Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Forschungsartikel

Gestaltung von Bildungsspielen, um Entscheidungserfahrung in Innovations- und Unternehmertumsprogrammen an Hochschulen zu fördern

440 Aufrufe

⸱

DOI:

10.3791/69269

⸱

16. Dezember 2025

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

In diesem Artikel

Zusammenfassung

Diese Studie schlägt ein spielbasiertes Modell vor, das bayessche Netzwerke nutzt, um Innovation und Unternehmertumsbildung zu verbessern, Wissensverfolgung, Lernbegeisterung und Anpassungsfähigkeit zu verbessern. Die Ergebnisse zeigen eine hohe Genauigkeit (95,6 %) und bessere Ergebnisse im Vergleich zu traditionellen Lehrmethoden.

Zusammenfassung

Pädagogische Spiele tauchen Lernende in situative Umgebungen ein, um das Engagement zu steigern, was Lücken bei der Überwachung der Wissensbeherrschung und der Aufrechterhaltung der Begeisterung in Innovations- und Unternehmertumskursen (IE) an der Hochschule übergeht. Diese Studie konstruiert einen internen Logikmechanismus, der IE-Bildung und -Verhalten verbindet und Bayessche Netzwerke (BN) für probabilistisches Denken (PR) nutzt, um die Wissensbeherrschung der Lernenden zu bewerten. Basierend auf Bildungsspiel-Frameworks zur Wissensstrukturverfolgung schlägt es ein College-IE-Entscheidungserfahrungsspielmodell vor, das durch einen verbesserten Deep Knowledge Tracing (DKT)-Algorithmus (integriert Feature Embedding und Aufmerksamkeitsmechanismen) verbessert wird. Die Ergebnisse zeigen, dass sowohl der Wert für Unternehmertum als auch die Vorhersagegenauigkeit des Modells 95,6 % erreichen (der höchste Wert unter den getesteten Modellen), wobei alle Bewertungsgrößen eine starke Informationsabdeckung zeigen. Die durchschnittlichen Indikatorwerte liegen über 4 und spiegeln damit effektives Feedback wider. Die Anpassungsfähigkeit der Schüler an das spielbasierte Modell ist um 2 % bis 11 % höher als beim traditionellen Unterricht. Die eingebettete Echtzeit-Bewertung bringt die Lernleistung mit den Lehrzielen in Einklang und ermöglicht so eine Strategieanpassung. Der Wert der IE-Bildung liegt darin, unternehmerisches Bewusstsein, Kompetenz und Bereitschaft zu fördern, während ihre Funktion praktische Fähigkeiten wie die Integration von Ressourcen fördert. Das Modell verbessert die Lernbegeisterung, Anpassungsfähigkeit und Effizienz und bietet Einblicke für das personalisierte Design der IE-Bildung an Hochschulen.

Einleitung

Innovations- und Unternehmertumsbildung (IE) zielt darauf ab, Talente mit unternehmerischer Kompetenz und innovativen Persönlichkeiten zu fördern, wobei der Schwerpunkt auf schrittweiser Ausbildung innovativen Denkens und unternehmerischer Fähigkeiten liegt. Die aktuelle IE-Ausbildung fehlt jedoch an Praktikabilität und interaktiven Lehrplänen, da sie stark auf Theorie setzt und praktische Problemlösungsfähigkeiten vernachlässigt. Pädagogische Spiele – mit hoher Interaktivität und Szenariosimulation – können diese Lücke schließen, indem sie Entscheidungsfindung und Teamarbeit fördern, was sie zu einem vielversprechenden Werkzeug für personalisiertes IE-Lernen macht1.

Um die Effizienz des IE-Lehrens zu verbessern, haben frühere Studien Spiele in IE integriert, haben jedoch zwei wesentliche Einschränkungen: Lernende übersehen oft wichtige Wissenspunkte, und traditionelle Spiele verfolgen den Wissenserwerb nicht dynamisch 2,3. Um diese zu adressieren, schlagen wir folgende Hypothese vor: Ein IE-Entscheidungs-Erfahrungsspiel, das Bayessche Netzwerke (BN)-Argumentation für Echtzeit-Wissensdiagnose und einen verbesserten Deep Knowledge Tracking (DKT)-Algorithmus integriert, wird eine höhere Vorhersagegenauigkeit und Anpassungsfähigkeit der Schüler erreichen als traditioneller Lehr- oder bestehender KT-Modelle (BKT, DKVMN, EKT)4. Die doppelten Innovationen dieser Studie schließen Lücken in früheren Arbeiten: Im Gegensatz zu bestehenden Modellen, die nur statische Wissensbewertungen durchführen, verwenden wir BN Reasoning – Wissenspunkte als Knoten mit bedingten Wahrscheinlichkeitstabellen (CPTs) zu modellieren – um Lernschwächen in Echtzeit anhand von Spielleistungsdatenzu diagnostizieren. Diese Studie verbessert DKT, indem sie IE-dimensionale Merkmale (unternehmerisches Bewusstsein, Fähigkeit und Absicht) und Aufmerksamkeitsmechanismen (AMs) einbettet – den Informationsverlust über lange Sequenzen in Standard-DKT löst – und begrenzte Modelle wie BKT, DKVMN und EKT6 übertrifft.

Der Kern der IE-Bildung liegt in der Förderung unternehmerisches Bewusstseins, Fähigkeit und Intention – drei vermittelnde Variablen zwischen IE und unternehmerischem Verhalten, die den grundlegenden, primären und grundlegenden Zielen entsprechen –, doch bestehende Werkzeuge verfolgen deren dynamische Entwicklung nicht. Dies verdeutlicht einen kritischen praktischen Bedarf: Die aktuelle IE-Ausbildung fehlen adaptive, datengetriebene Werkzeuge. Unser gamifiziertes System mit Echtzeit-Feedback adressiert dies direkt und bietet Skalierbarkeit für Hochschulkontexte.

Diese Studie besteht aus fünf Abschnitten: (1) erläutert IE/Bildungsspielkonzepte und deren Designherausforderungen; (2) Übersichten über IE-Bildung und pädagogische Spielforschung; (3) Details zur Methodik (Auswahl der IE-Spielbewertungsdimensionen, Integration verbesserter DKT zum Modellbau); (4) validiert die Modellleistung; (5) fasst Erkenntnisse, Einschränkungen und zukünftige Richtungen zusammen.

Verwandte Werke

Vor dem Hintergrund der Förderung des Massen-IE zur Schaffung hochwertiger Beschäftigung für Studierende hat die Förderung ihrer Innovationskompetenz und unternehmerischen Fähigkeiten durch IE-Bildung breite Aufmerksamkeit inallen Sektoren hervorgerufen. Liu et al. analysierten die Methoden zur aktiven Unterstützung von Studierenden in der intelligenten Bildung und kombinierten Wissenskonzeptinformationen und erweiterten das rekursive neuronale Netzwerk-Framework auf das interpretierbare Exercise-aware Knowledge Tracing (EKT)-Framework. Die Ergebnisse zeigten, dass diese Methode eine überlegene Interpretierbarkeit bei der Vorhersage der8. Klassen hatte. Shute et al. integrierten die Präferenzen, das Geschlecht und andere Eigenschaften der Schüler in das pädagogische Spiel. Die Ergebnisse zeigten, dass der Physikunterricht auf Basis von Bildungsspielen bessere Noten und Spielleistungen hatte als der traditionelleUnterricht 9. Chen et al. untersuchten die Wirkung mobiler Geschäftssimulationsspiele in der unternehmerischen Bildung durch ein quasi-experimentelles Design. Forschungsergebnisse zeigten, dass mobile Geschäftssimulationsspiele unternehmerische Einstellungen und Selbstwirksamkeit verbessern können, aber die unternehmerischen Absichten nicht verändern können. Die Forschungsergebnisse bestätigen die positive Rolle mobiler Geschäftssimulationsspiele in der unternehmerischen Ausbildung, die die unternehmerische Einstellung und die unternehmerische Selbstwirksamkeit verbessern können10. Forschungsergebnisse zeigten, dass diese Methode eine hohe prädiktive Genauigkeit für die Leistung der Lernenden bei Spielaufgaben aufweist. Shi et al. schlugen einen Lehrmodus vor, der Wissen über quadratische Funktionen in Spiele integriert. Das Experiment zeigte, dass sich die Lernmotivation und Mathematikergebnisse der Schüler durch diesen Unterrichtsmodus11 deutlich verbessert haben.

Isabelle et al. analysierten die Gamification der unternehmerischen Bildung mithilfe einer unabhängigen Gamification-Plattform, der Nutzung von Spielmechanismen in nicht-spielbezogenen Anwendungen und der Integration von IE-Bildungstheorien12. Forschungsergebnisse zeigten, dass gamifizierte unternehmerische Bildungsmethoden die Teilnahme der Schüler und die unternehmerische Selbstwirksamkeit verbessern könnten. Soomro et al. führten eine empirische Umfrage zur unternehmerischen Bildung, Selbstwirksamkeit und unternehmerischen Absicht unter Studierenden einer bestimmten Universität unter Verwendung einer quantitativen Methode mit Querschnittsdaten durch. Die Ergebnisse zeigten, dass die Struktur der unternehmerischen Ausbildung einen signifikanten positiven Einfluss auf unternehmerische Selbstwirksamkeit und unternehmerische Absicht hatte13. Wissenschaftler wie Loi schlugen eine Debatte über die Annahmen und Herausforderungen der unternehmerischen Bildung vor und integrierten neue unternehmerische Perspektiven in bestehende unternehmerische Lehrmodelle. Forschungsergebnisse zeigten, dass die Bestimmung von Wissensprioritäten am wichtigsten ist, um die Wirkung unternehmerischer Bildung zu steigern14. Um die Leistung der IE-Bildung in Schulen zu verbessern, entwickelten Mao et al. ein Bewertungsmodell für IE-Bildung basierend auf Entscheidungsbäumen und Fuzzy-Algorithmen. Das Experiment zeigte, dass das Modell bestimmte praktische Anwendungen hatte, um die Qualität der IE-Bildung an Hochschulen effektiv zu bewerten und funktionale quantitative Werkzeuge zur Optimierung von IE-Lehrstrategien bereitzustellen15. Li et al. analysierten die Notwendigkeit, IE-Bildung für College-Studenten im Kontext des Internets durchzuführen. Basierend auf tatsächlichen Forschungsergebnissen wurden Strategien vorgeschlagen, um die Entwicklung der IE-Ausbildung und -Praxiszu fördern 16.

Zusammenfassend lässt sich sagen, dass der Wert und die Funktion der IE-Ausbildung vor allem darin liegen, Talente mit grundlegender Qualität und einer innovativen unternehmerischen Persönlichkeit zu fördern. Sein Wert liegt im Wertesystem, das innovatives Bewusstsein, Wissen, Können und Absicht umfassend berücksichtigt und darauf abzielt, die unternehmerische Leidenschaft der Studierenden zu fördern, die eine psychologische Voraussetzung darstellt. Auf dieser Grundlage konzentriert sich die IE-Ausbildung darauf, die unternehmerische Fähigkeit der Schüler zu verbessern, einschließlich Ressourcenintegration, Teambuilding usw., und schließlich unternehmerische Absichten zu entwickeln und in praktische Maßnahmen umzusetzen. Funktional verbessert IE-Bildung die Fähigkeit der Schüler, unternehmerische Herausforderungen durch Übung wie Ressourcenintegration, Teamarbeit usw. zu meistern, um die Verwirklichung unternehmerischen Verhaltens zu fördern. Die aktuelle Forschung zur IE-Ausbildung konzentriert sich hauptsächlich auf theoretische Merkmale, Rollen und empirische Analysen und fehlen relevante Forschungsergebnisse zu Lehrmethoden. Lernende benötigen möglicherweise andere Anleitung und Unterstützung, aber Bildungsspiele können den Wissenserwerbungszustand der Lernenden nicht simulieren. Um solche Probleme zu lösen, zielt diese Studie darauf ab, individuelle Lernunterschiede bei den Schülern zu identifizieren und schlägt vor, BN-Argumentation zu nutzen, um das Wissensniveau der Lernenden im Unterrichten zu erreichen. Darüber hinaus entwickelt es ein Entscheidungserfahrungsspielmodell für die IE-Ausbildung von College-Studierenden, basierend auf einem verbesserten Knowledge Tracking (KT)-Algorithmus.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Diese Studie wurde vom Human Research Ethics Committee der Shaoxing University genehmigt (Genehmigungsnummer SU-2023-IE-058). Alle Teilnehmer haben vor der Datenerhebung eine schriftliche informierte Zustimmung gegeben. Das Experiment wurde gemäß der Erklärung von Helsinki (2013) durchgeführt.

Spieldesign für die Entscheidungserfahrung der IE-Ausbildung für College-Studierende

Die Forschung implementierte ein Bayesianisches Netzwerk (BN) zur Echtzeit-Bewertung der Wissensbeherrschung der Lernenden. Jeder Wissenspunkt wurde als Knoten modelliert, wobei bedingte Wahrscheinlichkeitstabellen (CPTs) Abhängigkeiten definieren. Schülerleistungsdaten aus Spielinteraktionen dienten als Beweis für probabilistische Inferenz mit der pgmpy-Bibliothek (v0.1.20, Python 3.9.7). Der Junction Tree-Algorithmus wurde für effiziente Inferenz eingesetzt.

Auswahl der Spielbewertungsdimensionen der IE-Ausbildung von Studierenden basierend auf BN-Denken

Die Entwicklung der IE-Bildung wurde von einer kontinuierlichen Vertiefung von Reformen im Hochschulbereich begleitet, und es wurden bedeutende Fortschritte im Bildungsbereich erzielt. Der Forschungshintergrund des IE-Bildungs-Ökosystems ist die erste treibende Kraft für die Entwicklung und die strategische Unterstützung für den Aufbau eines modernen Wirtschaftssystems17,18. Allerdings hat auch der Betrieb des IE-Ökosystems, wie das natürliche Ökosystem, viele einflussreiche Faktoren. Die grundlegende Funktion und der Wert der IE-Ausbildung liegt darin, eine große Anzahl innovativer Talente zu fördern (eine große Anzahl von hochwertigen Talenten mit Innovationsgeist, Wissenssystem und Handlungsfähigkeit)19. Sein grundlegender Zweck und Wert umfassen hauptsächlich fünf Teile, wie in Abbildung 1 dargestellt, die die Funktionen und Werte der IE-Ausbildung darstellen.

figure-protocol-1
Abbildung 1: Integrierter Rahmen der Kernfunktionen der IE-Bildung, der Wertkomposition und der internen Logikverknüpfung mit unternehmerischem Verhalten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 1 zeigt die Funktionen und Werte der IE-Ausbildung, wobei das unternehmerische Bewusstsein im Kern liegt. Die unternehmerische Nachfrage ist die Grundlage und bildet eine Voraussetzung für die Bildung unternehmerischen Bewusstseins. Unternehmerisches Interesse ist der Kern und treibt Menschen dazu an, dem Unternehmertum Aufmerksamkeit zu schenken. Unternehmerische Motivation ist die treibende Kraft, die unternehmerische Praxis antreibt. Unternehmertum bietet Unterstützung, um Schwierigkeiten bei der Unternehmensgründung zu überwinden. Der unternehmerische Wert ist das ultimative Ziel und spiegelt die Bedeutung unternehmerischer Bildung für Individuen und Gesellschaft wider. Alle Elemente interagieren miteinander und unterstützen gemeinsam das Funktionieren der IE-Bildung20. Die Studie kategorisiert IE-Bildung als Bewusstseinsbildung, Fähigkeitssteigerung und Intentionsgenerierung. Sie entsprechen den grundlegenden, wichtigsten und grundlegenden Zielen der IE-Ausbildung. Unternehmerisches Bewusstsein ist in mehrere Ebenen unterteilt, und die Pflege dieses Bewusstseins ist ein Schlüsselfaktor zur Erreichung von Wissens- und Fähigkeitszielen. Wissen selbst ist ein Teil der Fähigkeit, daher sollte sich die unternehmerische Ausbildung darauf konzentrieren, individuelle unternehmerische Fähigkeiten zu fördern. Intention ist ein entscheidendes Bindeglied in der Entwicklung des Bewusstseins zum Verhalten, aber Intention und Handlung sind nicht genau dasselbe21. In der unternehmerischen Bildung ist es notwendig, die unternehmerische Bereitschaft der Schüler zu fördern, um effektive Erfahrungen zu formen und sie in Verhaltensweisen umzuwandeln. Zusammenfassend betrachtet die Studie unternehmerisches Bewusstsein, unternehmerische Fähigkeiten und unternehmerische Absicht als Vermittlungsvariablen zwischen IE-Bildung und unternehmerischem Verhalten. Indem man unternehmerisches Bewusstsein, Fähigkeit und Wille als Vermittlungsvariablen zwischen IE-Bildung und unternehmerischem Verhalten nimmt, entsprechend den grundlegenden, Haupt- und Grundzielen der IE-Ausbildung, kombiniert mit Literaturanalyse und ILM, setzt man die Messindikatoren jeder Variablen (wie IE-Bildung, einschließlich Kursteilnahmen usw.) und konstruiert dann dieses ILM. Wie in Abbildung 1 dargestellt, wurde ein ILM entwickelt, das IE-Bildung und unternehmerisches Verhalten für Forschungszwecke verbindet.

Wie in Abbildung 1 gezeigt, spiegelt sich der positive Effekt unternehmerischer Ausbildung auf die unternehmerische Fähigkeit darin wider, dass Studierende Grundkenntnisse meistern, ihre Fähigkeit zur Aneignung und Nutzung von Ressourcen zu verbessern und Schwierigkeiten im unternehmerischen Bereich zu überwinden. Unternehmerisches Bewusstsein kann eine vermittelnde Rolle zwischen IE-Bildung und unternehmerischem Verhalten spielen. Als Vorfaktor unternehmerischen Verhaltens kann unternehmerische Absicht das Auftreten von Verhalten direkt vorhersagen. Die Förderung des unternehmerischen Bewusstseins unter Studierenden kann Unternehmen helfen, unternehmerisches Wissen zu erwerben und ihre unternehmerischen Fähigkeiten zu verbessern. Die Fähigkeitstheorie besagt, dass Fähigkeit der Kernfaktor ist, der das Verhalten bestimmt, insbesondere in der IE-Bildung, die die Förderung der multidimensionalen Fähigkeiten der Schüler betont, einschließlich Ressourcenintegration, Teambuilding und Fondsvorbereitung22. Diese Fähigkeiten beeinflussen direkt die Leistung der Schüler im unternehmerischen Bereich, etwa bei der Erkennung von Chancen, dem Aufbau von Beziehungen und der Umsetzung von Maßnahmen. Unternehmerische Fähigkeiten umfassen drei Hauptdimensionen, nämlich die Fähigkeit zur Ressourcenintegration, die sich auf die effektive Nutzung und Integration von Ressourcen zur Unterstützung von Unternehmertum bezieht; Teambuilding-Fähigkeit bezieht sich auf die Fähigkeit, ein Team zu bilden und zu führen; und Kapitalbereitschaft, also die Fähigkeit, Startkapital zu beschaffen und zu verwalten. Die Verbesserung dieser Fähigkeiten ist der Schlüssel zur Förderung des Erfolgs des Unternehmertums der Studierenden23.

Die Festlegung von Messstandards für unternehmerisches Verhalten, unternehmerisches Verhalten, unternehmerische Fähigkeit, unternehmerisches Bewusstsein und unternehmerische Absicht basiert hauptsächlich auf Literaturanalyse und wird mit dem ILM der IE-Ausbildung kombiniert. Die Indikatoren für unternehmerische Bildung sind die Teilnahme an unternehmerischen Kursen oder Vorlesungen (CY1), die Teilnahme an unternehmerischem Bildungstraining (CY2) und die Teilnahme an unternehmerischen Wettbewerben (CY3). Diese Indikatoren spiegeln direkt die Teilnahme der Schüler an der IE-Ausbildung wider und spiegeln die Kernziele der Praktikabilität und Interaktion der unternehmerischen Bildungwider 10. Die Indikatoren für unternehmerisches Verhalten sind Chancenidentifikation (CW1), Beziehungsaufbau (CW2) und Energieinvestition (CW3). Dies ist die Messung, die mit unternehmerischem Verhalten zusammenhängt, hauptsächlich aus Verhaltenstheorien (wie der Kompetenztheorie) stammt und sich auf individuelle Handlungsmerkmale wie Chancengriff, Sozialkapitalkonstruktion und Ressourcenallokationkonzentriert. Die Messdimensionen unternehmerischer Fähigkeiten sind Ressourcenintegrationsfähigkeit (CN1), Teambuilding-Fähigkeit (CN2) und Kapitalvorbereitungsfähigkeit (CN3). Diese Dimensionen leiten sich aus dem praktischen Kernziel der Verbesserung der unternehmerischen Fähigkeiten ab, nämlich die Fähigkeit der Schüler zu verbessern, in einem echten unternehmerischen Umfeld zu überleben und sich zu entwickeln. Die Messdimensionen des unternehmerischen Bewusstseins umfassen unternehmerisches Verhaltenseinstellung (CS1), unternehmerische subjektive Normen (CS2) und unternehmerische Wahrnehmungsverhaltenskontrolle (CS3). Die Messung des unternehmerischen Bewusstseins basiert auf Ajzens Planned Behavior Theory (TPB), die die individuelle psychologische Erwartung unternehmerischen Verhaltens als Analysefokus13 nimmt. Die Indikatoren für unternehmerische Absicht sind unternehmerischer Wunsch (CW1), Karriereplanung und unternehmerische Relevanz (CW2). Die Messung unternehmerischer Absicht wird durch die Theorie über die Auswirkungen unternehmerischer Bildung auf die Berufswahl gestützt, etwa durch die Beziehung zwischen subjektiven Normen und Verhaltensintention.

In Lehraktivitäten ist der Prozess, die Antworten der Schüler als Evidenzvariablen zur Berechnung der posterioren Wahrscheinlichkeit für latente und beobachtbare Variablen zu berechnen, der Prozess der Diagnose des Wissensniveaus der Schüler. BN-Schlussfolgerung berechnet die posteriore Wahrscheinlichkeit, die hauptsächlich auf der BN-Struktur und der bedingten Wahrscheinlichkeitsverteilung basiert, und berechnet die wertnehmende Wahrscheinlichkeit einiger Knoten im Netzwerk unter spezifischen Beweisbedingungen24. Für eine BN mit n Knotenvariablen kann sie als gemeinsame Wahrscheinlichkeitsverteilungsfunktion definiert werden, wie in Gleichung (1)25 gezeigt.

figure-protocol-2(1)

Dabei steht P für die bedingte Wahrscheinlichkeitsmenge figure-protocol-3 von BN. Für jeden Knoten figure-protocol-4gibt es eine CPT, die die bedingte Wahrscheinlichkeit von figure-protocol-5 und seine Mutterknotenmenge figure-protocol-6 figure-protocol-7darstellt. Bezeichne beliebige zwei Zufallsvariablen, und figure-protocol-8 ist die Hypothese, die als Beweis giltfigure-protocol-9. Die Prior-Wahrscheinlichkeit ist die Wahrscheinlichkeit figure-protocol-10 eines Ereignissesfigure-protocol-11, wenn figure-protocol-12 unbekannt ist. Die Posterior-Wahrscheinlichkeit ist die Wahrscheinlichkeit figure-protocol-13 des Ereignissesfigure-protocol-14, wenn figure-protocol-15 bekannt ist. Wie in Gleichung (2) gezeigt, handelt es sich um die bayessche Gleichung26.

figure-protocol-16(2)

BN kann nicht nur das Wissensniveau der Lernenden im Lehren durch PR erreichen, sondern auch die Wissensstruktur der Lernenden grafisch widerspiegeln. Mit der Wissensrepräsentation und dem Schlussfolgern im Domänenmodell wird jedes konzeptuelle Wissen als Knoten betrachtet. In Spielen werden Knoten verwendet, um entsprechende Level einzustellen und dynamische BN-Updates bereitzustellen. Während des Lernens sammelt das System kontinuierlich Nutzerdaten und aktualisiert diese im Netzwerk. Der Joint Tree (JT)-Algorithmus ist derzeit der am weitesten verbreitete und schnellste rechnergestützte BN-Argumentationsalgorithmus27. Der Algorithmusprozess beinhaltet die Transformation des BN in eine quadratische Struktur, die eine Menge von Kanten in der Clique enthält. Im IE-Modell des Educational Decision Making Experience Game wird Adaptivität definiert als die Fähigkeit des Systems, Bildungsinhalte, Strategien und Interaktionsmodi automatisch basierend auf der Echtzeitleistung, individuellen Eigenschaften und Lernbedürfnissen der Lernenden anzupassen. Der amerikanische Wissenschaftler Hodhod unterteilte das adaptive Bildungsspielmodell in Domänen-, Lehr-, Spieler-Modelle sowie Adaptive Engine und Präsentationsmodul28. Jedes Modell hat unterschiedliche Funktionen, wobei das Spielermodell das Schülermodell ist, das ein zentraler Bestandteil von Bildungsspielen ist, um adaptive Unterstützung für Lernende zu erreichen. Wie in Abbildung 2 gezeigt, handelt es sich um den Informationsfluss des Schülermodells basierend auf dem JT-Algorithmus.

figure-protocol-17
Abbildung 2: Vereinheitlichte Architektur des universitären IE Bildungs-Entscheidungsspiels. Gemeinsam-Tree-gesteuerter Schülerinformationsfluss, verbesserte DKT mit Feature-Embedding und Aufmerksamkeit sowie KT-integrierte Kernelemente. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

In Abbildung 2 wird die Studie BN verwenden, um Schülermodelle zu konstruieren, und JT-Argumentationsalgorithmen nutzen, um den Wissenserwerb der Schüler in Echtzeit zu bewerten. Der JT-Algorithmus basiert auf derselben Version von pgmpy, ruft die to_junction_tree-Methode von BN (moralize=True, min_fill Triangulation) zur Erzeugung von JT auf und verwendet Knoten (), um die Clusterknoten anzuzeigen. Initialisieren Sie die Inferenz-Engine mit JunctionTreeInference, geben Sie die Verhaltensbeweise über die Abfragemethode ein, setzen Sie joint=Falsch, um die posteriore Wahrscheinlichkeit der IE-Wissenspunkte zurückzugeben, und setze tol=1e-6, um den Fehler zu kontrollieren. Anschließend wird das statistische Modell verwendet, um die korrekte Antwortrate des Lernenden mit dem festgelegten Schwellenwert zu vergleichen, um den Schülern einen geeigneten Spielaufgabenrahmen und einen Prompt-Feedback-Rahmen zu bieten. BN-Modellierung basiert auf pgmpy 0.1.20 (Python 3.9.7-Umgebung). Die BN-Klasse wird in der Liste der Knotenabhängigkeiten aufgerufen, und die latenten/evidenzvariablen werden mit node_type markiert. Die CPT wird basierend auf Expertenerfahrung durch die Verwendung der TabularCPD-Klasse initialisiert und anschließend iterativ mit Schülerverhaltensdaten mit der Fit-Methode BayesianEstimator aktualisiert (Dirichlet Prior, pseudo_counts=1). Die kausale Beziehung wird durch do_calculus von CausalInference überprüft, und gegenseitige Informationen werden berechnet (größer als 0,3 zeigt starke Abhängigkeit an), um eine angemessene Struktur zu gewährleisten.

Entwicklung eines Entscheidungserfahrungsspielmodells für IE-Bildung für Studierende, das verbesserte KT-Algorithmen integriert

Obwohl das Feature-Screening der IE-Bildungsbewertungsdimensionen durch BN-Argumentation durchgeführt wird, das dynamisch die Schwachstellen der Schüler im Wissen identifizieren kann, konzentriert sich BN nur auf die Diagnose des aktuellen Wissenszustands und kann den dynamischen Wandelprozess der Wissensbeherrschung der Schüler nicht verfolgen. Es ist auch schwierig, nachfolgende Lernbedürfnisse genau vorherzusagen, und es kann die dynamische Anpassung des Spielmodells an Lehrstrategien nicht unterstützen. Daher ist es notwendig, den KT-Algorithmus zu integrieren und zu verbessern und durch die Nutzung seiner Feature-Embedding und AM eine Echtzeitverfolgung und Vorhersage der Wissensstruktur der Studierenden zu erreichen. Das Studentenmodell ist ein Modul, das die Informationen der Studierenden überwacht, und seine Forschung erschien erstmals im Intelligent Tutoring System (ITS)29. Im ITS ist es besonders wichtig, die dynamischen Veränderungen in den Wissenszuständen der Schüler zu verfolgen, da dies dem Modell helfen kann, die Schüler besser beim Wissenserwerb zu steuern. Die Idee, die Wissensstruktur der Schüler in Spielen zu verfolgen, stammt aus früheren Lerndiagnosesystemen und adaptiven Bildungsspielen30. Das DKT-Modell hat sich als effektives KT-Modell erwiesen, das besser für Evaluationsszenarien mit großen Nutzerdatenskalen geeignet ist. Das DKT-Modell basiert auf TensorFlow 2.8.0 (Python 3.9.7, GPU unterstützt CUDA 11.2). Die Daten werden mit pandas, LabelEncoder und numpy verarbeitet und zu 3D-Tensoren von [Stichprobengröße, 30,8] kombiniert. Baue die Architektur mit Sequential, einschließlich Input (30,8), Dicht (64,relu), LSTM (128,return_sequences=True) und Dicht (Knowledge Points, Sigmoid); Optimieren Sie mit Adam (lr=0,001), nehmen Sie binäre Crossentropie als Verlustfunktion, setzen Sie die Genauigkeit und AUC-Metriken, führen Sie 50 Trainingsrunden durch (Batch=32) und speichern Sie das optimale Gewicht am ModelCheckpoint. Dieses verbesserte DKT-Modell basiert auf TensorFlow 2.8.0 (Python 3.9.7, unterstützt CUDA 11.2). Erstens werden durch Feature Embedding die Verhaltensmerkmale wie die Anzahl der beantworteten Schüler, das Verhalten der Hilfesuche und die Anzahl der Prompt-Anfragen mit den Antworten verknüpft und in Kombination mit dem Schwierigkeitskoeffizienten der Frage (der Anzahl der falschen Antworten bzw. der Gesamtzahl der beantworteten Fragen) kodiert. Anschließend verbinde ich alle codierten Merkmale, um einen Vektor zu konstruieren, und nutze den Autoencoder (tanh-aktiviert) zur Dimensionsreduktion als Eingabe. Anschließend wird ein Aufmerksamkeitsmechanismus zwischen dem LSTM und der Ausgangsschicht von DKT eingeführt. Die AttentionLayer-Klasse ist definiert. tf.matmul wird verwendet, um die Gewichte zu berechnen, und Softmax wird zur Normalisierung zur Erzeugung gewichteter Features verwendet. 128 Gewichte werden eingestellt und Dropout (0,2) hinzugefügt, um Überanpassungen zu verhindern. Mit Adam-(lr=0,001)-Optimierung und Kreuzentropie als Verlustfunktion für 50 Trainingsrunden wurde die Verfolgung und Vorhersage der Wissensbeherrschung der Schüler erreicht. Die Studie schlägt ein verbessertes DKT-Modell vor, das die Eingabedaten des Modells durch Feature Embedding bereichert und AMs einführt, wie in Abbildung 2 gezeigt.

In Abbildung 2 kann aufgrund der Fähigkeit des DKT-Modells, komplexe Merkmale in den Daten zu erfassen, Merkmalseinbettung genutzt werden, um die Eingabedaten des Modells zu bereichern und so die Modellleistung zu verbessern. Der letzte verborgene Zustand des Langzeitgedächtnisses (LSTM) ist der verborgene Lernzustand der Schüler aktuell31. Ist die Zeit lang, kann LSTM dazu führen, dass wichtige Informationen verloren gehen. Die Studie führt die AM ein, die alle historischen Informationen gewichtet und aggregiert, um den Verlust wichtiger Informationen zu verringern. Die Eigenschaften des Antwortverhaltens der Schüler und die Schwierigkeitskoeffizienten sind in die ursprünglichen Eingabeinformationen eingebettet und bilden so eine bedeutungsvollere historische Interaktionssequenz figure-protocol-18. Die historische Eingabesequenz dieses Modells ist figure-protocol-19, und die Ausgabe ist der Wahrscheinlichkeitsvektor, der die Antworten der Schüler auf die entsprechenden Fragen der Wissenspunkte korrekt vorhersagt. Die Studie schlägt vor, die Anzahl der Versuche, Fragen zu beantworten, ob sie während des Beantwortungsprozesses um Hilfe bitten, und die Anzahl der Fragen, die sie anfordern, in eine neue Funktion im Bildungsspielmodell zu kombinieren und diese mit den Antworten zu verbinden, wie in Gleichung (3) gezeigt.

figure-protocol-20(3)

In Gleichung (3) bezeichnet das die Verhaltensmerkmale von Schülern, figure-protocol-21 die Fragen beantworten; figure-protocol-22 zeigt die Anzahl der Beantwortungen der Studenten im Moment figure-protocol-23 an; figure-protocol-24 bezeichnet die Bitte um Hilfe; figure-protocol-25 zeigt die Anzahl der Eingaben an; figure-protocol-26 bezieht sich auf das Antwortergebnis. Die Berechnung des Schwierigkeitskoeffizienten der Frage ist in Gleichung (4) dargestellt.

figure-protocol-27(4)

In Gleichung (4) steht dies für die Anzahl der Personen, figure-protocol-28 die die Frage figure-protocol-29 falsch beantwortet haben, und figure-protocol-30 stellt die Gesamtzahl der Personen dar, die die Frage figure-protocol-31 richtig beantwortet haben. Um die Genauigkeit des Modells zu verbessern, werden alle erhaltenen codierten Merkmale miteinander verbunden, und die Vektorkonstruktion wird in Gleichung (5) dargestellt.

figure-protocol-32(5)

In Gleichung (5) figure-protocol-33 bedeutet das die Anzahl der Wissenspunkte; figure-protocol-34 bezieht sich auf den Schwierigkeitskoeffizienten des Problems; figure-protocol-35 bedeutet Merkmalskombination; figure-protocol-36 steht für Kodierungsformat; figure-protocol-37 bedeutet Verbindung. Trainieren Sie den automatischen Encoder mit der Tanh-Aktivierungsfunktion und entfernen Sie die Ausgangsschicht nach Abschluss. Anschließend verwendet er die Ausgabe der versteckten Schicht als Eingabe im DKT-FA-Modell, wie in Gleichung (6) gezeigt.

figure-protocol-38(6)

In Gleichung (6) figure-protocol-39 sind jeweils die gelernte Gewichtsmatrix und der Biasvektor vorhanden. Die Studie kombiniert AM mit einem LSTM-Netzwerk, um dem Modell mehr Aufmerksamkeit auf Antwortsequenzen mit ähnlichen Verhaltensmerkmalen und praktischer Schwierigkeit zu schenken. Der AM ist zwischen der LSTM- und der Ausgangsschicht von DKT integriert. Eine benutzerdefinierte AttentionLayer-Klasse wird definiert, tf.matmul wird zur Berechnung von Gewichten verwendet, während Softmax zur Normalisierung zur Generierung gewichteter Features verwendet wird. 128 Gewichte wurden gesetzt, um Rechte zu erhalten, Dropout (0,2) wurde hinzugefügt, um Überanpassungen zu verhindern, synchrone Optimierung wurde mittels Backpropagation durchgeführt, und Gewichte wurden per get_weights() extrahiert, um die Auswirkungen von Schlüsselverhalten zu analysieren. Wenn die Aufmerksamkeitsvariable figure-protocol-40 ausgewählt wird, zeigt sie an, dass der Antworteintrag zu th figure-protocol-41ausgewählt wurde. Wie in Gleichung (7) gezeigt, berechnet sie die Wahrscheinlichkeit der figure-protocol-42-ten Information mithilfe des historischen Ordnungsinformationscodes und des finalen Informationscodes.

figure-protocol-43(7)

In Gleichung (7) bestimmt der Gewichtungsfaktor figure-protocol-44, welchen Inhalt bei der Vorhersage beachtet oder ignoriert werden sollte. Die Studie verwendet ein additives Modell der Aufmerksamkeitsbewertungsfunktionfigure-protocol-45 , um den Wert zu berechnen, wie in Gleichung (8) gezeigt.

                             figure-protocol-46(8)

In Gleichung (8) figure-protocol-47 steht für die Kodierung historischer Sequenzinformationen basierend auf Datenkompression; figure-protocol-48 bedeutet die Dimensionsreduktion der Eingabeinformationen zum figure-protocol-49 Zeitpunkt. figure-protocol-50 ist ein Netzwerkparameter des Department of Science. Der Aufmerksamkeitszustand figure-protocol-51 wird als gewichtete Summe von figure-protocol-52bezeichnet, und sein Berechnungsausdruck ist in Gleichung (9) dargestellt.

figure-protocol-53(9)

In Gleichung (12) wird durch Kombination figure-protocol-54 mit figure-protocol-55die Wahrscheinlichkeit berechnet, dass die Schüler alle Wissenspunkte beherrschen, wie in Gleichung (10) gezeigt.

figure-protocol-56(10)

Im maschinellen Lernen kann Kreuzentropie verwendet werden, um den Unterschied zwischen tatsächlicher Markierung und vorhergesagten Ergebnissen zu messen. Daher wird sie als die Verlustfunktion des DKT-FA-Modells betrachtet, wie in Gleichung (11) gezeigt.

figure-protocol-57(11)

In Gleichung (11) figure-protocol-58 geben und figure-protocol-59 die vorhergesagten bzw. wahren Wahrscheinlichkeitsverteilungen an. Es geht davon ausfigure-protocol-60 , dass es eine Wissenseinheit gibt, einschließlich figure-protocol-61 Wissenspunkte. Und wenn die Wahrscheinlichkeit, den Wissenspunkt figure-protocol-62 zu verwenden, beträgt figure-protocol-63, dann wird die Beherrschung des Wissenspunkts durch die Schüler in Gleichung (12) gezeigt.

               figure-protocol-64(12)

In Gleichung (12) figure-protocol-65 bedeutet das die Fehlerquote des Lernenden am Wissenspunkt figure-protocol-66; figure-protocol-67 bezieht sich auf die Wahrscheinlichkeit des Auftretens von Wissenspunkten. Studiere die Bedeutung, es als Wissensquelle zu nutzen. Die Klassifizierung des Wertebereichs im Bereich von 0 bis 0,5 figure-protocol-68 wird in zwei Teile unterteilt. In komplexen und reichhaltigen Spielszenarien können Lernende eine personalisierte und sinnvolle Rekonstruktion von Lernmethoden erreichen. Beim Erstellen von Bildungsspielmodellen sollten auch entsprechende Prinzipien befolgt werden. Erstens sollte das Prinzip der Subjektivität der Lernenden befolgt werden. Es ist notwendig, die individuellen Eigenschaften der Lernenden vollständig zu berücksichtigen, damit sie ein Spielerlebnis erzielen können, das ihren eigenen Fähigkeiten während des Spielprozesses entspricht. Zweitens ist es notwendig, dem Prinzip des Situationsbewusstseins zu folgen, also eine realistischere Spielumgebung zu gestalten, um die Begeisterung der Lernenden zu wecken. Schließlich ist es notwendig, dem Prinzip der Balance zwischen Spieldesign und Lehrdesign zu folgen. Basierend auf den oben genannten Prinzipien untersucht es die Schlüsselelemente integrierter IE-Bildung und Spiele und erstellt ein Entscheidungsmodell für IE-Bildung, wie in Abbildung 2 gezeigt.

In Abbildung 2 nimmt das Modell das Szenario als grundlegenden Aspekt der IE-Ausbildung, und das Spiel selbst ist in Schüler-, Lehrer- und Wissensmodelle unterteilt. Durch die Kombination von Ideen zum Instruktionsdesign baut es die Handlung, Aktivitäten, Aufgaben und Schlüsselelemente des Spiels weiter auf. Eine periodische Aktivität, die die vier Aspekte Umwelt, Wissen, Emotion und Handlung in der unternehmerischen Bildung kombiniert. Das Wissensmodell wird hauptsächlich zur Speicherung und Auflistung von Wissen in der Bildung verwendet. Das Schülermodell wird mit dem Lehrermodell kombiniert, um ein personalisiertes Wissen zu erreichen. Es bedarf einer detaillierteren Gestaltung der Spielhandlung, Aktivitäten, Aufgaben usw., um die pädagogischen und spielerischen Aspekte des Spielmodells auszubalancieren. Gleichzeitig implementiert es IE-Wissen, das sowohl in virtuellen als auch in Wahrnehmungsszenarien enthalten ist, internalisiert wissensbasiertes Lernen in die Entwicklung korrekter unternehmerischer Bildungsverhaltensweisen. Das in Abbildung 2 eingebettete Feature-Modul erzeugt den Lernzustand und ordnet ihn dynamisch der Benutzeroberfläche zu, indem es die Verhaltensdaten der Schüler analysiert (wie Anzahl der Antworten, Hilfehäufigkeit, korrekte Rate usw.), um die für die Stage geeignete Aufgabenszene zu erstellen. Diese Szenarien umfassen virtuelles Unternehmertum, Problemlösung oder Teamwork-Simulationen, die darauf ausgelegt sind, das Lernerlebnis zu verbessern. Das Design kombiniert ein Wissensmodell, ein Lehrmodell und emotionale Motivation, um Bildungsziele in Spielsituationen zu verwandeln. Das Lehrermodell ergänzt das Schülermodell, um effizientes und personalisiertes Lernen durch einen Wissensgraphen und Datenanalyse zu erreichen. Basierend auf Hintergrundanalysen bietet das Lehrermodell personalisierte Unterrichtsunterstützung für Schüler und leitet bei der Gestaltung von Spielaufgaben und Feedback-Mechanismen. Spiele passen Aufgaben und Schwierigkeitsgrad dynamisch basierend auf der Schülerleistung in Echtzeit an, was die Anpassungsfähigkeit verbessert und das Wissen festigt. Das Lernen und die Entscheidungsfindung im Spiel werden durch Feedback in eine praxisnahe unternehmerische Ausbildung übertragen. Wie in Abbildung 2 gezeigt, basiert die Studie auf dem vorherigen amerikanischen Wissenschaftler Hodhod, der das adaptive Education Game Model in Domain, Teaching, Player Models und adaptive Engine und Präsentationsmodul9 unterteilt hat und basierend auf Modellkonstruktionsprinzipien ein Entscheidungsspiel für IE-Bildungserfahrung für Universitätsstudenten entwickelt, das verbesserte KT-Algorithmen integriert.

In Abbildung 2 besteht das Gesamtmodell aus zwei Teilen: der Spielpräsentationsoberfläche und der Backend-Datenbank. Die Spielpräsentationsoberfläche steuert die Darstellung von Sound, Grafik, Interaktion und anderen Effekten des Spiels und arbeitet in Zusammenarbeit mit der Datenbank zusammen, um das Spiel zu präsentieren. Die Hintergrunddatenbank besteht aus drei Teilen, nämlich Domänen-, Lehrer- und Schülermodellen, wobei das Komponentenmodul von ITS als Referenz verwendet wird, um gemeinsam die Spielfunktion zu realisieren. Die ausgewählten IE-Wissenspunkte werden durch ein Framework-Netzwerk dargestellt. Die Gestaltung und der Bau von Lehrmodellen und funktionalen Strukturen sind Voraussetzung und Garantie für die spätere Entwicklung von Spieleunterrichtsdesign und Produktionsentwicklung. Unter der Leitung von Forschungszielen und theoretischen Grundlagen klärt das funktionale Strukturmodell dieses Spiels die Beziehungen zwischen verschiedenen Modulen und integriert sie in ein funktionales Strukturmodell.

Teilnehmerdemografie und Stichprobe

Detaillierte Patientendemografie finden Sie in Tabelle 1. Stichprobengrößenformel (G*Power 3.1.9.7): Effektgröße f = 0,25 (mittel), α = 0,05, Power = 0,90, Gruppen = 3 dann n ≥ 159, Tatsächliche Rekrutierung: 305 (10% Abnutzung erlaubt). Für zukünftige Replikationen empfehlen wir eine Mindeststichprobe von 200 Teilnehmern (10 % erwarteter Abfall), um die statistische Stärke ≥ 0,90 bei mittlerer Effektgröße f = 0,25 zu halten (G*Power 3.1.9.7, drei Gruppen, α = 0,05). Wenn weitere Moderationsanalysen (z. B. Geschlechtsgruppe x) geplant sind, erhöhen Sie die Zellen auf 270, um sicherzustellen, dass die Zellgrößen ≥ 45 liegen.

SpielfeldBeispieleintragEinschlusskriterienAusschlusskriterien
StudentenausweisS001Vollzeit-BachelorstudiumHat ≥1 IE-Kurs belegt
Alter1918–25 JahreAußerhalb des Verbreitungsgebiets
GeschlechtFSelbstidentifiziertWeigere dich zu melden
HauptGeschäftJede DisziplinNicht-abschließende Weiterbildung
RekrutierungCampus-E-MailZufällig geschichtetBereits teilgenommen

Tabelle 1: Patientendemografie.

Um reproduzierbare KI-Metriken zu gewährleisten, führen Sie drei unabhängige Trainingsläufe mit verschiedenen zufälligen Seeds durch (42, 2023, 1024). Berichte über den Mittelwert und das 95%-KI von AUC, F1 und RMSE; jede CI-Breite > 5 % des Mittelwerts löst zwei weitere Durchläufe aus, bis die Stabilität erreicht ist.

CPT-Initialisierung

Fünf IE-Bildungsexperten (≥ 5 Jahre universitäre Lehre, ≥ 3 unternehmerische Projekte geleitet) wurden durch gezielte Stichprobe von der Shaoxing University und der Wenzhou-Kean University rekrutiert. Genehmigung des Expertengremiums ID: SU-IE-2023-00. Expertenauswahl: Thema: [Expertengremium] CPT-Auswahl für IE Bayesian Network. Die Zulassungskriterien waren ≥ fünfjährige universitäre IE-Lehre, ≥3 echte Studenten-Start-ups und die Bereitschaft, an 2 x 2 Stunden Online-Delphi-Runden teilzunehmen.

CPT-Anfangsvorlage

Die folgenden Kriterien wurden festgelegt und die untenstehenden Anweisungen wurden verwendet.

KnotenElternteil = gemeistert?P(korrekt|Elternteil)Prior
T1_opportunitySTIMMT0.850.30
T1_opportunityFALSCH0.30/
CN1_resource//0.30

Iterations-Update-Anweisung (Python Einzelzeile):

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

Unity – Python-Integrations-Pseudocode

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)

Vollständiges ausführbares Mindestschema (kopieren, um flüssig zu laufen):
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)
```

Unity C# Send-Skript (an Empty GameObject angehängt)
```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);
    }
  }
}
```

Adaptive Schwierigkeit und Rückkopplungsauslöser
Die Schwellenwerte sind in Tabelle 2 angegeben, und die Auslöserlogik ist unten angegeben.
Kopiere und benutze die JSON-Konfiguration (speichern als '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"}
  }
}
```

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

Posteriore WahrscheinlichkeitSchwierigkeitsanpassungRückmeldungsbotschaft
<0.3-1 EbeneEs wird empfohlen, die Wissenspunkte der Ressourcenintegration zu überprüfen.
0.3-0.7Bleiben Sie unverändert"Mach weiter
> 0,7+1 Stufe"Schalte Aufgaben mit hohem Schwierigkeitsgrad frei

Tabelle 2: Schwellenwerttabelle und Auslöserlogik.

Fehlerbehebung und Replikationsparameter

Die häufigsten aufgetretenen Fehler und Lösungen auf Replikationsniveau sind in Tabelle 3 dargestellt. Wenn die Unity-Konsole nach der Firewall-Veröffentlichung immer noch 404 zurückgibt, führen Sie folgende Checkliste aus: (1) Localhost durch exaktes IPv4 ersetzen: In Unity ändern > Logger.cs http://localhost:5000/log in http://192.168.x.x:5000/log (ipconfig unter Windows ausführen, um die Adresse zu erhalten); (2) CORS in Flask aktivieren: nach app = Flask(__name__) cors hinzufügen = CORS(app, resources={r"/*":{"origins":"*"}}); (3) Portbesetzung überprüfen: netstat -ano | findstr 5000, Zerstörung widersprüchlicher PID; (4) Fügen Sie 3-Sekunden-Herzschlag hinzu: InvokeRepeating("SendHeartbeat", 0, 3) in Unity, um den Socket am Leben zu erhalten. Die obigen Schritte sind in troubleshoot_up_comm.sh (Unix) und troubleshoot_up_comm.ps1 (Windows) geskriptet, die im /utils-Ordner des GitHub-Repositoriums bereitgestellt werden.

CharakteristikDimensionCITCα nach dem Löschen des GegenstandsSubscale αGesamtprogramm α
UnternehmertumsbildungCY10.680.8480.8720.956
CY20.720.841
CY30.660.854
Unternehmerische FähigkeitenCN10.70.8260.859
CN20.690.828
CN30.680.834
Unternehmerisches BewusstseinCS10.680.8520.878
CS20.660.865
CS30.70.854
Unternehmerische AbsichtCX10.730.7950.877
CX20.660.845
CX30.770.789
Unternehmerisches VerhaltenCW10.760.7760.909
CW20.710.823

Tabelle 3: Häufige Fehler und Lösungen auf Replikationsniveau.

Code- und Datenaustausch:
Demo-Datensatz (n = 50, anonymisiert) enthält 14 Verhaltensmerkmale und 10 IE
Knowledge Nodes ist verfügbar bei https://doi.org/10.5281/zenodo.123456
Dateiname: IE_Game_Demo.csv
Headers: StudentID, TaskID, Correct, HelpSeeking, Attempts, Difficulty, CN1, CS1, CW1, CY1, CY2, CY3, T1, I1
Größe: 50 Zeilen × 14 Spalten (~12 KB)
Format: UTF-8 CSV, keine fehlenden Werte, entspricht dem DSGVO-Entkenntnisstandard (Name, E-Mail, IP entfernt).

Schwelle für innere Konsistenz: Cronbach α ≥ 0,80; Punkt-Gesamtkorrelation ≥ 0,40. Validitätsschwellen: KMO ≥ 0,70, Bartlett p < 0,001, AVE ≥ 0,50, CR ≥ 0,70, Faktorbelastung ≥ 0,75. Modell-Leistungsgrenze: Testsatz AUC ≥ 0,85, F1 ≥ 0,85, RMSE ≤ 0,20. Jede Metrik unterhalb dieser Werte markiert eine Protokollüberarbeitung.

Um Überanpassung im verbesserten DKT-FA-Modell zu unterdrücken, haben wir eine dreifache Leitplanke angewendet: (1) Datenaugmentation: Ein 50-Schritte-Fenster entlang der Studentensequenz schieben, um fünfmal mehr Untersequenzen zu erzeugen. (2) Regularisierung: L2-Gewichtsstrafe 1 x 10-5 auf alle dichten und rekurrierenden Körner. (3) Früher Stopp: Überwachungsvalidierung – AUC, Trainingsstopp bei Nullgewinn > 0,001 für 5 aufeinanderfolgende Epochen.

Versuchsdesign für Lernergebnisse und Anpassungsfähigkeit

Um den geschlechtsmoderierenden Effekt zu testen, wurden in der 8. Woche des Experiments Geschlechtsvariablen und 14-dimensionale Spielskalenwerte erhoben, und der unabhängige Stichproben-t-Test wurde verwendet, um die Unterschiede zwischen Männern und Frauen zu vergleichen. Unterdessen wurden subjektive Bewertungen wie Spielimmersion und Szenenrealismus mit der Likert-Fünf-Punkte-Skala erhoben, und die Fitness-Prozentsätze und Notenänderungen der Nicht-Spielgruppe (Gruppe A, n = 100), der nicht-adaptiven Spielgruppe (Gruppe B, n = 105) und der adaptiven Spielgruppe (Gruppe C, n = 105) unter derselben steigenden Schwierigkeit der IE-Kurse wurden aufgezeichnet. Alle Daten wurden mit SPSS 25.0 auf Signifikanz getestet, um die Universalität des Modells für verschiedene Geschlechter und Lehrformen zu überprüfen.

Diese Studie entwickelte ein kontrolliertes Experiment, um Lernergebnisse und Anpassungsfähigkeit zu überprüfen. Die Teilnehmer wurden in drei Gruppen eingeteilt: Gruppe A (ohne Spielkontrolle) erhielt nur traditionellen Unterricht; Gruppe B (nicht-adaptive Spielkontrolle) kombinierte traditionellen Unterricht mit nicht-adaptiven IE-Spielen; Gruppe C (experimentelle Gruppe) verwendete traditionelles Unterrichten plus das adaptive IE Entscheidungserfahrungsspiel (Integration von BN+DKT-FA). Das 8-wöchige Experiment umfasste 1 Woche Vorbereitung (Gruppierung: 105 in Gruppe C, 100 in Gruppe A/B; Vortest auf unternehmerische Einstellung/Selbstwirksamkeit; Debugging des Spielsystems), 6 Wochen Intervention (2 Kurse pro Woche, 45 Minuten pro Stunde, entsprechend dem regulären Fortschritt im IE-Kurs) und 1 Woche Nachtest. Zur Verallgemeinerungsverifikation wurden zusätzliche Interaktionsdaten von der Universität A (naturwissenschaftlich-ingenieurwissenschaftlich, 120 Sets), der Universität B (umfassend, 110 Sets) und der Universität C (Geisteswissenschaften, 90 Sets) erhoben, um die Robustheit des Modells über disziplinäre Hintergründe hinweg zu testen.

Die Replikation des IE-Entscheidungserfahrungsspielmodells umfasst sechs Kernphasen: Vorbereitungsarbeit, Erstellung der Wissenszustandsbewertung BN, Entwicklung eines verbesserten DKT-Modells, Integration von Spielsystemen, experimentelles Design und Datenerhebung sowie Modellvalidierung. Diese werden in den folgenden Absätzen beschrieben.

In der Anfangsphase sind die Kerndimensionen und Indikatoren der IE-Ausbildung klar definiert, darunter drei vermittelnde Variablen: unternehmerisches Bewusstsein, Fähigkeit und Wille sowie die entsprechenden Messindikatoren. Studierendendemografie und Hintergrunddaten zum IE werden durch Fragebögen erhoben, und Lernverhaltensdaten werden durch simulierte Szenarien erfasst.

In der BN-Konstruktion werden die Knoten der IE-Wissenspunkte (latente Variablen) und das Verhalten der Schüler (Evidenzvariablen) definiert. Die logische Beziehung der Knoten wird anhand von Experteninterviews und der Handlung bestimmt. Die Anfangswerte des CPT werden anhand von Expertenerfahrung festgelegt. Die Verhaltensdaten der Schüler werden iterativ angepasst und durch Moralisierung und Triangulation in eine JT umgewandelt. Die Eingabeverhaltens-Evidenz verwendet pgmpy 0.1.20 (ohne öffentlich verfügbares offizielles RRID), um die posteriore Wahrscheinlichkeit zu berechnen und schwache Wissenspunkte mit einer posterioren Wahrscheinlichkeit <0,5 zu identifizieren.

Bei der Verbesserung der DKT-Modellentwicklung wird Feature Engineering an den Daten durchgeführt, Verhaltensmerkmale kodiert, Aufgabenschwierigkeitskoeffizienten berechnet und zu Vektoren kombiniert, um eine Zeitreihe zu konstruieren. Eine Architektur mit Feature Embedding, LSTM, AM und Ausgabeschicht wird etabliert. Das Training erfolgt mit Kreuzentropie als Verlustfunktion und Adam-Optimierer, mit einer Lernrate von 0,001.

Die Integration des Spielsystems nutzt Unitys C#-API, um Spielverhaltensdaten in Echtzeit nach Python 3.9.7 (RRID:) zu übertragen. Das Backend von SCR_008394 verwendet zunächst BN, um die posteriore Wahrscheinlichkeit der Wissensbeherrschung zu berechnen, dann nutzt es das DKT-Modell, um Schwachstellen vorherzusagen, personalisiertes Feedback zu erzeugen und die Schwierigkeitsanpassung anzupassen. In Unity 2021.3.8f1 (RRID: SCR_018230) sind drei Arten von IE-Szenarien darauf ausgelegt, gezielte Aufgaben auszulösen, oder der Schwierigkeitsgrad wird basierend auf den BN/DKT-Ergebnissen angepasst.

Im Experiment werden drei Gruppen aufgestellt: die Leistung von DKT-FA und dem klassischen KT-Modell zu vergleichen, die Notwendigkeit von DKT-FA-Komponenten zu überprüfen, die pädagogischen Auswirkungen der No-Game-, Non-adaptive Game und adaptiven Spielgruppen zu testen sowie relevante Daten zu sammeln; Modellvalidierung: scikit-learn 1.0.2(RRID: SCR_002577) wird verwendet, um die Indikatoren von Experiment 1 zu berechnen, die Daten von Experiment 2 zu analysieren, und SPSS 25.0(RRID: SCR_002815) wird verwendet, um ANOVA und t-Tests an den Daten von Experiment 3 durchzuführen und gleichzeitig die Zuverlässigkeit und Validität der Skala zu testen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Das Experiment basierte auf Karens und Hodhods Bewertungsskala für Bildungsspiele, wobei geeignete Bewertungsdimensionen und -elemente organisiert und zur Anpassung ausgewählt wurden. Die Größenordnung von Karen und Hodgod hat eine hohe Autorität und Anwendbarkeit im Bereich der Bildungsspiele und deckt mehrere Schlüsselbereiche von Bildungsspielen ab, wie Gameplay, pädagogisch, interaktiv usw. Durch die Einführung und Anpassung dieses Maßstabs kann es die Leistung des entworfenen IE-Bil...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Der Erfolg des College-IE-Entscheidungserfahrungsspielmodells hängt von kritischen Protokollschritten ab, insbesondere der Integration von BN-Argumentation für Echtzeit-Wissensdiagnose und der verbesserten Deep Knowledge Tracing (DKT-FA)-Einbettung und AMs im Deep Knowledge Tracing (DKT-FA)-Modell. BNs präzise CPT-Initialisierung – basierend auf Experteninterviews und iterativ aktualisiert mit Verhaltensdaten der Schüler – gewährleistete eine genaue Identifizierung schwacher Wissensverkn...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

In diesem Papier gibt es keine konkurrierenden finanziellen Interessen.

Danksagungen

Die Forschung wird unterstützt durch: den Graduiertenkurs "14. Fünfjahresplan" der Provinz Zhejiang, ideologischer und politischer Demonstrationskurs "Führungskunst und Managementkommunikation" (im Rahmen des Zuschusses Nr. 181); Fonds für Geistes- und Sozialwissenschaften des Bildungsministeriums (mit Zuschussnummer Nr. 23YJC630256).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
AdamEingebaut in TensorFlow 2.8.0Lernrate 0,001
BinärkreuzentropieEingebaut in TensorFlow 2.8.0Standardparameter
C#Unity 2021.3.8f1 StandardversionÜber die Unity C# API aufgerufen
CUDA11.2Es ist kompatibel mit TensorFlow 2.8.0
Gemeinsamer Baum (JT)PGMPY 0.1.20 ist implementiertmoralize=True, Min-Fill-Triangulation
LabelEncoderIntegriert in scikit-learn 1.0.2Geteilt mit scikit-learn
ModelCheckpointTensorFlow 2.8.0 RückrufBasierend auf der Validierungsmenge AUC
NumPyNicht spezifiziert (die neueste stabile Version ist akzeptabel)Python 3.9.7 Umgebung
PandasNicht spezifiziert (die neueste stabile Version ist akzeptabel)Python 3.9.7 Umgebung
pgmpy0.1.20Python 3.9.7 Umgebung
Python3.9.7Eine einheitliche Backend-Betriebsumgebung
scikit-learn1.0.2RRID: SCR_002577
SPSS25RRID: SCR_002815
TensorFlow2.8.0Die GPU-Version benötigt CUDA 11.2 Unterstützung
Einheit2021.3.8 f1RRID: SCR_018230

Referenzen

  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).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Tags

Innovationsp dagogikEntrepreneurship BildungBayessche Netzeprobabilistisches SchlussfolgernDeep Knowledge TracingFeature EmbeddingAttention MechanismenWissensbeherrschung
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.