncoder، وnumpy، وتدمج في موترات ثلاثية الأبعاد بحجم [العينة، 30,8]. ابن البنية باستخدام Sequential، بما في ذلك Input (30,8)، Dense (64,relu)، LSTM (128,return_sequences=true)، والكثافة (نقاط معرفة، سيجمويد); قم بتحسين باستخدام Adam (lr=0.001)، وخذ BinaryCrossentropy كدالة فقدان، وضبط مؤشرات الدقة وAUC، ونفذ 50 جولة تدريب (دفعة = 32)، وتخزين الوزن الأمثل في نقطة التحقق من النماذج. تم بناء هذا النموذج المحسن ل DKT بناء على TensorFlow 2.8.0 (بايثون 3.9.7، يدعم CUDA 11.2). أولا، من خلال تضمين الميزات، يتم ربط الميزات السلوكية مثل عدد الطلاب الذين يجيبون على الأسئلة، وسلوك طلب المساعدة، وعدد طلبات الطلبات بالنتيجة الجيدة، وترميزها بالاقتران مع معامل صعوبة السؤال (عدد الإجابات الخاطئة/إجمالي عدد الأسئلة التي تم الإجابة عليها). ثم نربط جميع الميزات المشفرة لبناء متجه ويستخدم المشفر التلقائي (مفعل tanh) لتقليل الأبعاد كمدخل. ثم يتم إدخال آلية انتباه بين LSTM وطبقة الإخراج في DKT. فئة AttentionLayer محددة. يستخدم tf.matmul لحساب الأوزان، ويستخدم softmax للتطبيع لتوليد ميزات موزونة. يتم تعيين 128 وزنا وإضافة Dropout (0.2) لمنع الإفراط في التركيب. مع تحسين آدم (lr=0.001) وتبادل الإنتروبيا كدالة خسارة لمدة 50 جولة تدريب، تم تحقيق تتبع وتوقع إتقان الطلاب لمعرفتهم. تقترح الدراسة نموذج DKT محسنا يثري بيانات الإدخال للنموذج من خلال تضمين الميزات ويقدم AMs، كما هو موضح في الشكل 2.

في الشكل 2، وبفضل قدرة نموذج DKT على التقاط الميزات المعقدة في البيانات، يمكن استخدام تضمين الميزات لإثراء بيانات الإدخال في النموذج، وبالتالي تحسين أداء النموذج. الحالة الأخيرة الخفية للذاكرة طويلة المدى قصيرة المدى (LSTM) هي حالة التعلم الخفية للطلاب في اللحظة^{الحالية 31}. عندما يطول الوقت، قد يتسبب LSTM في فقدان بعض المعلومات المهمة. تقدم الدراسة نظام AM، الذي يوزن ويجمع جميع المعلومات التاريخية لتقليل فقدان المعلومات المهمة. تدمج خصائص سلوك الطلاب في الإجابة ومعاملات الصعوبة في المعلومات الأصلية المدخلة، لتصبح تسلسل figure-protocol-18 تفاعل تاريخي أكثر أهمية. تسلسل التفاعل التاريخي للمدخلات في هذا النموذج هو figure-protocol-19 ، والمخرج هو متجه الاحتمالية الذي يتنبأ بإجابات الطلاب على الأسئلة المقابلة لنقاط المعرفة بشكل صحيح. تقترح الدراسة دمج عدد المرات التي يحاول فيها الطلاب الإجابة على الأسئلة، وما إذا كانوا يطلبون المساعدة أثناء عملية الإجابة، وعدد المرات التي يطلبون فيها الأسئلة في ميزة جديدة في نموذج اللعبة التعليمية، ويتم دمجها مع نتائج الإجابة، كما هو موضح في المعادلة (3).

figure-protocol-20 (3)

في المعادلة (3)، figure-protocol-21 تعني الخصائص السلوكية للطلاب الذين يجيبون على الأسئلة؛ figure-protocol-22 تشير إلى عدد مرات إجابة figure-protocol-23 الطلاب على الأسئلة في اللحظة؛ figure-protocol-24 تشير إلى طلب المساعدة؛ figure-protocol-25 تشير إلى عدد المحفزات؛ figure-protocol-26 تشير إلى نتيجة الإجابة. التعبير الحسابي لمعامل صعوبة السؤال موضح في المعادلة (4).

figure-protocol-27 (4)

في المعادلة (4)، figure-protocol-28 تعني عدد الأشخاص الذين أجابوا على السؤال figure-protocol-29 بشكل خاطئ، وتمثل figure-protocol-30 العدد الإجمالي للأشخاص الذين أجابوا على السؤال figure-protocol-31 بشكل صحيح. لتحسين دقة النموذج، يتم ربط جميع الميزات المشفرة التي تم الحصول عليها، ويتم عرض بناء المتجهات في المعادلة (5).

figure-protocol-32 (5)

في المعادلة (5)، figure-protocol-33 تعني عدد نقاط المعرفة؛ figure-protocol-34 تشير إلى معامل صعوبة المسألة؛ figure-protocol-35 تعني تركيب الميزات؛ figure-protocol-36 تعني صيغة الترميز؛ figure-protocol-37 تعني الاتصال. درب المشفر التلقائي باستخدام دالة تفعيل tanh وإزالة طبقة الإخراج بعد الانتهاء. ثم يستخدم مخرج الطبقة المخفية كمدخل في نموذج DKT-FA، كما هو موضح في المعادلة (6).

figure-protocol-38 (6)

في المعادلة (6)، figure-protocol-39 هما مصفوفة الوزن المتعلمة ومتجه التحيز على التوالي. تجمع الدراسة بين AM وشبكة LSTM لتمكين النموذج من إيلاء اهتمام أكبر لتسلسلات الإجابات ذات الخصائص السلوكية المشابهة والصعوبة في التطبيق العملي. يتم دمج AM بين LSTM وطبقات الإخراج في DKT. يتم تعريف فئة AttentionLayer مخصصة، ويستخدم tf.matmul لحساب الأوزان، بينما يستخدم softmax للتطبيع لتوليد ميزات موزونة. تم تعيين 128 أوزانا للحفاظ على الحقوق، وأضيف Dropout (0.2) لمنع الإفراط في التوافق، وتم تنفيذ تحسين متزامن باستخدام الانتشار العكسي، واستخراج الأوزان عبر get_weights() لتحليل تأثير السلوكيات الرئيسية. عند اختيار متغير figure-protocol-40 الانتباه، يشير إلى أن figure-protocol-41 سجل الإجابة تم اختياره. كما هو موضح في المعادلة (7)، يحسب احتمال وجود figure-protocol-42 المعلومات رقم (th code) باستخدام رمز معلومات الترتيب التاريخي ورمز المعلومات النهائي.

figure-protocol-43 (7)

في المعادلة (7)، يحدد عامل figure-protocol-44 الوزن المحتوى الذي يجب الانتباه إليه أو تجاهله أثناء التنبؤ. تستخدم الدراسة نموذجا جمعيا لدالة figure-protocol-45 درجة الانتباه لحساب درجتها، كما هو موضح في المعادلة (8).

figure-protocol-46 (8)

في المعادلة (8)، figure-protocol-47 تعني ترميز معلومات التسلسل التاريخية بناء على ضغط البيانات؛ figure-protocol-48 ويعني تقليل الأبعاد الذي يرمز لمعلومات الإدخال في figure-protocol-49 الوقت المناسب. figure-protocol-50 هو معامل شبكة تابع لوزارة العلوم. يرمز إلى حالة figure-protocol-51 الانتباه بمجموع الوزن ل figure-protocol-52 ، ويظهر تعبيرها الحسابي في المعادلة (9).

figure-protocol-53 (9)

في المعادلة (12)، من خلال الجمع figure-protocol-54 مع figure-protocol-55 ، يتم حساب احتمال إتقان الطلاب لجميع نقاط المعرفة والتعبير عنه كما هو موضح في المعادلة (10).

figure-protocol-56 (10)

في تعلم الآلة، يمكن استخدام الإنتروبيا المتبادلة لقياس الفرق بين العلامات الفعلية والنتائج المتوقعة. لذلك، تعتبر دالة الخسارة في نموذج DKT-FA، كما هو موضح في المعادلة(11).

figure-protocol-57 (11)

في المعادلة (11)، figure-protocol-58 ويشير figure-protocol-59 إلى التوزيعات الاحتمالية المتوقعة والتوزيعات الحقيقية على التوالي. يفترض figure-protocol-60 أن هناك وحدة معرفة واحدة، بما في ذلك figure-protocol-61 نقاط المعرفة. وإذا كان احتمال استخدام نقطة figure-protocol-62 المعرفة هو figure-protocol-63 ، فإن إتقان الطالب لنقطة المعرفة يظهر في المعادلة (12).

figure-protocol-64 (12)

في المعادلة (12)، figure-protocol-65 تعني معدل خطأ المتعلم في نقطة figure-protocol-66 المعرفة ؛ figure-protocol-67 يشير إلى احتمال حدوث نقاط معرفة. ادرس أهمية استخدامه كنقطة معرفة. لتصنيف نطاق القيم ضمن النطاق من 0-0.5، figure-protocol-68 يتم تقسيمها إلى جزأين. في سيناريوهات اللعبة المعقدة والغنية، يمكن للمتعلمين تحقيق إعادة بناء شخصية وذات معنى لطرق التعلم. عند بناء نماذج الألعاب التعليمية، يجب أيضا اتباع المبادئ المقابلة. أولا، يجب اتباع مبدأ ذاتية المتعلم. من الضروري النظر بشكل كامل في الخصائص الفردية للمتعلمين حتى يتمكنوا من الحصول على تجربة لعب تتناسب مع قدراتهم خلال عملية اللعب. ثانيا، من الضروري اتباع مبدأ الوعي بالموقف، أي تصميم بيئة لعب أكثر واقعية لتحفيز حماس المتعلمين. أخيرا، من الضروري اتباع مبدأ الموازنة بين تصميم الألعاب وتصميم التعليم. استنادا إلى المبادئ السابقة، يدرس العناصر الرئيسية للتعليم المتكامل في الهندسة الصناعية وألعاب، ويبني نموذج اتخاذ القرار لتعليم الهندسة الصناعية، كما هو موضح في الشكل 2.

في الشكل 2، يأخذ النموذج السيناريو كجانب أساسي من تعليم الهندسة الصناعية، وتنقسم اللعبة نفسها إلى نماذج للطالب والمعلم والمعرفة. من خلال دمج أفكار التصميم التعليمي، يبني اللعبة الحبكة والأنشطة والمهام والعناصر الرئيسية للعبة. نشاط دوري يجمع بين الجوانب الأربعة للبيئة والمعرفة والعاطفة والعمل في التعليم الريادي. يستخدم نموذج المعرفة بشكل رئيسي لتخزين وإدراج المعرفة في التعليم. يتم دمج نموذج الطالب مع نموذج المعلم لتحقيق تعلم شخصي للمعرفة. يحتاج إلى تصميم تفصيلي إضافي لقصة اللعبة وأنشطتها ومهامها، وما إلى ذلك، لتحقيق توازن بين الجوانب التعليمية والجوانب التعليمية لنموذج اللعبة. وفي الوقت نفسه، يطبق المعرفة الهندسية الهندسية الموجودة في السيناريوهات الافتراضية والإدراكية، ويدمج التعلم القائم على المعرفة في تنمية سلوكيات التعليم الريادي الصحيحة. تقوم وحدة الميزة المدمجة في الشكل 2 بتوليد حالة التعلم وتربطها ديناميكيا بالواجهة من خلال تحليل بيانات سلوك الطالب (مثل عدد الإجابات، تكرار المساعدة، معدل الصحيح، إلخ) لإنشاء مشهد المهمة المناسب لمرحلتها. تشمل هذه السيناريوهات ريادة الأعمال الافتراضية، وحل المشكلات، أو محاكاة العمل الجماعي المصممة لتعزيز تجربة التعلم. يجمع التصميم بين نموذج معرفة، ونموذج تعليمي، ودافع عاطفي لتحويل الأهداف التعليمية إلى مواقف ألعاب. يكمل نموذج المعلم نموذج الطالب لتحقيق تعلم فعال ومخصص من خلال رسم بياني معرفي وتحليل بيانات. استنادا إلى تحليل الخلفية، يوفر نموذج المعلم دعما تعليميا شخصيا للطلاب ويرشد تصميم مهام اللعبة وآليات التغذية الراجعة. تضبط الألعاب المهام والصعوبة بشكل ديناميكي بناء على أداء الطلاب في الوقت الحقيقي، مما يعزز القدرة على التكيف ويعزز المعرفة. تترجم تجربة التعلم داخل اللعبة واتخاذ القرار إلى تعليم ريادي حقيقي من خلال التغذية الراجعة. كما هو موضح في الشكل 2، تستند الدراسة إلى العالم الأمريكي السابق هودهود، الذي قسم نموذج لعبة التعليم التكيفي إلى المجال، والتدريس، ونماذج اللاعبين، والمحرك التكيفي ووحدة العرض⁹، وبناء على مبادئ بناء النماذج، تبني نموذج لعبة لتجربة قرار التعليم IE لطلاب الجامعات يدمج خوارزميات KT المحسنة.

في الشكل 2، يتكون النموذج الكلي من جزأين: واجهة عرض اللعبة وقاعدة بيانات الخلفية. واجهة عرض اللعبة تتحكم في عرض الصوت والرسومات والتفاعل وتأثيرات اللعبة الأخرى، وتعمل بالتعاون مع قاعدة البيانات لعرض اللعبة. تتكون قاعدة بيانات الخلفية من ثلاثة أجزاء، وهي نماذج المجال، والمعلم، والطالب، باستخدام وحدة المكونات في ITS كمرجع، لتحقيق وظيفة اللعبة بشكل مشترك. يتم تمثيل نقاط المعرفة المختارة في IE بواسطة شبكة إطار عمل. تصميم وبناء نماذج التعليم والهياكل الوظيفية هو الشرط الأساسي والضمان لتصميم وتطوير إنتاج تعليم الألعاب لاحقا. تحت إشراف أهداف البحث والأسس النظرية، يوضح نموذج البنية الوظيفية في هذه اللعبة العلاقات بين الوحدات المختلفة ويدمجها في نموذج البنية الوظيفية.

التركيبة السكانية للمشاركين وأخذ العينات

يمكن العثور على تفاصيل ديموغرافية المرضى في الجدول 1. صيغة حجم العينة (G*Power 3.1.9.7): حجم التأثير f = 0.25 (متوسط)، α = 0.05، القوة = 0.90، المجموعات = 3 ثم n ≥ 159، التجنيد الفعلي: 305 (مسموح بفقدان 10٪). للتكرارات المستقبلية، نوصي بعينة لا تقل عن 200 مشارك (10٪ من التنزاف المتوقع) للحفاظ على القوة الإحصائية ≥ 0.90 عند حجم تأثير متوسط f = 0.25 (G*Power 3.1.9.7، ثلاث مجموعات، α = 0.05). إذا تم التخطيط لتحليلات اعتدال إضافية (مثل مجموعة الجنس x)، زد إلى 270 لضمان حجم الخلايا ≥ 45.

الميدان	مثال على إدخال	معايير الإدراج	معايير الاستبعاد
StudentID	S001	طالب جامعي بدوام كامل	أخذ دورة الهندسة الصناعية ≥1
العمر	19	18-25 سنة	النطاق الخارجي
الجنس	F	التعريف الذاتي	رفض الإبلاغ
الرائد	الأعمال التجارية	أي تخصص	التعليم المستمر غير التخصصي
التوظيف	البريد الإلكتروني للحرم الجامعي	الطبقات العشوائية	شاركت بالفعل

الجدول 1: التركيبة السكانية للمرضى.

لضمان مقاييس الذكاء الاصطناعي القابلة للتكرار، قم بإجراء ثلاث محاولات تدريب مستقلة باستخدام بذور عشوائية مختلفة (42، 2023، 1024). أبلغ عن المتوسط ونسبة الثقة 95٪ ل AUC وF1 وRMSE؛ أي عرض CI > 5٪ من المتوسط يشغل جولتين إضافيتين حتى يتم الوصول إلى الاستقرار.

تهيئة CPT

تم استقطاب خمسة خبراء تعليم هندسي (≥ خمس سنوات تدريس جامعي، ≥ 3 مشاريع ريادية موجهة) من خلال أخذ عينات هادفة من جامعة شاوشينغ وجامعة وينتشو-كين. معرف موافقة لجنة الخبراء: SU-IE-2023-00. اختيار الخبراء: الموضوع: [لجنة الخبراء] استدعاء CPT لشبكة IE Bayesian. كانت معايير الأهلية ≥ تدريس التعليم الصناعي الجامعي لمدة 5 سنوات، وتوجيه ≥3 شركات ناشئة حقيقية، واستعداد لحضور جولات دلفي عبر الإنترنت 2 × 2 ساعة.

القالب الأولي لقانون CPT

تم تحديد المعايير التالية وتم استخدام التعليمات أدناه.

العقدة	الوالد = إتقان؟	P(صحيح\|الوالد)	بريور
T1_opportunity	صحيح	0.85	0.30
T1_opportunity	خطأ	0.30	/
CN1_resource	/	/	0.30

تعليمات تحديث التكرار (بايثون بسطر واحد):

python from pgmpy.estimators import BayesianEstimator est = BayesianEstimator(model, data) cpd_new = est.estimate_cpd('T1_opportunity', prior_type='dirichlet', pseudo_counts=1)

Unity - كود زائف لتكامل بايثون

Code box P1: csharp // Unity C# - send behavior log void SendLog(string studentID, string taskID, bool correct, int attempts, bool help){ string url = " WWWForm form = new WWWForm(); form.AddField("sid", studentID); form.AddField("tid", taskID); form.AddField("correct", correct ? 1 : 0); form.AddField("attempts", attempts); form.AddField("help", help ? 1 : 0); UnityWebRequest.Post(url, form).SendWebRequest(); } Code box P2: Python # Python Flask - receive & infer from flask import Flask, request app = Flask(__name__) @app.route('/log', methods=['POST']) def log(): data = request.form update_bn(data) # update CPT weak = query_dkt(data) # DKT-FA prediction return {"next_task": select_task(weak)} if __name__ == '__main__': app.run(port=5000)

إكمال الحد الأدنى للنظام التنفيذي (نسخ ليعمل بسلاسة):
IE_Game/ |-Unity/ # Unity 2021.3.8f1 project |-Python/ ||- app.py # Flask server ||- model/ |||- bn.pkl # Pre-trained Bayesian network ||- dkt.pth # DKT-FA weight |- requirements.txt -DemoData/ - IE_Game_Demo.csv Flask server (Python/app.py) python from flask import Flask, request, jsonify import joblib, torch, pandas as pd app = Flask(__name__) bn = joblib.load('model/bn.pkl') dkt = torch.load('model/dkt.pth', map_location='cpu')

@app.route('/log', methods=['POST']) def log(): row = request.form.to_dict() # 1. Update BN evidence = {k: int(row[k]) for k in ['correct','help','attempts']} bn_inf = bn.predict(evidence) weak_node = [n for n,p in bn_inf.items() if p < 0.5] # 2. DKT predicts the next question x = torch.tensor([[int(row['tid']), int(row['correct'])]]) next_prob = dkt(x)[-1].item() return jsonify(weak=weak_node, next_diff=round(next_prob,3))

if __name__ == '__main__': app.run(debug=False, port=5000) ```

سكريبت Unity C# Send (مرتبط ب GameObject الفارغ)
```csharp using UnityEngine; using UnityEngine.Networking; using System.Collections;

public class Logger : MonoBehaviour { public void Send(string tid, bool correct, int attempts, bool help){ StartCoroutine(Post(tid, correct?1:0, attempts, help?1:0)); }

IEnumerator Post(string tid, int c, int a, int h){ WWWForm f = new WWWForm(); f.AddField("tid", tid); f.AddField("correct", c); f.AddField("attempts",a); f.AddField("help", h); using(UnityWebRequest www = UnityWebRequest.Post("http://localhost:5000/log", f)){ yield return www.SendWebRequest(); string weak =www.downloadHandler.text; GameObject.Find("TaskManager").SendMessage("SetNextTask", weak); } } } ```

الصعوبة التكيفية ومحفزات التغذية الراجعة
تفاصيل العتبة موضحة في الجدول 2، ومنطق المحفز مذكور أدناه.
نسخ واستخدام تكوين JSON (حفظ ك ' adaptive_config.json '):
```json { "thresholds": { "low": 0.3, "high": 0.7 }, "actions": { "low": {"diff": -1, "msg": "It is recommended to review the knowledge points of resource integration"}, "mid": {"diff": 0, "msg": "Keep it up"}, "high": {"diff": +1, "msg": "Unlock high-difficulty tasks"} } } ```

يقرأ Unity الكود:
```csharp TextAsset cfg = Resources.Load("adaptive_config"); JsonUtility.FromJson(cfg.text); ```

الاحتمال اللاحق	تعديل الصعوبة	رسالة تغذية راجعة
<0.3	-مستوى واحد	يقترح مراجعة نقاط المعرفة المتعلقة بدمج الموارد.
0.3-0.7	البقاء دون تغيير	"استمر
> 0.7	+1 مستوى	"افتح المهام عالية الصعوبة

الجدول 2: جدول العتبة ومنطق المحفز.

استكشاف الأخطاء ومعايير النسخ

الأعطال الشائعة التي تم مواجهتها وحلول مستوى التكرار مذكورة في الجدول 3. إذا استمر إصدار وحدة تحكم Unity في 404 بعد إصدار جدار الحماية، نفذ القائمة التالية: (1) استبدال المضيف المحلي بIPv4 بالضبط: في Unity > Logger.cs تغيير http://localhost:5000/log إلى http://192.168.x.x:5000/log (تشغيل ipconfig في ويندوز للحصول على العنوان)؛ (2) تفعيل CORS في Flask: بعد تطبيق = Flask(__name__) أضف cors = CORS(app, resources={r"/*":{"origins":"*"}}); (3) تحقق من إشغال المنفذ: netstat -ano | findstr 5000، قتل PID متعارض؛ (4) أضف نبض قلب مدته 3 ثوان: InvokeRepeating("SendHeartbeat"، 0، 3) في Unity للحفاظ على المفتاح حيا. الخطوات السابقة مكتوبة برمجيات troubleshoot_up_comm.sh (يونكس) و troubleshoot_up_comm.ps1 (ويندوز) المتوفرة في مجلد /utils في مستودع GitHub.

الخاصية	البعد	CITC	α بعد حذف العنصر	α الفئة الفرعية	إجمالي الجدول α
تعليم ريادة الأعمال	CY1	0.68	0.848	0.872	0.956
	CY2	0.72	0.841
	CY3	0.66	0.854
القدرة الريادية	CN1	0.7	0.826	0.859
	CN2	0.69	0.828
	CN3	0.68	0.834
الوعي الريادي	CS1	0.68	0.852	0.878
	CS2	0.66	0.865
	CS3	0.7	0.854
النية الريادية	CX1	0.73	0.795	0.877
	CX2	0.66	0.845
	CX3	0.77	0.789
السلوك الريادي	CW1	0.76	0.776	0.909
السلوك الريادي	CW2	0.71	0.823	0.909

الجدول 3: الأعطال الشائعة التي تم مواجهتها وحلول مستوى التكرار.

مشاركة الشيفرة والبيانات:
مجموعة بيانات تجريبية (n = 50، مجهولة) تحتوي على 14 ميزة سلوكية و10 ميزات IE
عقد المعرفة متاحة على https://doi.org/10.5281/zenodo.123456
اسم الملف: IE_Game_Demo.csv
الرؤوس: StudentID، TaskID، correct، HelpSeeking، المحاولات، الصعوبة، CN1، CS1، CW1، CY1، CY2، CY3، T1، I1
الحجم: 50 صفا × 14 عمودا (~12 كيلوبايت)
التنسيق: ملف CSV UTF-8، لا توجد قيم مفقودة، متوافق مع معيار إلغاء الهوية في GDPR (الاسم، البريد الإلكتروني، عنوان IP حذف الآن).

عتبة الاتساق الداخلي: كرونباخ α ≥ 0.80؛ الارتباط الكلي للعنصر ≥ 0.40. حدود الصلاحية: KMO ≥ 0.70، بارتليت p < 0.001، AVE ≥ 0.50، CR ≥ 0.70، تحميل العوامل ≥ 0.75. عتبة أداء النموذج: AUC ≥ 0.85، F1 ≥ 0.85، RMSE ≤ 0.20. أي مقياس أقل من هذه القيم يعلم بمراجعة البروتوكول.

للحد من الإفراط في التركيب في نموذج DKT-FA المحسن، طبقنا حاجز حماية ثلاثي: (1) تعزيز البيانات: انزلاق نافذة من 50 خطوة على طول تسلسل الطلاب لتوليد 5 أضعاف التسلسلات الفرعية. (2) التنظيم: عقوبة الوزن L2 1 × ^10-5 على جميع النواة الكثيفة والنوى المتكررة. (3) التوقف المبكر: مراقبة التحقق - AUC، توقف التدريب إذا لم يكن هناك مكاسب > 0.001 لمدة 5 فترات متتالية.

تصميم التجارب لنتائج التعلم والقدرة على التكيف

لاختبار تأثير تعديل الجنس، تم جمع متغيرات النوع الاجتماعي ودرجات مقياس الألعاب ذي 14 بعدا في الأسبوع الثامن من التجربة، واستخدم اختبار t العينة المستقلة لمقارنة الفروق بين الرجال والنساء. وفي الوقت نفسه، تم جمع تقييمات ذاتية مثل الانغماس في اللعبة وواقعية المشاهد باستخدام مقياس ليكرت الخمس، وتم تسجيل فروق نسبة اللياقة وتغيرات الدرجات في مجموعة غير اللعبة (المجموعة A، n = 100)، ومجموعة اللعبة غير التكيفية (المجموعة B، n = 105)، ومجموعة اللعبة التكيفية (المجموعة C، n = 105) تحت نفس الصعوبة المتزايدة لدورات IE. تم اختبار جميع البيانات للدلالة بواسطة SPSS 25.0 للتحقق من عالمية النموذج للأجناس المختلفة وأشكال التدريس.

صممت هذه الدراسة تجربة محكمة للتحقق من نتائج التعلم والقدرة على التكيف. تم تقسيم المشاركين إلى ثلاث مجموعات: المجموعة أ (التحكم غير اللعبي) تلقت فقط التدريس التقليدي في الصف؛ المجموعة ب (التحكم غير التكيفي في اللعبة) جمعت بين التعليم التقليدي وألعاب التفاعل الصناعي غير التكيفي؛ استخدمت المجموعة ج (المجموعة التجريبية) التعليم التقليدي بالإضافة إلى لعبة القرار-تجربة التكيف في IE (دمج BN+DKT-FA). شملت التجربة التي استمرت 8 أسابيع أسبوعا واحدا من التحضير (المجموعة: 105 في المجموعة C، 100 في المجموعة A/B؛ اختبار مسبق لموقف/كفاءة الذات لدى ريادة الأعمال؛ تصحيح نظام اللعبة)، 6 أسابيع من التدخل (2 ساعة في الأسبوع، 45 دقيقة/ساعة، مطابقة تقدم الدورة المعتادة في IE)، وأسبوع واحد من الاختبار بعد الاختبار. للتحقق من التعميم، تم جمع بيانات تفاعل إضافية من الجامعة أ (العلوم-الهندسة، 120 مجموعة)، والجامعة ب (شاملة، 110 مجموعة)، وجامعة ج (الآداب الحرة، 90 مجموعة) لاختبار متانة النموذج عبر الخلفيات التخصصية.

يتضمن تكرار نموذج تجربة القرار في IE ست مراحل أساسية: العمل التحضيري، بناء مجموعة تقييم حالة المعرفة، تطوير نموذج DKT محسن، تكامل نظام الألعاب، تصميم التجارب وجمع البيانات، والتحقق من صحة النماذج. يتم وصف هذه في الفقرات التالية.

في المرحلة المبكرة، يتم تعريف الأبعاد والمؤشرات الأساسية لتعليم الهندسة الصناعية بوضوح، بما في ذلك ثلاثة متغيرات وسيطة: الوعي الريادي، والقدرة، والاستعداد، إلى جانب مؤشرات القياس المقابلة لها. يتم جمع بيانات الديموغرافيا الطلابية وخلفية التعليم الصناعي من خلال استبيانات، وتسجل بيانات سلوك التعلم من خلال سيناريوهات محاكاة.

في بناء BN، تعرف عقد نقاط المعرفة في IE (المتغيرات الكامنة) وسلوكيات الطلاب (متغيرات الأدلة). يتم تحديد العلاقة المنطقية بين العقد بناء على مقابلات الخبراء والحبكة. يتم تحديد القيم الأولية للقانون المعتمد وفقا لخبرة الخبراء. يتم تعديل بيانات سلوك الطلاب بشكل تكراري وتحويلها إلى JT من خلال التشريح والتثليث. تستخدم أدلة سلوك الإدخال pgmpy 0.1.20 (بدون RRID رسمي متاح للجمهور) لحساب الاحتمال اللاحق وتحديد نقاط المعرفة الضعيفة باحتمال لاحق <0.5.

عند تحسين تطوير نموذج DKT، يتم إجراء هندسة الميزات على البيانات، وترميز الميزات السلوكية، وحساب معاملات صعوبة المهمة، ودمجها في متجهات لبناء سلسلة زمنية. تم إنشاء بنية تشمل تضمين الميزات، وLSTM، وAM، وطبقة الإخراج. يتم التدريب باستخدام الإنتروبيا المتقاطعة كدالة فقدان وعامل تحسين آدم، بمعدل تعلم 0.001.

يستخدم تكامل نظام الألعاب واجهة برمجة تطبيقات C# من Unity لنقل بيانات سلوك اللعبة في الوقت الحقيقي إلى بايثون 3.9.7 (RRID:). يستخدم الجزء الخلفي من SCR_008394 أولا BN لحساب الاحتمال اللاحق لإتقان المعرفة، ثم يستخدم نموذج DKT للتنبؤ بنقاط الضعف، وتوليد تغذية راجعة مخصصة، وتعديل الصعوبة. في Unity 2021.3.8f1(RRID: SCR_018230)، تم تصميم ثلاثة أنواع من سيناريوهات IE لتحفيز المهام المستهدفة، أو يتم تعديل الصعوبة بناء على نتائج BN/DKT.

تم إعداد ثلاث مجموعات في التجربة: مقارنة أداء DKT-FA والنموذج الكلاسيكي ل KT، التحقق من ضرورة مكونات DKT-FA، اختبار التأثيرات التعليمية لمجموعات اللعبة غير القابلة لللعب، وغير التكيفية، وجمع البيانات ذات الصلة؛ التحقق من صحة النموذج: يستخدم scikit-Learn 1.0.2 (RRID: SCR_002577) لحساب مؤشرات التجربة 1، وتحليل بيانات التجربة 2، ويستخدم SPSS 25.0 (RRID: SCR_002815) لإجراء اختبارات ANOVA وt على بيانات التجربة 3، واختبار موثوقية وصحة المقياس في الوقت نفسه.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

استند التجربة إلى مقياس تقييم الألعاب التعليمية لكارين وهودود، وتم تنظيم أبعاد التقييم والعناصر المناسبة واختيارها للتعديل. يتميز مقياس كارين وهودجود بسلطة عالية وقابلية تطبيق في مجال الألعاب التعليمية، حيث يشمل عدة أبعاد رئيسية للألعاب التعليمية، مثل أسلوب اللعب، والتربية، والتفاعلية، وغيرها. من خلال إدخال وتكييف هذا المقياس، يمكنه تقييم أداء نموذج تجربة القرار التعليمية IE المصمم لطلاب الجامعات بشكل أكثر شمولا ودقة، كما هو موضح في²⁸. علاوة على ذلك، من خلال تحليل...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

يعتمد نجاح نموذج تجربة القرار في IE الجامعية على خطوات البروتوكول الحيوية، لا سيما دمج منطق BN لتشخيص المعرفة في الوقت الحقيقي ونموذج تتبع المعرفة العميق المحسن (DKT-FA) في تضمين الميزات ونماذج التتبع العميق (AMs). وقد ضمن تهيئة CPT الدقيق من BN المستند إلى مقابلات الخبراء ومحدثا تدريجيا ببيانات سلوك الطلاب تحديد روابط المعرفة الضعيفة بدقة، بينما أدى تضمين محاولات الإجابة وتكرار طلب المساعدة كميزات إلى تعزيز دقة المدخلات، مما رفع دقة التنبؤ مباشرة إلى 95.6٪. يمكن لحل المشكلات المحتملة، م...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

لا توجد مصالح مالية متنافسة في هذه الورقة.

شكر وتقدير

يدعم البحث: دورة الدراسات العليا "الخطة الخمسية الرابعة عشر" لمقاطعة تشجيانغ، دورة الدراسات العليا في العرض الأيديولوجي والسياسة "القيادة والفن والاتصال الإداري" (بموجب منحة رقم 181)؛ صندوق العلوم الإنسانية والاجتماعية التابع لوزارة التعليم (بموجب منحة رقم 23YJC630256).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسم	الشركة	رقم فهرسي
آدم	مدمج في TensorFlow 2.8.0	معدل التعلم 0.001
الثنائية المتقاطعة	مدمج في TensorFlow 2.8.0	المعايير الافتراضية
C#	النسخة الافتراضية من Unity 2021.3.8f1	تم استدعاؤه عبر واجهة برمجة تطبيقات Unity C#
كودا	11.2	وهو متوافق مع TensorFlow 2.8.0
شجرة المفصل (JT)	تم تنفيذ PGMPY 0.1.20	moralize=تثليث دقيق، حدي-ملء
ليبل إنكودر	مدمج في scikit-learn 1.0.2	مشارك مع scikit-learn
ModelCheckpoint	استدعاء TensorFlow 2.8.0	استنادا إلى مجموعة التحقق AUC
نومباي	غير محدد (أحدث إصدار مستقر مقبول)	بيئة بايثون 3.9.7
الباندا	غير محدد (أحدث إصدار مستقر مقبول)	بيئة بايثون 3.9.7
PGMPY	0.1.20	بيئة بايثون 3.9.7
بايثون	3.9.7	بيئة تشغيل خلفية موحدة
سكيكيت-لرن	1.0.2	RRID: SCR_002577
SPSS	25	RRID: SCR_002815
تنسور فلو	2.8.0	يتطلب إصدار بطاقة الرسوميات دعم CUDA 11.2
الوحدة	2021.3.8 f1	RRID: SCR_018230

المراجع

López-Fernández, D., Gordillo, A., Alarcón, P. P., Tovar, E. Comparing traditional teaching and game-based learning using teacher-authored games on computer science education. IEEE Trans Educ. 64 (4), 367-373 (2021).
Yu, Z., Gao, M., Wang, L. The effect of educational games on learning outcomes, student motivation, engagement and satisfaction. J Educ Comput Res. 59 (3), 522-546 (2021).
Hartmann, A., Gommer, L. To play or not to play: on the motivational effects of games in engineering education. Eur J Eng Educ. 46 (3), 319-343 (2021).
Li, M., Zhang, R., Liu, K. Evolving a Bayesian network model with information flow for time series interpolation of multiple ocean variables. Acta Oceanol. Sin. 40 (7), 249-262 (2021).
Jiang, S., Huang, X., Sung, S. H., Xie, C. Learning analytics for assessing hands-on laboratory skills in science classrooms using Bayesian network analysis. Res Sci Edu. 53 (2), 425-444 (2023).
Gao, Q., Wei, Y. Understanding the cultivation mechanism for mental health education of college students in campus culture construction from the perspective of deep learning. Curr Psychol. 43 (2), 1715-1732 (2024).
Mahmood, T., Ali, Z. Prioritized Muirhead mean aggregation operators under the complex single-valued neutrosophic settings and their application in multi-attribute decision-making. J Comput Cogn Eng. 1 (2), 56-73 (2022).
Liu, Q., et al. EKT: Exercise-Aware Knowledge Tracing for Student Performance Prediction. IEEE Trans KnowlData Eng. 33 (1), 100-115 (2021).
Shute, V., et al. Maximizing learning without sacrificing the fun: Stealth assessment, adaptivity and learning supports in educational games. J Comput Assist Learn. 37 (1), 127-141 (2021).
Chen, J., et al. The effect of mobile business simulation games in entrepreneurship education: a quasi-experiment. Libr Hi Tech. 41 (5), 1333-1356 (2023).
Shi, A., Wang, Y., Ding, N. The effect of game-based immersive virtual reality learning environment on learning outcomes: designing an intrinsic integrated educational game for pre-class learning. Interact. Learn. Environ. 30 (4), 721-734 (2022).
Isabelle, D. A. Gamification of Entrepreneurship Education. Decis Sci J Innov Educ. 18 (2), 203-223 (2020).
Soomro, B. A., Shah, N. Entrepreneurship education, entrepreneurial self-efficacy, need for achievement and entrepreneurial intention among commerce students in Pakistan. Educ Train. 64 (1), 107-125 (2022).
Loi, M., Fayolle, A., Gelderen, M. V. Entrepreneurship Education at the Crossroads: Challenging Taken-for-Granted Assumptions and Opening New Perspectives. J Manag Inq. 31 (2), 123-134 (2022).
Mao, L., Zhang, W. Analysis of entrepreneurship education in colleges and based on improved decision tree algorithm and fuzzy mathematics. J. Intell Fuzzy Syst. 40 (2), 2095-2107 (2021).
Li, H., Jiao, L. Research on Innovation and Entrepreneurship Education and practice in Shandong Province based on the Internet. J Phys Conf Ser. 1744 (3), 32092-32098 (2021).
Gunn, M. Multi-disciplined ecosystem-centric bioentrepreneurship education: Case study - University of San Francisco (USF). J CommerBiotechnol. 26 (1), 83-92 (2021).
Arruti, A., Castro, J. P. Innovation and entrepreneurship in education, irreconcilable differences? A first approach through Spanish expert judgment. Int J Innov Sci. 13 (3), 299-313 (2021).
Fu, X., Luan, R., Wu, H. H., Zhu, W., Pang, J. Ambidextrous balance and channel innovation ability in Chinese business circles: The mediating effect of knowledge inertia and guanxi. Ind. Mark. Manag. 93 (1), 63-73 (2021).
Cantwell, E. Fostering a culture of innovation and an entrepreneurial spirit at the university of Arizona. Tech Innovat. 22 (4), 477-483 (2023).
Kumar, S., Mahakur, V. K., Bhowmik, S. Potential utilization of natural solid waste found in the northeast India for development of polymeric composites: process, properties, challenges, and applications: a review. J Mater Cycles Waste Man. 26 (4), 1979-1996 (2024).
Ardi, Z., et al. Enhancing entrepreneurial intention through curriculum, risk awareness, optimism and opportunities: the mediating and moderating roles of entrepreneur inspiration and support. J Social Econ Dev. 27 (1), 352-371 (2025).
Li, F., Zhang, S. Policy orientation, knowledge dynamic ability and green innovation: A mediation model based on China provincial panel data. Zb RadEkon Fak Rij. 39 (1), 9-37 (2021).
Martins, I., Perez, J. P. P., Osorio, D., Mesa, J. Serious games in entrepreneurship education: a learner satisfaction and theory of planned behaviour approaches. J Entrep. 32 (1), 157-181 (2023).
Zhen, T., Shi, B., Lin, M., Zhou, Y., Jin, L. Distributed Fusion Target Tracking Based on Variational Bayes. Acta Electron. Sin. 50 (5), 1058-1065 (2022).
Thottoli, M. M., Cruz, M. E., Al Abri, S. S. S. The incubation revolution: transforming entrepreneurial education with artificial intelligence. Asia Pac J Innov Entrep. 19 (1), 2-23 (2025).
Keogh, B., Hardwick, T. Creative, technical, entrepreneurial: formative tensions in game development higher education. Games Cult. 19 (6), 804-826 (2024).
Pai, K. C., Kuo, B. C., Liao, C. H. An application of Chinese dialogue-based intelligent tutoring system in remedial instruction for mathematics learning. Educ. Psychol. 41 (2), 137-152 (2021).
Fawzi, A., Un, A. M. Analysis Of Caring Clinical Supervisors On The Adaptation Of Practicing Students In The Hospital TK IV DKT Kediri City. JHealth Sci. 5 (4), 318-328 (2025).
Wang, Z., Si, Y., Chu, H. Daily Streamflow Prediction and Uncertainty Using a Long Short-Term Memory (LSTM) Network Coupled with Bootstrap. Water ResourManag. 36 (12), 4575-4590 (2022).
Weber, C. K., et al. The five-point Likert scale for dyspnea can properly assess the degree of pulmonary congestion and predict adverse events in heart failure outpatients. Clinics. 69 (5), 341-346 (2014).
Chen, S., et al. Microstructure and electrical properties of supersonic plasma sprayed BKT-doped BNT coatings. Ceramics Int. 51 (10), 12517-12524 (2025).
Wegner, Z. D., Methfessel, I., Sartorius, A. ECT in cases of lacking capacity to consent. InFo Neurologie Psychiatrie. 25 (11), 44-49 (2023).
Zavvar, E., Santos, R. P., Pinto, T. F. Parameter correlations of multi-planar DKT-joint under axial loadings. Ocean Eng Marine Ener. 11 (1), 1-23 (2024).
Zhang, H., et al. Enhanced Dynamic Key-Value Memory Networks for Personalized Student Modeling and Learning Ability Classification. Cognitive Computat. 16 (6), 2878-2901 (2024).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

تصميم الألعاب التعليمية لتعزيز خبرة اتخاذ القرار في برامج الابتكار وريادة الأعمال الجامعية

في هذه المقالة

ملخص

الملخص

المقدمة

البروتوكول

النتائج

المناقشة

الإفصاحات

شكر وتقدير

المواد

المراجع

إعادة الطباعة والأذونات

الوسوم