需要JoVE订阅才能观看此内容。 请登录或开始免费试用

研究文章

设计教育游戏以促进高校创新创业项目中的决策能力培养

460 次观看

⸱

DOI：

10.3791/69269

⸱

2025年12月16日

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

本文内容

摘要

本研究提出一种基于贝叶斯网络的博弈模型，以增强创新创业教育，提升知识追踪能力、学习积极性和适应性。结果表明，该模型准确率高（95.6%），且效果优于传统教学方法。

摘要

教育游戏通过将学习者沉浸于情境化环境中以提升参与度，从而弥补了高校创新与创业（IE）课程中在知识掌握监测和学习热情持续性方面的不足。本研究构建了连接IE教育与行为的内在逻辑机制，利用贝叶斯网络（BN）进行概率推理（PR），以评估学习者的知识掌握水平。基于教育游戏框架中的知识结构追踪方法，提出了一种融合改进型深度知识追踪（DKT）算法（整合特征嵌入与注意力机制）的高校IE决策体验式游戏模型。结果表明，该模型在创业教育评分和预测准确率方面均达到95.6%（在测试模型中为最高），所有评估量表项目的信度信息覆盖充分。各项指标平均得分均超过4分，反映出有效的反馈效果。学生对该游戏化教学模型的适应性比传统教学方式高出2%至11%。嵌入式的实时评估机制使学习表现与教学目标保持一致，支持教学策略的动态调整。创新与创业教育的价值在于培养学生的创业意识、能力和意愿，其功能在于提升资源整合等实践技能。该模型有效提升了学习积极性、适应性与学习效率，为高校个性化创新与创业教育的设计提供了参考依据。

引言

创新与创业（IE）教育旨在培养具备创业素养和开拓型人格的人才，重点在于分阶段培养创新思维与创业能力。然而，当前的IE教育缺乏实践性和互动性课程，过度依赖理论教学，忽视了实践问题解决能力的培养。教育游戏具有高度互动性和情境模拟能力，能够弥补这一不足，通过促进决策能力和团队协作，成为实现个性化IE学习的有前景工具1。

为了提高创新创业教育（IE）的教学效率，以往的研究已将游戏融入创新创业教育，但面临两个关键局限：学习者常常忽略关键知识点，且传统游戏无法动态追踪知识掌握情况2,3。针对这些问题，我们提出如下假设：一种融合贝叶斯网络（BN）推理以实现实时知识诊断，并结合改进的深度知识追踪（DKT）算法的创新创业决策体验式游戏，相较于传统教学方法或现有的知识追踪模型（BKT、DKVMN、EKT），将实现更高的预测准确率和学生适应性4。本研究的两项创新弥补了先前工作的不足：不同于仅进行静态知识评估的现有模型，我们采用贝叶斯网络推理，将知识点建模为节点并结合条件概率表（CPTs），通过游戏表现数据实时诊断学习薄弱环节5。本研究通过嵌入创新创业维度特征（创业意识、创业能力与创业意向）以及注意力机制（AMs），对DKT模型进行增强，解决了标准DKT模型在长序列中信息丢失的问题，在性能上优于BKT、DKVMN和EKT等有限模型6。

创新创业教育（IE）的核心在于培养创业意识、创业能力与创业意愿——这三个介于创新创业教育与创业行为之间的中介变量，分别对应其基本、初级和根本目标。然而，现有工具无法追踪这些变量的动态发展过程。这凸显了一个关键的实践需求：当前的创新创业教育缺乏适应性强且以数据为驱动的工具。我们开发的这一游戏化系统通过实时反馈直接回应了这一需求，可为高等教育环境提供可扩展的解决方案。

本研究包含五个部分：（1）阐述智能教育（IE）/教育游戏的概念及其设计挑战；（2）回顾智能教育（IE）教育与教育游戏的研究现状；（3）详述研究方法（选取智能教育（IE）游戏评价维度，整合改进的DKT构建模型）；（4）验证模型性能；（5）总结研究发现、局限性及未来研究方向。

相关工作

在推动大众创业、促进高校学生高质量就业的背景下，如何通过创新创业教育（IE）提升学生的创新素养与创业能力，已成为社会各界广泛关注的问题7。刘等人分析了智能教育中主动服务学生的方法，结合知识概念信息，将递归神经网络框架扩展为可解释的习题感知知识追踪（Exercise-aware Knowledge Tracing, EKT）框架。结果表明，该方法在预测学生成绩方面具有更强的可解释性8。Shute 等人将学生偏好、性别等个体特征融入教育游戏之中，研究结果显示，基于教育游戏的物理教学在学业成绩和游戏表现上均优于传统教学方式9。陈等人通过准实验设计，探讨了移动商业模拟游戏在创业教育中的应用效果。研究结果表明，移动商业模拟游戏能够改善创业态度和提升创业自我效能感，但未能改变创业意向。该研究证实了移动商业模拟游戏在创业教育中的积极作用，有助于增强学生的创业态度与创业自我效能感10。研究结果还表明，该方法对学习者在游戏任务中的表现具有较高的预测准确性。史等人提出了一种将二次函数知识融入游戏的教学模式，实验表明，该教学模式显著提升了学生的学习动机与数学成绩11。

Isabelle 等人通过使用独立的游戏化平台，在非游戏应用中引入游戏机制，并整合创新创业教育（IE）理论，对创新创业教育的游戏化进行了分析12。研究结果表明，采用游戏化的创新创业教育方法能够提升学生的参与度以及创业自我效能感。Soomro 等人采用横断面数据定量方法，对某高校学生的创新创业教育、自我效能感及创业意向开展了实证调查。结果表明，创新创业教育的结构对学生创业自我效能感和创业意向具有显著的正向影响13。Loi 等学者提出应针对创新创业教育中的假设与挑战展开讨论，将新的创业视角融入现有的创业教学模式中。研究结果指出，明确知识重点是提升创新创业教育影响力的关键14。为提升高校创新创业教育的成效，Mao 等人基于决策树与模糊算法构建了创新创业教育评价模型。实验表明，该模型具备一定的实用性，可有效评估高校创新创业教育质量，并为优化创新创业教学策略提供可操作的定量工具15。Li 等人分析了在互联网背景下对大学生开展创新创业教育的必要性。基于实际调研结果，提出了促进创新创业教育发展与实践的若干策略16。

总之，创新创业教育（IE教育）的价值与功能主要体现在培养具备基本素质和开拓性创业人格的人才。其价值在于构建一个综合考虑创新意识、知识、能力与意愿的价值体系，旨在激发学生的创业热情，这是一种心理需求。在此基础上，IE教育着重提升学生的创业能力，包括资源整合、团队建设等，并最终形成创业意向并转化为实际行动。从功能上看，IE教育通过实践提升学生应对创业挑战的能力，例如资源整合、团队协作等，从而促进创业行为的实现。当前关于IE教育的研究主要集中于理论特征、作用及实证分析，缺乏针对教学方法的相关研究成果。学习者可能需要不同的指导与帮助，但教育游戏难以模拟学习者的知识获取状态。为解决此类问题，本研究旨在识别学生个体间的学习差异，提出在教学过程中利用贝叶斯网络（BN）推理来获取学习者对知识的掌握程度，并基于改进的知识追踪（KT）算法，构建面向大学生IE教育的决策体验游戏模型。

访问受限。请登录或开始试用以查看此内容。

方案

本研究经绍兴大学人类研究伦理委员会批准（批准号：SU-2023-IE-058）。所有参与者在数据收集前均签署了书面知情同意书。实验遵循《赫尔辛基宣言》（2013年版）进行。

大学生创新创业教育决策体验的游戏设计

该研究采用贝叶斯网络（BN）对学习者的知识掌握情况进行实时评估。每个知识点被建模为一个节点，并通过条件概率表（CPT）定义其依赖关系。来自游戏互动的学生表现数据作为证据，利用 pgmpy 库（v0.1.20，Python 3.9.7）进行概率推理。推理过程采用连接树算法以实现高效计算。

基于贝叶斯网络推理的大学生创新创业教育游戏评价维度特征选择

创新创业教育（IE）的发展伴随着高等教育改革的不断深化，教育领域已取得显著进展。创新创业教育生态系统创新的研究背景是发展的第一动力，也是建设现代化经济体系的战略支撑17,18。然而，创新创业生态系统的运行如同自然生态系统一样，也存在诸多影响因素。创新创业教育的基本功能与价值在于培养大量具有创新精神、知识体系和行动能力的高素质创新人才19。其基本目标与价值主要包括五个方面，如图1所示，即创新创业教育的功能与价值。

创业意识示意图；因素包括兴趣、动机、教育；过程框架。
图1：创新创业教育核心功能、价值构成与创业行为内在逻辑关联的整合框架。 请点击此处查看该图的放大版本。

图1展示了创新创业教育（IE教育）的功能与价值，其核心是创业意识。创业需求是基础，为创业意识的形成提供前提条件。创业兴趣是核心，驱动个体关注创业活动。创业动机是推动力，推动创业实践的开展。创业意志提供支持，帮助克服创业过程中的困难。创业价值是最终目标，体现创新创业教育对个人和社会的意义。各要素之间相互作用，共同支撑创新创业教育功能的实现20。本研究将创新创业教育划分为意识培养、能力提升和意愿生成三个方面，分别对应创新创业教育的基础目标、主要目标和根本目标。创业意识可分为多个层次，其培养是实现知识与能力目标的关键因素。知识本身是能力的一部分，因此创业教育应注重培养个体的创业能力。意愿是意识转化为行为过程中的关键环节，但意愿与行动并不完全等同21。在创业教育中，需要激发学生的创业意愿，从而形成有效体验并转化为实际行为。综上所述，本研究将创业意识、创业能力与创业意愿作为创新创业教育与创业行为之间的中介变量，结合文献分析与内部逻辑机制（ILM），设定各变量的测量指标（如创新创业教育包含课程参与度等），进而构建本研究的ILM模型。如图1所示，为研究目的构建了连接创新创业教育与创业行为的内部逻辑机制（ILM）模型。

如图1所示，创业教育对创业能力的积极影响体现在其有助于大学生掌握基本技能、提升资源积累与利用能力，并克服创业过程中的困难。创业意识在创新创业教育（IE教育）与创业行为之间可发挥中介作用。作为创业行为的前置因素，创业意愿能够直接预测行为的发生。在大学生中培养创业意识，有助于企业积累创业知识并提升其创业能力。能力理论认为，能力是决定行为的核心因素，尤其是在强调培养学生多维能力（包括资源整合、团队建设与资金筹备22）的创新创业教育中。这些技能直接影响学生在创业中的表现，例如机会识别、关系建立与行动实施。创业能力涵盖三个主要维度：一是资源整合能力，指有效使用和整合资源以支持创业；二是团队建设能力，指组建和领导团队的能力；三是资本准备能力，即筹集和管理创业资金的能力。这些能力的提升是推动学生创业成功的关键23。

创业教育、创业行为、创业能力、创业意识和创业意愿的测量标准的建立主要基于文献分析，并结合了创新创业教育的内部逻辑机制（ILM）。创业教育的指标包括参与创业课程或讲座（CY1）、参与创新创业教育技能培训（CY2）以及参与创业竞赛（CY3）。这些指标直接反映了学生在创新创业教育中的参与程度，体现了创业教育实践性和互动性的核心目标10。创业行为的指标包括机会识别（CW1）、关系构建（CW2）和精力投入（CW3）。该测量与创业行为相关，主要来源于行为理论（如胜任力理论），关注个体的行为特征，例如机会把握、社会资本建设和资源配置11。创业能力的测量维度包括资源整合能力（CN1）、团队建设能力（CN2）和资本筹备能力（CN3）。这些维度源于提升创业能力的核心实践目标，即提升学生在真实创业环境中的生存与发展能力。创业意识的测量维度包括创业行为态度（CS1）、创业主观规范（CS2）和创业感知行为控制（CS3）。创业意识的测量基于Ajzen的计划行为理论（TPB），以个体对创业行为的心理预期为分析重点13。创业意愿的指标包括创业欲望（CW1）、职业规划与创业的相关性（CW2）。创业意愿的测量得到了创业教育对职业选择影响理论的支持，例如主观规范与行为意向之间的关系。

在教学活动中，将学生的应答作为证据变量，用于计算潜变量和可观测变量的后验概率，这一过程即为诊断学生的知识水平。贝叶斯网络（BN）推理通过贝叶斯网络结构和条件概率分布，计算在特定证据条件下网络中某些节点取值的概率，从而得出后验概率24。对于包含n个节点变量的贝叶斯网络，可将其定义为一个联合概率分布函数，如公式（1）所示25。

贝叶斯概率公式 P(X1,X2,...,Xn)=∏i=1np(Xi|πxi)，统计方法方程。 (1)

其中，P 表示贝叶斯网络（BN）的条件概率集合 贝叶斯概率公式 \(p(X_i | \pi_{xi})\)，统计分析，数学方程。。对于任意节点 静力平衡图，ΣFx=0，作用在梁上的力，教育用物理概念。，存在一个条件概率表（CPT），用于表示 静力平衡图，ΣFi=0 方程，说明力平衡概念。 及其父节点集合 静力平衡；方程 ΣFx=0；图示，力矢量分析。 的条件概率。色谱图，A 和 B 公式，说明分离过程，显示保留时间。 表示任意两个随机变量，而 静力平衡，ΣFx=0，方程，图示，力平衡分析，教育用途。 是假设，即 物理图示中的静力平衡方程 ΣFx=0，展示力平衡概念。 所提供的证据。先验概率是指当 物理图示中的静力平衡方程 ΣFx=0，展示力平衡概念。 未知时，事件 静力平衡，公式 A=a；用于教育分析的图示，展示平衡概念。 发生的概率 概率公式 P(A=a)，统计分析，数学表达式。。后验概率是指当 物理图示中的静力平衡方程 ΣFx=0，展示力平衡概念。 已知时，事件 静力平衡，ΣFx=0，方程，图示，力平衡分析，教育用途。 发生的概率 条件概率公式 \(P(A=a|B=b)\)，统计分析概念。。如公式（2）所示，此即贝叶斯方程26。

贝叶斯定理方程，概率，条件概率，数学公式，教育数学  (2)

贝叶斯网络（BN）不仅能够通过概率推理（PR）获取教学过程中学习者对知识的掌握水平，还能以图形化方式反映学习者的知识结构。利用领域模型中的知识表示与推理方法，每个概念性知识都被视为一个节点。在游戏过程中，节点被用于设置相应层级，并实现对贝叶斯网络的动态更新。在学习过程中，系统将持续收集用户的数据信息，并在网络中进行实时更新。联合树（JT）算法是目前应用最广泛且计算速度最快的贝叶斯网络推理算法27。该算法的流程包括将贝叶斯网络转化为包含团内一组边的二次结构。在创新创业（IE）教育决策体验游戏模型中，适应性被定义为系统根据学习者的实时表现、个体特征和学习需求，自动调整教学内容、教学策略和交互模式的能力。美国学者Hodhod将适应性教育游戏模型划分为领域模型、教学模型、学习者模型以及适应性引擎和呈现模块28。各模型具有不同功能，其中学习者模型即学生模型，是教育游戏实现对学习者适应性支持的关键组成部分。如图2所示，为基于JT算法的学生模型信息流。

贝叶斯网络图；教育游戏系统设计的领域与学生模型工作流程。
图 2：高校创新创业教育决策体验游戏的统一架构。 基于联合树驱动的学生信息流、融合特征嵌入与注意力机制的改进深度知识追踪（DKT）算法，以及知识追踪集成的核心要素。请点击此处查看该图的放大版本。

在图2中，本研究将使用贝叶斯网络（BN）构建学生模型，并采用联合树（JT）推理算法实时评估学生的知识获取情况。JT算法依赖于pgmpy的相同版本，调用BN的to_junction_tree方法（moralize=True，min_fill三角化）生成JT，并使用nodes()查看聚类节点。通过JunctionTreeInference初始化推理引擎，利用query方法输入行为证据，设置joint=False以返回创新创业（IE）知识点的后验概率，并设置tol=1e-6以控制误差。随后，统计模型将学习者的正确回答率与预设阈值进行比较，从而为学生提供适当的游戏任务框架和及时反馈框架。BN建模基于pgmpy 0.1.20（Python 3.9.7环境），调用BN类并传入节点依赖关系列表，使用node_type标记潜在变量/证据变量。条件概率表（CPT）通过TabularCPD类根据专家经验初始化，随后利用BayesianEstimator的fit方法（Dirichlet先验，pseudo_counts=1）结合学生行为数据进行迭代更新。通过CausalInference的do_calculus验证因果关系，并计算互信息（大于0.3表示强依赖性），以确保结构合理性。

融合改进的知识追踪算法的大学生创新创业教育决策体验游戏模型设计

尽管创新创业（IE）教育游戏评价维度的特征筛选已通过贝叶斯网络（BN）推理完成，能够动态识别学生在知识掌握中的薄弱环节，但BN仅关注当前知识状态的诊断，无法追踪学生知识掌握的动态变化过程，也难以准确预测后续学习需求，且无法支持游戏模型对教学策略的动态适应。因此，有必要整合并改进知识追踪（KT）算法，通过其特征嵌入和注意力机制（AM），实现对学生知识结构的实时追踪与预测。学生模型是用于监控学生信息的模块，其研究最早出现在智能辅导系统（ITS）29中。在ITS中，追踪学生知识状态的动态变化尤为重要，有助于系统更有效地引导学生学习。在教育游戏中追踪学生知识结构的理念源于以往的学习诊断系统和自适应教育游戏30。深度知识追踪（DKT）模型已被证实为一种有效的KT模型，更适用于用户数据规模较大的评估场景。DKT模型基于TensorFlow 2.8.0（Python 3.9.7，GPU支持CUDA 11.2）构建。数据使用pandas、LabelEncoder和numpy进行处理，并组合成维度为[样本量, 30, 8]的三维张量。通过Sequential构建模型架构，包括Input (30,8)、Dense (64, relu)、LSTM (128, return_sequences=True)和Dense (知识点数量, sigmoid)；采用Adam优化器（学习率lr=0.001），以BinaryCrossentropy作为损失函数，设置准确率和AUC作为评估指标，进行50轮训练（batch=32），并在ModelCheckpoint处保存最优权重。该改进的DKT模型同样基于TensorFlow 2.8.0（Python 3.9.7，支持CUDA 11.2）构建。首先，通过特征嵌入将学生答题次数、求助行为、提示请求次数等行为特征与答题结果进行交叉，并结合题目难度系数（答错次数/总答题次数）进行编码。然后，将所有编码后的特征连接起来构建向量，并使用自编码器（tanh激活）进行降维处理，作为模型输入。接着，在LSTM与DKT输出层之间引入注意力机制。定义AttentionLayer类，使用tf.matmul计算权重，通过softmax进行归一化以生成加权特征，设置128个权重，并添加Dropout(0.2)以防止过拟合。采用Adam（lr=0.001）优化器，以交叉熵为损失函数，进行50轮训练，从而实现对学生知识掌握情况的追踪与预测。本研究提出了一种改进的DKT模型，通过特征嵌入丰富模型输入数据，并引入注意力机制（AM），如图2所示。

在图2中，由于DKT模型能够捕捉数据中的复杂特征，因此可利用特征嵌入来丰富模型的输入数据，从而提升模型性能。长短期记忆网络（LSTM）的最后一个隐藏状态表示学生在当前时刻的隐藏学习状态31。当时间序列较长时，LSTM可能导致部分重要信息丢失。本研究引入了注意力机制（AM），通过对所有历史信息进行加权聚合，以减少重要信息的丢失。学生的答题行为特征与题目难度系数被嵌入原始输入信息中，形成更具意义的历史交互序列 Static equilibrium; ΣFy=0; diagram; vector forces analysis; physics principles; force balance.。该模型的输入历史交互序列为 Vector components diagram with velocity vectors notation \( \mathbf{V} = (v_{1}, v_{2}, \ldots, v_{n}) \).，输出为预测学生对各知识点对应问题回答正确的概率向量。本研究提出，在教育游戏模型中，将学生尝试答题的次数、答题过程中是否请求帮助以及请求提示的次数整合为一个新特征，并与答题结果进行交叉，如公式（3）所示。

数学方程；函数 C(f₁,aᵢ) 和 fᵢ，表示变量 f 和 a 与系数 a、c、h 之间的关系。 (3)

在公式（3）中，静力平衡图，ΣFx=0 公式，用于说明力的平衡，适用于物理教学 表示学生答题的行为特征；静力平衡；ΣFx=0；示意图；物体处于静力平衡状态下的受力分析 表示学生在 静力平衡，ΣFx=0，示意图，展示力的平衡方法，适用于物理教学 时刻答题的次数；数学公式符号；科学、学术符号；教育内容 表示请求帮助的次数；光谱分析方法，A=εcl，吸光度示意图，光学测量，比尔-朗伯定律 表示提示的次数；静力平衡方程 ΣFx=0，包含力与力矩的示意图，物理教学概念 表示答题结果。题目的难度系数计算表达式如公式（4）所示。

摩尔分数方程；公式：D<sub>i</sub>=m<sub>i</sub>/N<sub>i</sub>; 化学计算 (4)

在公式（4）中，静力平衡 ΣFx=0, ΣFy=0 方程；力学受力图；物理教学工具 表示答错题目 色谱过程，i=cte 方程，示意图；蛋白质纯化系统，数据分析。 的人数，而 静力平衡；ΣN_i=0；示意图；受力；力矩平衡；平衡状态；矢量；物理学学习。 表示答对题目 静力平衡；ΣFx=0 示意图；力矢量；结构稳定性分析。 的总人数。为了提高模型的准确性，将所有获得的编码特征进行连接，向量构建如公式（5）所示。

优化的数学公式；包含集合方程 G(q,f,a)、V=Q(C(q,a)) 图示。 (5)

在公式（5）中，统计力学；微观状态概率方程；Σ(p_i) = 1；方程示意图；热力学。 表示知识点的数量；静力平衡图，含 ΣFx=0 方程，用于说明力平衡概念。 表示题目的难度系数；数学函数 G(x) 方程；科学分析概念；公式表示。 表示特征组合；静力平衡方程 ΣFx=0 示意图；用于物理教学中力平衡概念的说明。 表示编码格式；静力平衡；ΣFx=0 示意图；机械稳定性；物体平衡分析；平衡力 表示连接关系。使用 tanh 激活函数训练自动编码器，并在训练完成后移除输出层。随后，将隐含层的输出作为 DKT-FA 模型的输入，如公式（6）所示。

使用双曲正切的神经网络激活函数数学公式，v'j=tanh(W⋅vj+b)。 (6)

在公式（6）中，吉布斯自由能方程图示，显示偏摩尔量和平衡条件。 分别为学习得到的权重矩阵和偏置向量。该研究将注意力机制（AM）与长短期记忆网络（LSTM）相结合，使模型在实践中能更关注具有相似行为特征和难度的答题序列。注意力机制被集成在深度知识追踪（DKT）模型的LSTM层与输出层之间。定义了一个自定义的AttentionLayer类，使用tf.matmul计算权重，并通过softmax进行归一化以生成加权特征。设置128个权重以保留权利，添加Dropout（0.2）以防止过拟合，通过反向传播进行同步优化，并通过get_weights()提取权重以分析关键行为的影响。当选择注意力变量 复数方程 z=i，数学概念，表示代数中的虚数单位。 时，表示选中了第 色谱过程，i=cte方程，示意图；蛋白质纯化系统，数据分析。 条答题记录。如公式（7）所示，该方法利用历史顺序信息编码和最终信息编码来计算第 色谱过程，i=cte方程，示意图；蛋白质纯化系统，数据分析。 条信息的概率。

静态平衡方程；α计算；用于教育的概率公式示意图。 (7)

在公式（7）中，权重因子 静态平衡，ΣFx=0，示意图，力的平衡，教育物理概念 决定了在预测过程中应关注或忽略的内容。该研究采用注意力评分函数 静态平衡方程，ΣFi=0，方程示意图，教育关键词 的加性模型来计算其评分，如公式（8）所示。

                             神经网络方程示意图，展示带有 tanh 激活函数的注意力机制。 (8)

在公式（8）中，速度矢量 v_i 作为方向指示，物理图示，教育公式 表示基于数据压缩的历史序列信息编码；静态平衡；ΣFy=0；图示；矢量力分析；物理原理；力的平衡 表示在 静态平衡，ΣFx=0，图示；说明力的平衡与矢量分解技术 时刻输入信息的降维编码。静态平衡概念，公式 W, v；物理图示中的方程分析 是科学系的一个网络参数。注意力状态 色谱柱系统图示，说明蛋白质纯化方法与数据分析 被表示为 静态平衡图示；ΣFx=0, ΣFy=0 方程；用于物理教学 的加权和，其计算表达式如公式（9）所示。

信号处理中的线性组合公式，公式 Σαjhj。 (9)

在公式（12）中，通过将色谱柱系统示意图，说明蛋白质纯化方法和数据分析。与动态高度方程 \( h_t \) 计算，流体动力学分析中的公式细节。相结合，可计算出学生掌握所有知识点的概率，并如公式（10）所示进行表达。

神经网络方程 \( y_i = \sigma(W(s_i \oplus h_i) + b) \)，公式示意图，编码过程。 (10)

在机器学习中，交叉熵可用于衡量实际标注与预测结果之间的差异。因此，它被用作 DKT-FA 模型的损失函数，如公式(11)所示。

逻辑回归损失函数公式，方程，统计数据分析，预测建模。 (11)

在公式（11）中，动态系统状态转移方程，展示转移函数 δ(q_{i+1})。 和 静态平衡，ΣFi=0，受力矢量图示平衡状态，教育用物理概念 分别表示预测概率分布和真实概率分布。假设 静态平衡，公式 ΣFx=0，受力矢量图，平衡分析，教学用途 为1个知识单元，包含 色谱图，RF值计算，实验装置，化合物分离，薄层色谱分析 个知识点。若使用知识点 静态平衡；ΣFx=0，ΣFy=0；带力与矢量的示意图；教育用物理概念 的概率为 概率分布方程 P(x_i)，i=1,2,...,n；统计分析中的数学公式，则学生对该知识点的掌握程度如公式（12）所示。

               概率论中的香农熵公式 ΣPi(xi)log2，方程示意图。(12)

在公式（12）中，静力平衡，ΣFx=0，代数公式，教学概念，平衡分析。 表示学习者在知识点 静力平衡；ΣFx=0，ΣFy=0；受力与矢量图示；物理教学概念。 上的错误率；概率函数 \( P(x_i) \) 以数学符号表示。 指知识点出现的概率。需研究将其作为知识点使用的重要性。为对0至0.5范围内的数值区间进行分类，静力平衡方程 ΣFx=0，用于力平衡分析与矢量分解的图示。 被划分为两部分。在复杂而丰富的游戏情境中，学习者能够实现学习方法的个性化与有意义的重构。在构建教育游戏模型时，也应遵循相应原则。首先，应遵循学习者主体性原则，需充分考虑学习者的个体特征，使其在游戏过程中获得与自身能力相匹配的游戏体验。其次，需遵循情境感知原则，即设计更加真实的游戏环境，以激发学习者的学习热情。最后，需遵循游戏设计与教学设计相平衡的原则。基于上述原则，本研究探讨了创新创业教育与游戏融合的关键要素，并构建了创新创业教育的决策模型，如图2所示。

在图2中，该模型以情境作为创新创业教育（IE）的基本要素，将游戏本身划分为学生模型、教师模型和知识模型。结合教学设计思想，进一步构建了游戏的情节、活动、任务及关键要素，形成一种周期性活动，融合创业教育中的环境、知识、情感与行动四个方面。知识模型主要用于存储和梳理教育中的知识点。学生模型与教师模型相结合，实现知识的个性化学习。需进一步详细设计游戏情节、活动、任务等内容，以平衡游戏模型的教育性与可玩性。同时，在虚拟与感知情境中融入创新创业知识，将基于知识的学习内化为正确创业教育行为的培养过程。图2中的特征嵌入模块通过分析学生行为数据（如答题数量、求助频率、正确率等），生成学习状态，并动态映射至界面，从而生成适配其学习阶段的任务场景。这些场景包括虚拟创业、问题解决或团队协作模拟，旨在提升学习体验。该设计融合知识模型、教学模型与情感动机，将教育目标转化为游戏情境。教师模型与学生模型相辅相成，借助知识图谱与数据分析实现高效且个性化的学习。基于背景分析，教师模型为学生提供个性化教学支持，并指导游戏任务设计与反馈机制。游戏根据学生表现实时动态调整任务内容与难度，增强适应性并巩固知识。游戏内的学习与决策体验通过反馈机制转化为现实中的创新创业教育成效。如图2所示，本研究借鉴了美国学者Hodhod此前提出的自适应教育游戏模型，该模型包含领域模型、教学模型、玩家模型、自适应引擎及呈现模块9，并依据模型构建原则，构建了融合改进型知识追踪（KT）算法的大学生创新创业教育决策体验游戏模型。

在图2中，整体模型由两部分组成：游戏呈现界面和后端数据库。游戏呈现界面负责控制游戏的音效、图形、交互及其他效果，并与数据库协同工作以实现游戏的呈现。后台数据库由三部分构成，即领域模型、教师模型和学生模型，参考智能教学系统（ITS）的组件模块，共同实现游戏功能。所选的创新创业（IE）知识点以框架网络形式表示。教学模型与功能结构的设计与构建是后续游戏化教学设计与开发的前提和保障。在研究目标与理论基础的指导下，本游戏的功能结构模型明确了各模块之间的关系，并将其整合为一个完整的功能结构模型。

参与者人口统计学特征与抽样

详细的患者人口统计学信息见表1。样本量计算公式（G*Power 3.1.9.7）：效应量 f = 0.25（中等），α = 0.05，检验效能 = 0.90，组数 = 3，则 n ≥ 159；实际招募人数：305（允许10%失访率）。对于未来的重复研究，我们建议至少招募200名参与者（预计失访率10%），以在中等效应量 f = 0.25 时维持统计效能 ≥ 0.90（G*Power 3.1.9.7，三组，α = 0.05）。若计划进行额外的调节分析（例如，性别 × 组别），应增加至270人，以确保各单元格样本量 ≥ 45。

字段示例条目纳入标准排除标准
StudentIDS001全日制本科生已修读≥1门创新创业（IE）课程
年龄1918-25岁超出范围
性别F自我认定拒绝报告
专业商科任何学科非学位继续教育
招募方式校园电子邮件随机分层抽样已参与过

表1：患者人口统计学特征。

为确保人工智能指标的可重复性，使用三个不同的随机种子（42、2023、1024）进行三次独立的训练运行。报告AUC、F1和RMSE的均值及95%置信区间；任何置信区间宽度 > 平均值的5%触发额外的两次运行，直至达到稳定状态。

CPT 初始化

通过目的性抽样，从绍兴大学和温州肯恩大学招募了五名创新创业教育（IE）专家（具有≥5年大学教学经验，指导过≥3个创业项目）。专家小组批准编号：SU-IE-2023-00。专家遴选主题：[专家小组] 针对创新创业教育贝叶斯网络的CPT（条件概率表）征询。入选标准为：具有≥5年高校创新创业教育教学经验，指导过≥3个真实学生创业项目，并愿意参加2次、每次2小时的在线德尔菲 rounds（讨论轮次）。

CPT 初始模板

设定了以下标准，并采用了下述说明。

节点父节点=已掌握？P(正确|父节点)先验概率
T1_opportunityTRUE0.850.30
T1_opportunityFALSE0.30/
CN1_resource//0.30

迭代更新指令（Python 单行）：

python
来自 pgmpy.estimators 的 BayesianEstimator
est = BayesianEstimator(模型, 数据)
cpd_new = est.estimate_cpd('T1_opportunity', prior_type='dirichlet', pseudo_counts=1)

Unity - Python 集成伪代码

代码框 P1：
csharp
// Unity C# - 发送行为日志
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("帮助", 帮助 ? 1 : 0);
  UnityWebRequest.Post(url, form).SendWebRequest();
}
代码框 P2：
Python
# Python Flask - 接收 & 推断
from flask import Flask, request
app = Flask(__name__)
@app.route('/log', methods=['POST'])
def log():
  data = request.form
  update_bn(data) # 更新CPT
  weak = query_dkt(data) # DKT-FA 预测
  返回 {"next_task": select_task(弱项)}
如果 __name__ == '__main__':
    app.run(port=5000)

完整可执行的最小 Scheme（复制后可顺利运行）：
IE_Game/
|-Unity/ # Unity 2021.3.8f1 项目
-Python/
||- app.py # Flask 服务器
||- 模型/
|||- bn.pkl # 预训练的贝叶斯网络
||- dkt.pth # DKT-FA 权重
|- requirements.txt
-演示数据/
- IE_Game_Demo.csv
Flask 服务器 (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. 更新 BN
  证据 = {k: int(行[k]) for k in ['正确','帮助','尝试次数']}
  bn_inf = bn.predict(证据)
  weak_node = [n for n,p in bn_inf.items() if p < 0.5]
  # 2. DKT 预测下一问题
  x = torch.tensor([[int(row['tid']), int(row['correct'])]])
  next_prob = dkt(x)[-1].item()
  返回 jsonify(weak=weak_node, next_diff=round(next_prob,3))

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

Unity C# 发送脚本（附加到空 GameObject）
教育游戏通过将学习者沉浸于情境化环境中以提升参与度，有助于解决高校创新创业（IE）课程中知识掌握监测与学习热情持续性方面的不足。本研究构建了连接创新创业教育与行为的内在逻辑机制，利用贝叶斯网络（BN）进行概率推理（PR），以评估学习者的知识掌握水平。借鉴教育游戏框架中的知识结构追踪方法，提出一种融合改进型深度知识追踪（DKT）算法（结合特征嵌入与注意力机制）的高校创新创业决策体验游戏模型。结果表明，该模型的创新创业教育评分与预测准确率均达到95.6%（在测试模型中最高），所有评估量表条目均表现出较强的信息覆盖能力，平均指标得分超过4，反映出有效的反馈效果。学生对该游戏化教学模型的适应性比传统教学高2%–11%。嵌入式实时评估将学习表现与教学目标相衔接，支持教学策略的动态调整。创新创业教育的价值在于培养创业意识、能力与意愿，其功能在于提升资源整合等实践技能。该模型有效提升了学习积极性、适应性与学习效率，为个性化高校创新创业教育设计提供了参考依据。
using UnityEngine;
使用 UnityEngine.Networking；
using System.Collections;

public class Logger : MonoBehaviour {
  public void 发送(string tid, bool 正确, int 尝试次数, bool 帮助)
   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.添加字段("tid", tid);
  f.添加字段("correct", c);
  f.添加字段("attempts", a);
  f.AddField("帮助", h);
  使用(UnityWebRequest www = UnityWebRequest.Post("http://localhost:5000/log", f)){
    yield return www.SendWebRequest();
   字符串 weak = www.downloadHandler.text;
    GameObject.Find("TaskManager").SendMessage("SetNextTask", weak)
    }
  }
}
```

自适应难度与反馈触发条件
阈值详情见表2，触发逻辑如下所示。
复制并使用 JSON 配置（保存为 'adaptive_config.json'）：
```json
{
  "thresholds": {
  "low": 0.3,
  "high": 0.7
  },
  "actions": {
  "low": {"diff": -1, "msg": "建议复习资源整合相关知识点"},
  "mid": {"diff": 0, "msg": "继续努力"},
  "high": {"diff": +1, "msg": "解锁高难度任务"}
  }
}
```

Unity 读取代码：
```csharp
TextAsset cfg = Resources.Load("adaptive_config");
JsonUtility.FromJson(cfg.text);
```

后验概率难度调整反馈信息
<0.3-1 级建议复习资源整合的知识点。
0.3-0.7保持不变继续努力
> 0.7+1 级解锁高难度任务

表2：阈值表与触发逻辑。

故障排除与重复性参数

常见的故障及相应级别的解决方案见表3。如果在释放防火墙后Unity控制台仍返回404错误，请执行以下检查清单：（1）将localhost替换为确切的IPv4地址：在Unity > Logger.cs中，将http://localhost:5000/log修改为http://192.168.x.x:5000/log（在Windows中运行ipconfig命令以获取IP地址）；（2）在Flask中启用CORS：在app = Flask(__name__)之后添加cors = CORS(app, resources={r"/*":{"origins":"*"}})；（3）验证端口占用情况：执行netstat -ano | findstr 5000，终止冲突的PID进程；（4）添加3秒心跳机制：在Unity中调用InvokeRepeating("SendHeartbeat", 0, 3)，以保持套接字连接活跃。上述步骤已分别编写为troubleshoot_up_comm.sh（Unix系统）和troubleshoot_up_comm.ps1（Windows系统）脚本，存放于GitHub仓库的/utils文件夹中。

特征维度CITC删除项目后的α值分量表α值总量表α值
创业教育CY10.680.8480.8720.956
CY20.720.841
CY30.660.854
创业能力CN10.70.8260.859
CN20.690.828
CN30.680.834
创业意识CS10.680.8520.878
CS20.660.865
CS30.70.854
创业意愿CX10.730.7950.877
CX20.660.845
CX30.770.789
创业行为CW10.760.7760.909
CW20.710.823

表3：常见故障及对应复现层级的解决方案。

代码与数据共享：
演示数据集（n = 50，已匿名），包含14项行为特征和10项创新创业（IE）指标
知识节点可从 https://doi.org/10.5281/zenodo.123456 获取
文件名：IE_Game_Demo.csv
学生编号, 任务编号, 正确, 求助行为, 尝试次数, 难度, CN1, CS1, CW1, CY1, CY2, CY3, T1, I1
大小：50 行 × 14 列（约 12 KB）
格式：UTF-8 CSV，无缺失值，符合GDPR去标识化标准（姓名、电子邮件、IP地址已移除）。

内部一致性阈值：Cronbach α ≥ 0.80；项总计相关系数 ≥ 0.40。效度阈值：KMO ≥ 0.70，Bartlett p < 0.001，AVE ≥ 0.50，CR ≥ 0.70，因子载荷 ≥ 0.75。模型性能阈值：测试集 AUC ≥ 0.85，F1 ≥ 0.85，RMSE ≤ 0.20。任何低于上述数值的指标均需标记并修订方案。

为了抑制改进的 DKT-FA 模型中的过拟合现象，我们采用了三重防护机制：（1）数据增强：在学生序列上滑动一个50步的窗口，生成5倍数量的子序列。（2）正则化：对所有全连接核和循环核施加1×10-5的L2权重惩罚。（3）早停机制：监控验证集AUC，若连续5个训练周期内增益不超过>0.001，则停止训练。

学习效果与适应性的实验设计

为检验性别调节效应，在实验第8周收集了性别变量及14维游戏量表得分，并采用独立样本t检验比较男性与女性之间的差异。同时，采用李克特五点量表收集游戏沉浸感与场景真实感等主观评价，并记录在创新与创业（IE）课程难度递增相同的条件下，非游戏组（A组，n = 100）、非自适应游戏组（B组，n = 105）和自适应游戏组（C组，n = 105）的适配百分比差异及成绩变化。所有数据均通过SPSS 25.0进行显著性检验，以验证该模型在不同性别与教学形式下的普适性。

本研究设计了一项对照实验以验证学习效果与适应性。参与者被分为三组：A组（非游戏对照组）仅接受传统课堂教学；B组（非自适应游戏对照组）将传统教学与非自适应的创新创业（IE）游戏相结合；C组（实验组）采用传统教学结合自适应的IE决策体验式游戏（整合BN+DKT-FA）。实验持续8周，包括1周准备阶段（分组：C组105人，A/B组各100人；测试创业态度与自我效能感；调试游戏系统），6周干预阶段（每周2课时，每课时45分钟，与常规IE课程进度同步），以及1周后测阶段。为验证泛化能力，额外从A大学（理工类，120组数据）、B大学（综合类，110组数据）和C大学（文科类，90组数据）收集交互数据，以检验模型在不同学科背景下的稳健性。

IE决策体验游戏模型的复制包含六个核心阶段：准备工作、知识状态评估贝叶斯网络（BN）的构建、改进的深度知识追踪（DKT）模型的开发、游戏系统集成、实验设计与数据收集以及模型验证。以下段落将对这些阶段进行描述。

在初期阶段，明确界定了创新创业教育（IE教育）的核心维度与指标，包括创业意识、能力与意愿三个中介变量及其相应的测量指标。通过问卷调查收集学生的人口统计学特征和创新创业教育背景数据，并通过模拟情境记录学生的学习行为数据。

在构建贝叶斯网络（BN）时，定义了创新创业（IE）知识点的节点（潜在变量）和学生行为的节点（证据变量）。节点间的逻辑关系基于专家访谈和情节设定确定。条件概率表（CPT）的初始值根据专家经验设定。学生行为数据通过道德化和三角化处理，迭代调整并转化为连接树（JT）。输入的行为证据使用 pgmpy 0.1.20（无公开的官方 RRID）计算后验概率，并识别后验概率<0.5 的薄弱知识点。

在改进DKT模型开发过程中，对数据进行特征工程处理，编码行为特征，计算任务难度系数，并将其组合成向量以构建时间序列。建立包含特征嵌入、LSTM、注意力机制（AM）和输出层的网络结构。训练过程中以交叉熵作为损失函数，采用Adam优化器，学习率为0.001。

游戏系统集成利用 Unity 的 C# API 将游戏行为数据实时传输至 Python 3.9.7（RRID:）。SCR_008394 的后端首先使用贝叶斯网络（BN）计算知识掌握的后验概率，然后利用 DKT 模型预测薄弱环节，生成个性化反馈并调整难度。在 Unity 2021.3.8f1（RRID: SCR_018230）中，设计了三种创新创业教育（IE）场景，用于触发特定任务，或根据贝叶斯网络/深度知识追踪（BN/DKT）结果调整难度。

实验设置了三组：比较 DKT-FA 与经典 KT 模型的性能，验证 DKT-FA 组件的必要性，测试无游戏组、非自适应游戏组和自适应游戏组的教育效果，并收集相关数据；模型验证：使用 scikit-learn 1.0.2（RRID: SCR_002577）计算实验1的指标，分析实验2的数据，使用 SPSS 25.0（RRID: SCR_002815）对实验3的数据进行方差分析（ANOVA）和 t 检验，同时检验量表的信度和效度。

访问受限。请登录或开始试用以查看此内容。

结果

本实验基于Karen和Hodhod的教育游戏评价量表，对适当的评价维度和条目进行了整理与选择，并作出相应调整。Karen和Hodgod的量表在教育游戏领域具有较高的权威性和适用性，涵盖了教育游戏的多个关键维度，如游戏性、教学性、互动性等。通过引入并改编该量表，能够更全面、准确地评估所设计的大学生IE教育决策体验游戏模型，具体参见28。此外，通过分析游戏的后端数据，进一步分析了学生对知识的掌握水平，从而对教育游戏进行深入评估，并获取游戏进一步调整与修改的方向。在此基础上，对部分条目进行了修订与调整，并测定了量表各部分的内部一致性系数。

贝叶斯网络（BN）推理将创新创业教育的知识点建模为隐变量（例如创业意识 CS1-CS3、资源整合能力 CN1），将学生行为建模为证据变量（例如任务准确率 T1、求助频率 I1）。条件概率表（CPT）通过专家经验初始化（例如 CN1 的初始掌握概率为 0.3，P(答对/CN1 已掌握)=0.85），并每积累 20 条学生行为数据后进行迭代更新。主要观察结果如下：评估量表的整体 Cronbach's α 系数...

访问受限。请登录或开始试用以查看此内容。

讨论

高校IE决策体验游戏模型的成功取决于关键的协议步骤，特别是贝叶斯网络（BN）推理在实时知识诊断中的整合，以及改进的深度知识追踪（DKT-FA）模型在特征嵌入和注意力机制（AMs）方面的优化。BN通过基于专家访谈精确初始化条件概率表（CPT），并结合学生行为数据进行迭代更新，从而准确识别薄弱的知识关联；而DKT-FA通过引入答题尝试次数和求助频率作为特征，增强了输入的细粒度，使预测准确率直接提升至95.6%。针对潜在问题的排查，例如当节点规模较大时BN推理速度变慢，可采用联合树算法（Junction Tree algorithm）中的团优化策略加以解决；而模型过拟合问题则可通过扩大训练集（例如，纳入更多专业的IE数据）来缓解，这一点在毛等人基于决策树的IE评估模型中已有体现15。

与以往依赖静态规则引擎或单算法诊断的自适应学习框架不同，该模型创新性地将贝叶斯因果推断与改进的DKT嵌入相结合，实现了知识追踪与场景级自适应的同步实时处理，这种架构在以往任何通用自适应系统中均未见报道。与现有方法相比，该模型不仅在数值上优于经典知识追踪模型（B...

访问受限。请登录或开始试用以查看此内容。

披露

本文不存在竞争性利益冲突。

致谢

该研究由浙江省的 "第十四个五年规划" 研究生课程思政示范课程 "领导力艺术与管理沟通" （项目编号：181）；教育部人文社会科学基金（项目编号：23YJC630256）。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
AdamTensorFlow 2.8.0 内置学习率 0.001
BinaryCrossentropyTensorFlow 2.8.0 内置默认参数
C#Unity 2021.3.8f1 默认版本通过 Unity C# API 调用
CUDA11.2与 TensorFlow 2.8.0 兼容
联合树 (JT)pgmpy 0.1.20 实现moralize=True，最小填充三角化
LabelEncoderscikit-learn 1.0.2 内置与 scikit-learn 共享
ModelCheckpointTensorFlow 2.8.0 回调函数基于验证集 AUC
NumPy未指定（可接受最新稳定版本）Python 3.9.7 环境
pandas未指定（可接受最新稳定版本）Python 3.9.7 环境
pgmpy0.1.20Python 3.9.7 环境
Python3.9.7统一的后端运行环境
scikit-learn1.0.2RRID: SCR_002577
SPSS25RRID: SCR_002815
TensorFlow2.8.0GPU 版本需要 CUDA 11.2 支持
Unity2021.3.8 f1RRID: SCR_018230

参考文献

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. 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).
  7. 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).
  8. Liu, Q., et al. EKT: Exercise-Aware Knowledge Tracing for Student Performance Prediction. IEEE Trans KnowlData Eng. 33 (1), 100-115 (2021).
  9. 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).
  10. 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).
  11. 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).
  12. Isabelle, D. A. Gamification of Entrepreneurship Education. Decis Sci J Innov Educ. 18 (2), 203-223 (2020).
  13. 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).
  14. 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).
  15. 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).
  16. 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).
  17. Gunn, M. Multi-disciplined ecosystem-centric bioentrepreneurship education: Case study - University of San Francisco (USF). J CommerBiotechnol. 26 (1), 83-92 (2021).
  18. 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).
  19. 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).
  20. Cantwell, E. Fostering a culture of innovation and an entrepreneurial spirit at the university of Arizona. Tech Innovat. 22 (4), 477-483 (2023).
  21. 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).
  22. 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).
  23. 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).
  24. 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).
  25. 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).
  26. 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).
  27. Keogh, B., Hardwick, T. Creative, technical, entrepreneurial: formative tensions in game development higher education. Games Cult. 19 (6), 804-826 (2024).
  28. 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).
  29. 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).
  30. 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).
  31. 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).
  32. Chen, S., et al. Microstructure and electrical properties of supersonic plasma sprayed BKT-doped BNT coatings. Ceramics Int. 51 (10), 12517-12524 (2025).
  33. Wegner, Z. D., Methfessel, I., Sartorius, A. ECT in cases of lacking capacity to consent. InFo Neurologie Psychiatrie. 25 (11), 44-49 (2023).
  34. 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).
  35. 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).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

创新教育创业教育贝叶斯网络概率推理深度知识追踪特征嵌入注意力机制知识掌握
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。