Diseño de juegos educativos para fomentar la experiencia de decisión en programas universitarios de innovación y emprendimiento

Resumen

Este estudio propone un modelo basado en juegos que utiliza redes bayesianas para potenciar la innovación y la educación en emprendimiento, mejorando el seguimiento del conocimiento, el entusiasmo por el aprendizaje y la adaptabilidad. Los resultados muestran una alta precisión (95,6%) y mejores resultados en comparación con los métodos tradicionales de enseñanza.

Resumen

Los juegos educativos sumergen a los estudiantes en entornos situacionales para aumentar la implicación, lo que aborda las lagunas en el control del dominio del conocimiento y mantiene el entusiasmo en los cursos universitarios de Innovación y Emprendimiento (IE). Este estudio construye un mecanismo lógico interno que vincula la educación y el comportamiento de la IE, aprovechando las Redes Bayesianas (BN) para el Razonamiento Probabilístico (PR) para evaluar el dominio del conocimiento de los estudiantes. Basándose en marcos educativos para el seguimiento de estructuras del conocimiento, propone un modelo universitario de juego de experiencia de decisión en IE mejorado por un algoritmo mejorado de Deep Knowledge Tracing (DKT) (integrando incrustación de características y mecanismos de atención). Los resultados muestran que la puntuación y la precisión de predicción en educación emprendedora del modelo alcanzan el 95,6% (la más alta entre los modelos probados), con todos los ítems de la escala de evaluación demostrando una fuerte cobertura informativa. Las puntuaciones medias de los indicadores superan 4, reflejando una retroalimentación efectiva. La adaptabilidad de los estudiantes al modelo basado en juegos es entre un 2% y un 11% superior a la enseñanza tradicional. La evaluación integrada en tiempo real alinea el rendimiento del aprendizaje con los objetivos instruccionales, permitiendo el ajuste de la estrategia. El valor de la educación en IE reside en fomentar la conciencia emprendedora, la capacidad y la voluntad, mientras que su función mejora habilidades prácticas como la integración de recursos. El modelo mejora el entusiasmo por aprender, la adaptabilidad y la eficiencia, ofreciendo perspectivas para el diseño personalizado de educación en IE para el colegio.

Introducción

La educación en innovación y emprendimiento (IE) tiene como objetivo cultivar talentos con alfabetización emprendedora y personalidades pioneras, centrándose en la formación por fases del pensamiento innovador y las capacidades emprendedoras. Sin embargo, la educación actual en Ingeniería Industrial carece de practicidad y de planes de estudio interactivos, apoyándose mucho en la teoría mientras descuida las habilidades prácticas para resolver problemas. Los juegos educativos, con alta interactividad y simulación de escenarios, pueden abordar esta brecha fomentando la toma de decisiones y el trabajo en equipo, convirtiéndolos en una herramienta prometedora para el aprendizaje personalizado de la IE¹.

Para mejorar la eficiencia de la enseñanza de IE, estudios previos han integrado juegos en IE, pero se enfrentan a dos limitaciones clave: los alumnos a menudo pasan por alto puntos críticos de conocimiento, y los juegos tradicionales no logran seguir dinámicamente la adquisición^{de conocimiento 2,3}. Para abordar estos, proponemos la siguiente hipótesis: un juego de experiencia de decisión en IE que integre el razonamiento de redes bayesianas (BN) para el diagnóstico de conocimiento en tiempo real y un algoritmo mejorado de Seguimiento Profundo del Conocimiento (DKT) logrará una mayor precisión de predicción y adaptabilidad del estudiante que la enseñanza tradicional o los modelos KT existentes (BKT, DKVMN, EKT⁾⁴. Las innovaciones duales de este estudio cubren lagunas en trabajos previos: a diferencia de los modelos existentes que solo realizan una evaluación estática del conocimiento, utilizamos puntos de conocimiento de razonamiento-modelado BN como nodos con Tablas de Probabilidad Condicional (CPTs)—para diagnosticar debilidades del aprendizaje en tiempo real mediante datos de rendimiento^{del juego 5}. Este estudio mejora la DKT integrando características de dimensiones IE (conciencia emprendedora, capacidad e intención) y mecanismos de atención (AMs), resolviendo la pérdida de información de secuencias largas en DKT estándar, y superando modelos limitados como BKT, DKVMN y^{EKT 6}.

El núcleo de la educación en IE reside en cultivar la conciencia emprendedora, la capacidad y la intención —tres variables mediadoras entre la IE y el comportamiento emprendedor que corresponden a sus objetivos básicos, primarios y fundamentales— pero las herramientas existentes no logran seguir su desarrollo dinámico. Esto pone de manifiesto una necesidad práctica crítica: la educación actual en IE carece de herramientas adaptativas basadas en datos. Nuestro sistema gamificado, con retroalimentación en tiempo real, aborda esto directamente, ofreciendo escalabilidad para contextos de educación superior.

Este estudio consta de cinco secciones: (1) desarrolla conceptos de juegos IE/educativos y sus desafíos de diseño; (2) revisa la educación en IE e investigación educativa sobre juegos; (3) detalla la metodología (selección de dimensiones de evaluación de juegos IE, integración de DKT mejorado para construir el modelo); (4) valida el rendimiento del modelo; (5) resume hallazgos, limitaciones y direcciones futuras.

Obras relacionadas

En el contexto de promover la educación industrial masiva para promover empleo de calidad para los estudiantes, cómo mejorar su alfabetización en innovación y sus habilidades emprendedoras a través de la educación en IE ha generado una amplia preocupación en todos los^sectores. Liu et al. analizaron los métodos de servicio activo a los estudiantes en la educación inteligente, y combinaron la información conceptual de conocimiento, extendiendo el marco de redes neuronales recursivas al marco interpretable de Tracey de Conocimiento Consciente del Ejercicio (EKT). Los resultados demostraron que este método tenía una interpretabilidad superior para predecir los^{cursos 8} de los estudiantes. Shute et al. integraron las preferencias, el género y otras características de los estudiantes en el juego educativo. Los resultados indicaron que la enseñanza de la física basada en juegos educativos obtuvo mejores calificaciones y mejor rendimiento en los juegos que la enseñanza tradicional⁹. Chen et al. exploraron el efecto de los juegos de simulación de negocios móviles en la educación emprendedora mediante un diseño cuasi-experimental. Los resultados de la investigación indicaron que los juegos de simulación de negocios móviles podían mejorar las actitudes emprendedoras y la autoeficacia, pero no podían cambiar las intenciones emprendedoras. Los resultados de la investigación confirman el papel positivo de los juegos de simulación de negocios móviles en la educación emprendedora, que pueden potenciar la actitud emprendedora y la autoeficacia^{emprendedora 10}. Los resultados de la investigación indicaron que este método tenía una alta precisión predictiva para el rendimiento de los alumnos en las tareas del juego. Shi et al. propusieron un modo de enseñanza que integraba el conocimiento de funciones cuadráticas en los juegos. El experimento demostró que la motivación de aprendizaje y las puntuaciones matemáticas de los estudiantes han mejorado significativamente a través de este modo^{de enseñanza 11}.

Isabelle et al. analizaron la gamificación de la educación emprendedora utilizando una plataforma independiente de gamificación, utilizando mecanismos de juego en aplicaciones no relacionadas con juegos e integrando teorías educativas de la IE¹². Los resultados de la investigación indicaron que los métodos educativos gamificados y emprendedores podrían mejorar la participación de los estudiantes y la autoeficacia emprendedora. Soomro et al. realizaron una encuesta empírica sobre educación emprendedora, autoeficacia e intención emprendedora entre estudiantes de una determinada universidad utilizando un método cuantitativo de datos transversales. Los resultados denotaron que la estructura de la educación emprendedora tuvo un impacto positivo significativo en la autoeficacia y la intención emprendedora¹³. Académicos como Loi propusieron un debate sobre los supuestos y desafíos en la educación emprendedora, integrando nuevas perspectivas emprendedoras en los modelos de enseñanza emprendedora existentes. Los resultados de la investigación indicaron que determinar las prioridades del conocimiento era lo más importante para potenciar el impacto de la educación^{emprendedora 14}. Para mejorar el rendimiento de la educación IE en las escuelas, Mao et al. construyeron un modelo de evaluación para la educación IE basado en árboles de decisión y algoritmos difusos. El experimento demostró que el modelo tenía ciertas aplicaciones prácticas: evaluar eficazmente la calidad de la educación universitaria en IE y proporcionar herramientas cuantitativas operativas para optimizar las estrategias de enseñanza de IE¹⁵. Li et al. analizaron la necesidad de impartir educación en IE para estudiantes universitarios en el contexto de Internet. Basándose en resultados reales de la investigación, se han propuesto estrategias para promover el desarrollo de la educación y la práctica de la IE¹⁶.

En resumen, el valor y la función de la educación en IE se manifican principalmente en la formación de talentos con calidad básica y una personalidad pionera en el emprendimiento. Su valor reside en el sistema de valores que considera de forma integral la conciencia innovadora, el conocimiento, la capacidad y la intención innovadora, con el objetivo de estimular la pasión emprendedora de los estudiantes, que es un requisito psicológico. Sobre esta base, la educación en IE se centra en mejorar la capacidad emprendedora de los estudiantes, incluyendo la integración de recursos, la creación de equipos, etc., y finalmente la formación de intenciones emprendedoras y su conversión en acciones prácticas. Funcionalmente, la educación en IE mejora la capacidad de los estudiantes para afrontar desafíos emprendedores mediante la práctica, como la integración de recursos, el trabajo en equipo, etc., para promover la realización del comportamiento emprendedor. La investigación actual sobre la educación en IE se centra principalmente en características teóricas, roles y análisis empírico, careciendo de resultados relevantes sobre métodos de enseñanza. Los alumnos pueden necesitar orientación y ayuda diferentes, pero los juegos educativos no pueden simular el estado de adquisición del conocimiento del alumno. Para resolver estos problemas, este estudio pretende identificar las diferencias individuales de aprendizaje entre los estudiantes y propone utilizar el razonamiento BN para obtener el nivel de dominio del conocimiento docente de los alumnos. Además, construye un modelo de juego de experiencia de decisión para la educación en IE de los estudiantes universitarios basado en un algoritmo mejorado de Seguimiento de Datos (KT).

Protocolo

Este estudio fue aprobado por el Comité de Ética en Investigación Humana de la Universidad de Shaoxing (Aprobación nº SU-2023-IE-058). Todos los participantes proporcionaron su consentimiento informado por escrito antes de la recogida de datos. El experimento se llevó a cabo conforme a la Declaración de Helsinki (2013).

Diseño de videojuegos para la experiencia de decisión en educación en IE para estudiantes universitarios

La investigación implementó una Red Bayesiana (BN) para la evaluación en tiempo real del dominio del conocimiento de los estudiantes. Cada punto de conocimiento se modeló como un nodo con Tablas de Probabilidad Condicional (CPT) que definen dependencias. Los datos de rendimiento de los estudiantes a partir de interacciones en juegos sirvieron como evidencia para la inferencia probabilística usando la biblioteca pgmpy (v0.1.20, Python 3.9.7). Se empleó el algoritmo del Árbol de Unión para una inferencia eficiente.

Selección de características de las dimensiones de evaluación de juegos de la educación en IE de los estudiantes basándose en el razonamiento BN

El desarrollo de la educación en educación industrial ha ido acompañado de un continuo profundizamiento de reformas en la educación superior, y se han logrado avances significativos en el ámbito educativo. La formación investigadora del ecosistema educativo en IE es la primera fuerza motriz para el desarrollo y el apoyo estratégico para la construcción de un sistema económico^{moderno 17,18}. Sin embargo, el funcionamiento del ecosistema IE, al igual que el ecosistema natural, también tiene muchos factores que influyen. La función y el valor básicos de la educación en IE radican en cultivar un gran número de talentos innovadores (un gran número de talentos de alta calidad con espíritu innovador, sistema de conocimiento y capacidad de acción)¹⁹. Su propósito y valor básicos incluyen principalmente cinco partes, como se muestra en la Figura 1, que son las funciones y valores de la educación en IE.

Figura 1: Marco integrado de las funciones centrales de la educación en IE, la composición de valores y la relación lógica interna con el comportamiento emprendedor. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

La Figura 1 demuestra las funciones y valores de la educación en IE, siendo el núcleo la conciencia emprendedora. La demanda emprendedora es la base, proporcionando un requisito previo para la formación de una conciencia emprendedora. El interés emprendedor es el núcleo, impulsando a las personas a prestar atención al emprendimiento. La motivación emprendedora es la fuerza motriz que impulsa la práctica emprendedora. El emprendimiento proporcionará apoyo para ayudar a superar las dificultades para iniciar un negocio. El valor emprendedor es el objetivo final, reflejando la importancia de la educación emprendedora para los individuos y la sociedad. Todos los elementos interactúan entre sí y apoyan conjuntamente el funcionamiento de IE^{Education 20}. El estudio categoriza la educación IE como cultivo de la conciencia, mejora de habilidades y generación de intenciones. Corresponden a los objetivos básicos, principales y fundamentales de la educación en IE. La conciencia emprendedora se divide en varios niveles, y cultivar esta conciencia es un factor clave para alcanzar objetivos de conocimiento y capacidades. El conocimiento en sí mismo forma parte de la capacidad, por lo que la educación emprendedora debería centrarse en cultivar las habilidades emprendedoras individuales. La intención es un eslabón crucial en el desarrollo de la conciencia hacia el comportamiento, pero intención y acción no son exactamente lo^mismo. En la educación emprendedora, es necesario generar la disposición emprendedora de los estudiantes, formando así experiencias efectivas y transformándolas en comportamientos. En resumen, el estudio toma la conciencia emprendedora, la capacidad emprendedora y la intención emprendedora como variables mediadoras entre la educación en IE y el comportamiento emprendedor. Tomando la conciencia emprendedora, la capacidad y la voluntad como variables mediadoras entre la educación en IE y el comportamiento emprendedor, correspondientes a los objetivos básicos, principales y fundamentales de la educación en IE, combinado con el análisis de literatura y la ILM, establecer los indicadores de medición de cada variable (como la educación en IE, incluyendo la participación en cursos, etc.) y luego construir esta ILM. Como se muestra en la Figura 1, se construyó un ILM que vincula la educación en IE y el comportamiento emprendedor con fines de investigación.

Como se muestra en la Figura 1, el efecto positivo de la educación emprendedora sobre la capacidad emprendedora se refleja en su capacidad para ayudar a los estudiantes a dominar habilidades básicas, mejorar su capacidad para acumular y utilizar recursos, y superar dificultades en el emprendimiento. La conciencia emprendedora puede desempeñar un papel mediador entre la educación en IE y el comportamiento emprendedor. Como factor predeterminante del comportamiento emprendedor, la intención emprendedora puede predecir directamente la ocurrencia de este comportamiento. Fomentar la conciencia emprendedora entre los estudiantes universitarios puede ayudar a las empresas a adquirir conocimientos emprendedores y mejorar sus capacidades emprendedoras. La teoría de la capacidad sostiene que la habilidad es el factor central que determina el comportamiento, especialmente en la educación de Ingeniería Industrial, que enfatiza el cultivo de la capacidad multidimensional de los estudiantes, incluyendo la integración de recursos, la creación de equipos y la preparación^{de fondos 22.} Estas habilidades afectan directamente al rendimiento de los estudiantes en el emprendimiento, como la identificación de oportunidades, la construcción de relaciones y la implementación de acciones. La capacidad emprendedora abarca tres dimensiones principales: la capacidad de integración de recursos, que se refiere al uso y la integración efectiva de recursos para apoyar el emprendimiento; La capacidad de construcción de equipos se refiere a la capacidad de formar y liderar un equipo; y la preparación del capital, es decir, la capacidad de captar y gestionar capital inicial. La mejora de estas habilidades es clave para promover el éxito del emprendimiento^{estudiantil 23}.

El establecimiento de estándares de medición para la educación emprendedora, el comportamiento emprendedor, la capacidad emprendedora, la conciencia emprendedora y la intención emprendedora se basa principalmente en el análisis bibliográfico y se combina con el ILM de la educación en IE. Los indicadores de la educación emprendedora son la participación en cursos o conferencias empresariales (CY1), la participación en formación en habilidades educativas para emprendedores (CY2) y la participación en competiciones emprendedoras (CY3). Estos indicadores reflejan directamente la participación de los estudiantes en la educación de la IE y reflejan los objetivos centrales de la practicidad e interacción de la educación^{emprendedora 10}. Los indicadores del comportamiento emprendedor son la identificación de oportunidades (CW1), la construcción de relaciones (CW2) y la inversión energética (CW3). Esta es la medición relacionada con el comportamiento emprendedor, que proviene principalmente de teorías conductuales (como la teoría de competencias) y se centra en características individuales de acción, como la captación de oportunidades, la construcción del capital social y la asignación^{de recursos 11}. Las dimensiones de medición de la capacidad emprendedora son la capacidad de integración de recursos (CN1), la capacidad de creación de equipos (CN2) y la capacidad de preparación de capital (CN3). Estas dimensiones derivan del objetivo práctico central de la mejora de la capacidad emprendedora, es decir, mejorar la capacidad de los estudiantes para sobrevivir y desarrollarse en un entorno emprendedor real. Las dimensiones de medición de la conciencia emprendedora incluyen la actitud de comportamiento emprendedor (CS1), las normas subjetivas emprendedoras (CS2) y el control de la conducta por percepción emprendedora (CS3). La medición de la conciencia emprendedora se basa en la Teoría del Comportamiento Planificado (TPB) de Ajzen, que toma como foco el análisis la expectativa psicológica individual sobre el comportamiento emprendedor¹³. Los indicadores de la intención emprendedora son el deseo emprendedor (CW1), la planificación de carrera y la relevancia emprendedora (CW2). La medición de la intención emprendedora está respaldada por la teoría del impacto de la educación emprendedora en la elección profesional, como la relación entre normas subjetivas e intención conductual.

En las actividades docentes, el proceso de tomar las respuestas de los estudiantes como variables de evidencia para calcular la probabilidad posterior de variables latentes y observables es el proceso de diagnóstico del nivel de conocimiento de los estudiantes. El razonamiento BN calcula la probabilidad a posteriori, que se basa principalmente en la estructura BN y la distribución de probabilidad condicional, y calcula la probabilidad de toma de valor de algunos nodos en la red bajo condiciones de evidencia^{específicas 24}. Para un BN con n variables de nodo, puede definirse como una función de distribución de probabilidad conjunta, como se muestra en la ecuación (1)²⁵.

(1)

Donde P significa el conjunto de probabilidad condicional de BN. Para cualquier nodo , existe un CPT para representar la probabilidad condicional de y su conjunto de nodos padre . denotan dos variables aleatorias cualesquiera, y es la hipótesis, que es evidencia. La probabilidad a priori es la probabilidad de evento cuando es desconocida. La probabilidad posterior es la probabilidad del evento cuando se conoce. Como se muestra en la ecuación (2), es la ecuación^{bayesiana 26}.

(2)

BN no solo puede alcanzar el nivel de dominio de los aprendices en la enseñanza mediante relaciones públicas, sino que también refleja gráficamente la estructura de conocimientos de los alumnos. Utilizando la representación y el razonamiento del conocimiento en el modelo de dominio, todo conocimiento conceptual se considera un nodo. En los juegos, los nodos se utilizan para establecer niveles correspondientes y proporcionar actualizaciones dinámicas de BN. Durante el aprendizaje, el sistema recopilará continuamente información de datos de usuario y la actualizará en la red. El algoritmo Joint Tree (JT) es actualmente el algoritmo de razonamiento BN computacional más utilizado y^{rápido 27}. El proceso del algoritmo incluye transformar el BN en una estructura cuadrática que contiene un conjunto de aristas dentro de la camarilla. En el modelo de juego de experiencia educativa de toma de decisiones de IE, la adaptividad se define como la capacidad del sistema para ajustar automáticamente el contenido educativo, las estrategias y los modos de interacción en función del rendimiento en tiempo real del alumno, sus características individuales y sus necesidades de aprendizaje. El académico estadounidense Hodhod dividió el modelo de juego de educación adaptativa en dominio, enseñanza, modelos de jugador y módulo adaptativo de motor y presentación²⁸. Cada modelo tiene funciones diferentes, entre las cuales el modelo del jugador es el modelo del alumno, que es un componente clave de los juegos educativos para lograr un apoyo adaptativo para los estudiantes. Como se muestra en la Figura 2, es el flujo de información del modelo del estudiante basado en el algoritmo JT.

Figura 2: Arquitectura unificada del juego universitario de experiencia educativa en IE para la toma de decisiones. Flujo de información estudiantil impulsado por árboles conjuntos, DKT mejorado con incrustación de características y atención, y elementos centrales integrados por KT. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

En la Figura 2, el estudio utilizará BN para construir modelos estudiantiles y algoritmos de razonamiento JT para evaluar la adquisición de conocimientos de los estudiantes en tiempo real. El algoritmo JT se basa en la misma versión de pgmpy, llama al método to_junction_tree BN (moralize=True, min_fill triangulation) para generar JT, y utiliza nodos () para ver los nodos del clúster. Inicializar el motor de inferencia con JunctionTreeInference, introducir la evidencia de comportamiento mediante el método de consulta, establecer joint=False para devolver la probabilidad posterior de los puntos de conocimiento IE, y establecer tol=1e-6 para controlar el error. Luego, se utiliza el modelo estadístico para comparar la tasa de respuesta correcta del alumno con el valor umbral establecido, proporcionando a los estudiantes un marco adecuado para tareas de juego y un marco de retroalimentación de prompts. El modelado BN se basa en pgmpy 0.1.20 (entorno Python 3.9.7). La clase BN se llama para pasar en la lista de dependencias de nodos, y las variables latentes/evidencia se marcan con node_type. El CPT se inicializa basándose en la experiencia de expertos utilizando la clase TabularCPD, y luego se actualiza iterativamente con datos de comportamiento de los estudiantes usando el método de ajuste de BayesianEstimator (dirichlet prior, pseudo_counts=1). La relación causal se verifica mediante do_calculus de Inferencia Causal, y se calcula información mutua (mayor de 0,3 indica una fuerte dependencia) para asegurar una estructura razonable.

Diseño de un modelo de juego de experiencia de decisión para la educación en IE para estudiantes universitarios, integrando algoritmos KT mejorados

Aunque el cribado de características de las dimensiones de evaluación educativa de juegos en IE se realiza mediante el razonamiento BN, que puede identificar dinámicamente los puntos débiles en el conocimiento de los estudiantes, BN solo se centra en el diagnóstico del estado actual del conocimiento y no puede seguir el proceso de cambio dinámico del dominio del conocimiento por parte de los estudiantes. También es difícil predecir con precisión las necesidades de aprendizaje posteriores y no puede apoyar la adaptación dinámica del modelo de juego a las estrategias de enseñanza. Por ello, es necesario integrar y mejorar el algoritmo KT y, aprovechando su incrustación de características y AM, lograr un seguimiento y predicción en tiempo real de la estructura de conocimiento de los estudiantes. El modelo del estudiante es un módulo que monitoriza la información del alumno, y su investigación apareció por primera vez en el Sistema de Tutoría Inteligente (ITS⁾²⁹. En ITS, rastrear los cambios dinámicos en los estados de conocimiento de los estudiantes es especialmente importante, ya que puede ayudar al modelo a guiar mejor a los estudiantes en el aprendizaje del conocimiento. La idea de rastrear la estructura del conocimiento de los estudiantes en los juegos proviene de sistemas de diagnóstico de aprendizaje pasados y juegos de educación^{adaptativa 30}. Se ha demostrado que el modelo DKT es un modelo KT eficaz, más adecuado para escenarios de evaluación con grandes escalas de datos de usuario. El modelo DKT se basa en TensorFlow 2.8.0 (Python 3.9.7, GPU soporta CUDA 11.2). Los datos se procesan usando pandas, LabelEncoder y numpy, y se combinan en tensores 3D de [tamaño de muestra, 30,8]. Construir la arquitectura con Sequential, incluyendo Entrada (30,8), Densa (64,relu), LSTM (128,return_sequences=Verdadero) y Densa (puntos de conocimiento, sigmoide); Optimiza con Adam (lr=0.001), toma BinaryCrossentropy como función de pérdida, establece las métricas de precisión y AUC, realiza 50 rondas de entrenamiento (batch=32) y almacena el peso óptimo en el ModelCheckpoint. Este modelo mejorado de DKT está construido basándose en TensorFlow 2.8.0 (Python 3.9.7, compatible con CUDA 11.2). En primer lugar, mediante la incrustación de características, las características conductuales como el número de estudiantes que responden preguntas, el comportamiento al buscar ayuda y el número de solicitudes de prompt se enlazan con los resultados de las respuestas y se codifican en combinación con el coeficiente de dificultad de la pregunta (el número de respuestas incorrectas/el número total de preguntas respondidas). Luego, conecta todas las características codificadas para construir un vector y usa el autocodificador (activado por tanh) para reducir la dimensionalidad como entrada. Después, se introduce un mecanismo de atención entre el LSTM y la capa de salida del DKT. Se define la clase AttentionLayer. TF.MATMUL se utiliza para calcular los pesos, y softmax para la normalización y así generar características ponderadas. Se colocan 128 pesos y se añade Dropout (0,2) para evitar sobreajustes. Con la optimización de Adam (lr=0,001) y la entropía cruzada como función de pérdida durante 50 rondas de entrenamiento, se logró el seguimiento y la predicción del dominio del conocimiento de los estudiantes. El estudio propone un modelo DKT mejorado que enriquece los datos de entrada del modelo mediante incrustación de características e introduce los AMs, como se muestra en la Figura 2.

En la Figura 2, debido a la capacidad del modelo DKT para capturar características complejas en los datos, la incrustación de características puede utilizarse para enriquecer los datos de entrada del modelo, mejorando así el rendimiento del modelo. El último estado oculto de la memoria a corto plazo largo (LSTM) es el estado oculto de aprendizaje de los estudiantes en el momento^{actual 31}. Cuando el tiempo es largo, el LSTM puede hacer que se pierda información importante. El estudio introduce la AM, que pondera y agrega toda la información histórica para reducir la pérdida de información importante. Las características del comportamiento de respuesta y los coeficientes de dificultad de los estudiantes están integradas en la información original de entrada, convirtiéndose en una secuencia de interacción histórica más significativa. La secuencia histórica de interacción de entrada de este modelo es , y la salida es el vector de probabilidad que predice correctamente las respuestas de los estudiantes a las preguntas correspondientes de los puntos de conocimiento. El estudio propone combinar el número de veces que los estudiantes intentan responder preguntas, si solicitan ayuda durante el proceso de respuesta y el número de veces que solicitan prompts para una nueva función en el modelo educativo del juego, y cruzarlo con los resultados de la respuesta, como se muestra en la ecuación (3).

(3)

En la ecuación (3), significa las características conductuales de los estudiantes que responden preguntas; indica el número de veces que los estudiantes responden en ese momento; denota la solicitud de ayuda; indica el número de prompts; se refiere al resultado de la respuesta. La expresión de cálculo del coeficiente de dificultad de la pregunta se muestra en la ecuación (4).

(4)

En la ecuación (4), representa el número de personas que respondieron mal a la pregunta , y representa el número total de personas que respondieron correctamente. Para mejorar la precisión del modelo, todas las características codificadas obtenidas están conectadas, y la construcción vectorial se muestra en la ecuación (5).

(5)

En la ecuación (5), significa el número de puntos de conocimiento; se refiere al coeficiente de dificultad del problema; significa combinación de características; significa formato de codificación; significa conexión. Entrena el codificador automático usando la función de activación tanh y elimina la capa de salida una vez terminada. Luego utiliza la salida de la capa oculta como entrada en el modelo DKT-FA, como se muestra en la ecuación (6).

(6)

En la ecuación (6), están la matriz de pesos aprendida y el vector de sesgo, respectivamente. El estudio combina la AM con una red LSTM para permitir que el modelo preste más atención a secuencias de respuestas con características conductuales similares y dificultad en la práctica. El AM está integrado entre las capas LSTM y de salida del DKT. Se define una clase personalizada de AttentionLayer, se utiliza tf.matmul para calcular pesos, y softmax se usa para la normalización y así generar características ponderadas. Se establecieron 128 pesos para preservar los derechos, se añadió Dropout (0.2) para evitar el sobreajuste, se realizó la optimización síncrona mediante retropropagación y se extrajeron pesos mediante get_weights() para analizar el impacto de comportamientos clave. Cuando se selecciona la variable de atención, indica que se ha seleccionado el número de respuestas. Como se muestra en la ecuación (7), calcula la probabilidad de la información enésima usando el código histórico de información de orden y el código de información final.

(7)

En la ecuación (7), el factor de peso determina el contenido al que debe prestarse atención o ignorarse durante la predicción. El estudio utiliza un modelo aditivo de la función de puntuación de atención para calcular su puntuación, como se muestra en la ecuación (8).

                             (8)

En la ecuación (8), significa la codificación de información histórica de secuencias basada en la compresión de datos; significa la codificación de reducción de dimensionalidad de la información de entrada en el tiempo. es un parámetro de red del Departamento de Ciencia. El estado de atención se denota como la suma ponderada de , y su expresión de cálculo se muestra en la ecuación (9).

(9)

En la ecuación (12), combinando con , se calcula y expresa la probabilidad de que los estudiantes dominen todos los puntos de conocimiento tal y como se muestra en la ecuación (10).

(10)

En aprendizaje automático, la entropía cruzada puede usarse para medir la diferencia entre la marcación real y los resultados predichos. Por lo tanto, se considera como la función de pérdida del modelo DKT-FA, como se muestra en la ecuación(11).

(11)

En la ecuación (11), y indican las distribuciones de probabilidad predicha y verdadera, respectivamente. Asume que es 1 unidad de conocimiento, incluyendo los puntos de conocimiento. Y si la probabilidad de usar el punto de conocimiento es , entonces el dominio del punto de conocimiento por parte de los estudiantes se muestra en la ecuación (12).

               (12)

En la ecuación (12), significa la tasa de error del aprendiz sobre el punto de conocimiento ; se refiere a la probabilidad de que ocurran puntos de conocimiento. Estudia la importancia de usarlo como punto de conocimiento. Para clasificar el rango de valores dentro del rango de 0 a 0,5, se divide en dos partes. En escenarios de juego complejos y ricos, los estudiantes pueden lograr una reconstrucción personalizada y significativa de los métodos de aprendizaje. Al construir modelos educativos de juegos, también deben seguirse los principios correspondientes. En primer lugar, debe seguirse el principio de subjetividad del aprendiz. Es necesario considerar plenamente las características individuales de los alumnos para que puedan obtener una experiencia de juego que esté a la altura de sus propias habilidades durante el proceso de juego. En segundo lugar, es necesario seguir el principio de conciencia situacional, es decir, diseñar un entorno de juego más realista que estimule el entusiasmo de los estudiantes. Por último, es necesario seguir el principio de equilibrar el diseño de juegos y el diseño instruccional. Basándose en los principios anteriores, estudia los elementos clave de la educación integrada en IE y los juegos, y construye un modelo de decisión para la educación en IE, como se muestra en la Figura 2.

En la Figura 2, el modelo toma el escenario como el aspecto fundamental de la educación en IE, y el juego en sí se divide en modelos de estudiante, profesor y de conocimiento. Combinando ideas de diseño instruccional, construye aún más la trama, las actividades, las tareas y los elementos clave del juego. Una actividad periódica que combina los cuatro aspectos de medio ambiente, conocimiento, emoción y acción en la educación emprendedora. El modelo de conocimiento se utiliza principalmente para almacenar y listar el conocimiento en la educación. El modelo del estudiante se combina con el modelo del profesor para lograr un aprendizaje personalizado del conocimiento. Necesita un diseño detallado adicional de la trama del juego, actividades, tareas, etc., para equilibrar los aspectos educativos y jugables del modelo de juego. Simultáneamente, implementa el conocimiento de IE contenido tanto en escenarios virtuales como perceptivos, interioriza el aprendizaje basado en el conocimiento para fomentar comportamientos educativos empresariales correctos. El módulo de características incrustadas en la Figura 2 genera el estado de aprendizaje y lo mapea dinámicamente a la interfaz analizando los datos de comportamiento del estudiante (como el número de respuestas, la frecuencia de ayuda, la tasa de corrección, etc.) para generar la escena de la tarea adecuada para su etapa. Estos escenarios incluyen emprendimiento virtual, resolución de problemas o simulaciones de trabajo en equipo diseñadas para mejorar la experiencia de aprendizaje. El diseño combina un modelo de conocimiento, un modelo de enseñanza y motivación emocional para transformar objetivos educativos en situaciones de juego. El modelo del profesor complementa el modelo del alumno para lograr un aprendizaje eficiente y personalizado mediante un grafo de conocimiento y análisis de datos. Basado en el análisis de antecedentes, el modelo del Profesor proporciona apoyo docente personalizado para los estudiantes y guía el diseño de tareas del juego y los mecanismos de retroalimentación. Los juegos ajustan dinámicamente las tareas y la dificultad en función del rendimiento del alumno en tiempo real, mejorando la adaptabilidad y consolidando el conocimiento. La experiencia de aprendizaje y toma de decisiones dentro del juego se traduce en educación emprendedora real a través de la retroalimentación. Como se muestra en la Figura 2, el estudio se basa en el anterior académico estadounidense Hodhod, quien dividió el modelo de juego de educación adaptativa en dominio, modelos de enseñanza, modelos de jugador y módulo de desarrollo y presentación adaptativo⁹, y basándose en principios de construcción de modelos, construye un modelo universitario de experiencia de decisión educativa en IE que integra algoritmos mejorados de KT.

En la Figura 2, el modelo general consta de dos partes: la interfaz de presentación del juego y la base de datos del backend. La interfaz de presentación del juego controla la presentación del sonido, los gráficos, la interacción y otros efectos del juego, y trabaja en conjunto con la base de datos para presentar el juego. La base de datos de antecedentes está compuesta por tres partes: modelos de dominio, profesor y alumno, utilizando el módulo componente ITS como referencia, para realizar conjuntamente la función del juego. Los puntos de conocimiento seleccionados de IE están representados por una red marco. El diseño y la construcción de modelos de enseñanza y estructuras funcionales son requisitos previos y garantías para el diseño y desarrollo de producción posterior en la enseñanza de juegos. Bajo la guía de objetivos de investigación y fundamentos teóricos, el modelo de estructura funcional de este juego aclara las relaciones entre varios módulos e integra estos elementos en un modelo de estructura funcional.

Demografía de los participantes y muestreo

La demografía detallada de los pacientes puede encontrarse en la Tabla 1. Fórmula del tamaño de la muestra (G*Power 3.1.9.7): Tamaño del efecto f = 0,25 (medio), α = 0,05, potencia = 0,90, grupos = 3 y luego n ≥ 159, Reclutamiento real: 305 (10% de abandono permitido). Para futuras replicaciones, recomendamos una muestra mínima de 200 participantes (10% de desgaste esperado) para mantener la potencia estadística ≥ 0,90 a tamaño medio de efecto f = 0,25 (G*Power 3.1.9.7, tres grupos, α = 0.05). Si se planifican análisis adicionales de moderación (por ejemplo, género x grupo), aumente a 270 para asegurar que el tamaño celular ≥ 45.

Campo	Entrada de ejemplo	Criterios de inclusión	Criterios de exclusión
StudentID	S001	Estudiante de grado a tiempo completo	Ha cursado ≥1 curso de IE
Edad	19	18-25 años	Área de distribución exterior
Género	F	Autoidentificado	Negarse a presentarse
Destacado	Negocios	Cualquier disciplina	Educación continua sin grado
Reclutamiento	Correo electrónico del campus	Estratificado aleatoriamente	Ya participó

Tabla 1: Demografía de los pacientes.

Para garantizar métricas de IA reproducibles, realiza tres entrenamientos independientes con diferentes semillas aleatorias (42, 2023, 1024). Informa de la media e IC del 95% de AUC, F1 y RMSE; cualquier ancho de IC > 5% de la media activa dos corridas adicionales hasta alcanzar la estabilidad.

Inicialización CPT

Se reclutaron cinco expertos en educación en IE (≥ 5 años de docencia universitaria ≥ 3 proyectos emprendedores guiados) mediante muestreos intencionados de la Universidad de Shaoxing y la Universidad Wenzhou-Kean. Identificación de aprobación del panel de expertos: SU-IE-2023-00. Selección de expertos: Asunto: [Panel de expertos] Elicitación CPT para la Red Bayesiana IE. El criterio de elegibilidad era ≥ enseñanza universitaria de 5 años en IE, guiada ≥3 start-ups reales de estudiantes y disposición a asistir a rondas online de 2 horas en Delphi.

Plantilla inicial CPT

Se establecieron los siguientes criterios y se utilizaron las siguientes instrucciones.

Nodo	¿Padre= dominado?	P(correcto|padre)	Prior
T1_opportunity	CIERTO	0.85	0.30
T1_opportunity	FALSO	0.30	/
CN1_resource	/	/	0.30

Instrucción de actualización de iteración (línea única en Python):

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

Unity - pseudocódigo de integración en Python

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)

Esquema mínimo ejecutable completo (Copiar para que funcione sin problemas):
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)
```

Script de envío de Unity C# (adjunto a GameObject vacío)
```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);
    }
  }
}
```

Dificultad adaptativa y disparadores de retroalimentación
Los detalles del umbral se proporcionan en la Tabla 2, y la lógica del disparo se muestra a continuación .
Copia y usa la configuración JSON (guardar como' 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 lee código:
```csharp
TextAsset cfg = Resources.Load("adaptive_config");
JsonUtility.FromJson(cfg.text);
```

Probabilidad posterior	Ajuste de dificultad	Mensaje de retroalimentación
<0,3	-1 nivel	Se sugiere revisar los puntos de conocimiento de la integración de recursos.
0.3-0.7	Permanecer sin cambios	"Sigue
> 0,7	Nivel +1	"Desbloquear tareas de Alta Dificultad

Tabla 2: Tabla umbral y lógica de disparos.

Resolución de problemas y parámetros de replicación

Los fallos comunes encontrados y las soluciones a nivel de replicación se muestran en la Tabla 3. Si la consola de Unity sigue devolviendo 404 tras la liberación del cortafuegos, ejecuta la siguiente lista de comprobación: (1) Reemplazar localhost por IPv4 exacto: en Unity > Logger.cs cambiar http://localhost:5000/log a http://192.168.x.x:5000/log (ejecutar ipconfig en Windows para obtener la dirección); (2) Habilitar CORS en Flask: después de app = Flask(__name__) añadir cors = CORS(app, resources={r"/*":{"origins":"*"}}); (3) Verificar ocupación de puertos: netstat -ano | encontrar 5000 de Fuerza Final, eliminar PID conflictivo; (4) Añadir latido de 3 segundos: Invocar Repetición ("SendLatido", 0, 3) en Unity para mantener vivo el encuello. Los pasos anteriores están programados en troubleshoot_up_comm.sh (Unix) y troubleshoot_up_comm.ps1 (Windows) proporcionados en la carpeta /utils del repositorio de GitHub.

Característica	Dimensión	CITC	α después de eliminar el elemento	Subescala α	Calendario total α
Educación emprendedora	CY1	0.68	0.848	0.872	0.956
	CY2	0.72	0.841
	CY3	0.66	0.854
Capacidad emprendedora	CN1	0.7	0.826	0.859
	CN2	0.69	0.828
	CN3	0.68	0.834
Conciencia emprendedora	CS1	0.68	0.852	0.878
	CS2	0.66	0.865
	CS3	0.7	0.854
Intención emprendedora	CX1	0.73	0.795	0.877
	CX2	0.66	0.845
	CX3	0.77	0.789
Comportamiento emprendedor	CW1	0.76	0.776	0.909
	CW2	0.71	0.823

Tabla 3: Fallos comunes encontrados y soluciones a nivel de replicación.

Código y compartición de datos:
Conjunto de datos demo (n = 50, anonimizado) que contiene 14 características de comportamiento y 10 IE
Knowledge Nodes está disponible en https://doi.org/10.5281/zenodo.123456
Nombre del archivo: IE_Game_Demo.csv
Cabeceras: StudentID, TaskID, Correcto, HelpSeeking, Intentos, Dificultad, CN1, CS1, CW1, CY1, CY2, CY3, T1, I1
Tamaño: 50 filas × 14 columnas (~12 KB)
Formato: CSV UTF-8, sin valores faltantes, cumple con el estándar de desidentificación del RGPD (nombre, correo electrónico, IP eliminados).

Umbral de consistencia interna: Cronbach α ≥ 0,80; Correlación total de ítems ≥ 0,40. Umbrales de validez: KMO ≥ 0,70, Bartlett p < 0,001, AVE ≥ 0,50, CR ≥ 0,70, carga por factores ≥ 0,75. Umbral de rendimiento modelo: AUC ≥ de prueba 0,85, F1 ≥ 0,85, RMSE ≤ 0,20. Cualquier métrica por debajo de estos valores marca una revisión del protocolo.

Para suprimir el sobreajuste en el modelo mejorado DKT-FA, aplicamos una triple barrera de protección: (1) Aumento de datos: deslizar una ventana de 50 pasos a lo largo de la secuencia del estudiante para generar 5 veces más subsecuencias. (2) Regularización: penalización de peso L2 1 x ^10-5 en todos los granos densos y núcleos recurrentes. (3) Parada temprana: monitorizar la validación - AUC, detener el entrenamiento si no hay ganancia > 0,001 durante 5 épocas consecutivas.

Diseño experimental para resultados de aprendizaje y adaptabilidad

Para probar el efecto moderador de género, se recogieron variables de género y puntuaciones de la escala de juego en 14 dimensiones en la octava semana del experimento, y se utilizó la prueba t de muestra independiente para comparar las diferencias entre hombres y mujeres. Mientras tanto, evaluaciones subjetivas como la inmersión en el juego y el realismo de la escena se recopilaron utilizando la escala de cinco puntos de Likert, y se registraron las diferencias en porcentaje de aptitud y los cambios de calificación del grupo no relacionado con el juego (Grupo A, n = 100), el grupo no adaptativo (Grupo B, n = 105) y el grupo adaptativo (Grupo C, n = 105) bajo la misma dificultad creciente que los cursos de IE. Todos los datos fueron evaluados para determinar su significancia mediante SPSS 25.0 para verificar la universalidad del modelo para diferentes géneros y formas de enseñanza.

Este estudio diseñó un experimento controlado para verificar los resultados de aprendizaje y la adaptabilidad. Los participantes se dividieron en tres grupos: el Grupo A (control no de juegos) recibió solo enseñanza tradicional en el aula; El Grupo B (control no adaptativo de juegos) combinaba la enseñanza tradicional con juegos IE no adaptativos; El Grupo C (grupo experimental) utilizó la enseñanza tradicional más el juego adaptativo de experiencia de decisión en IE (integrando BN+DKT-FA). El experimento de 8 semanas incluyó 1 semana de preparación (agrupación: 105 en el Grupo C, 100 en el Grupo A/B; pre-prueba de actitud/autoeficacia emprendedora; depuración del sistema del juego), 6 semanas de intervención (2 clases h/semana, 45 min/h, coincidiendo el progreso regular del curso de IE) y 1 semana de post-prueba. Para la verificación generalizada, se recopilaron datos adicionales de interacción de la Universidad A (ciencia-ingeniería, 120 conjuntos), Universidad B (integral, 110 conjuntos) y Universidad C (humanidades, 90 conjuntos) para probar la robustez del modelo en diferentes disciplinas.

La replicación del modelo de juego de experiencia de decisión IE implica seis etapas principales: trabajo preparatorio, construcción del BN de evaluación del estado del conocimiento, desarrollo de un modelo mejorado DKT, integración del sistema de juego, diseño experimental y recogida de datos, y validación del modelo. Estos se describen en los siguientes párrafos.

En la etapa inicial, las dimensiones y indicadores centrales de la educación en IE están claramente definidos, incluyendo tres variables mediadoras: conciencia emprendedora, capacidad y disposición, junto con sus indicadores de medición correspondientes. Los datos demográficos de los estudiantes y los datos de antecedentes de IE se recopilan mediante cuestionarios y los datos de comportamiento de aprendizaje se registran mediante escenarios simulados.

En la construcción BN, se definen los nodos de los puntos de conocimiento de IE (variables latentes) y los comportamientos del estudiante (variables de evidencia). La relación lógica de los nodos se determina en base a entrevistas de expertos y a la gráfica. Los valores iniciales del CPT se establecen según la experiencia experta. Los datos de comportamiento de los estudiantes se ajustan iterativamente y se transforman en un JT mediante moralización y triangulación. La evidencia de comportamiento de entrada utiliza pgmpy 0.1.20 (sin RRID oficial públicamente disponible) para calcular la probabilidad posterior e identificar los puntos de conocimiento débiles con probabilidad posterior <0,5.

Al mejorar el desarrollo del modelo DKT, se realiza ingeniería de características sobre los datos, codificando características de comportamiento, calculando coeficientes de dificultad de la tarea y combinándolos en vectores para construir una serie temporal. Se establece una arquitectura que incluye incrustación de características, LSTM, AM y capa de salida. El entrenamiento se realiza con la entropía cruzada como función de pérdida y optimizador Adam, con una tasa de aprendizaje de 0,001.

La integración con sistemas de juegos utiliza la API C# de Unity para transferir datos de comportamiento del juego en tiempo real a Python 3.9.7 (RRID:). El back-end de SCR_008394 primero utiliza BN para calcular la probabilidad posterior de dominio del conocimiento, luego utiliza el modelo DKT para predecir puntos débiles, generar retroalimentación personalizada y ajustar la dificultad. En Unity 2021.3.8f1(RRID: SCR_018230), se diseñan tres tipos de escenarios IE para activar tareas específicas, o la dificultad se ajusta en función de los resultados BN/DKT.

En el experimento se establecen tres grupos: comparar el rendimiento de DKT-FA y el modelo clásico KT, verificar la necesidad de componentes DKT-FA, probar los efectos educativos de los grupos de juego no-juego, no adaptativo y adaptativo, y recopilar datos relevantes; Validación del modelo: scikit-learn 1.0.2(RRID: SCR_002577) se utiliza para calcular los indicadores del Experimento 1, analizar los datos del Experimento 2, y SPSS 25.0 (RRID: SCR_002815) se utiliza para realizar pruebas ANOVA y t sobre los datos del Experimento 3, y simultáneamente comprobar la fiabilidad y validez de la escala.

Resultados

El experimento se basó en la escala de evaluación educativa de juegos de Karen y Hodhod, y se organizaron y seleccionaron las dimensiones y ítems de evaluación apropiados para su ajuste. La escala de Karen y Hodgod tiene una gran autoridad y aplicabilidad en el campo de los juegos educativos, abarcando múltiples dimensiones clave de los juegos educativos, como la jugabilidad, la actividad pedagógica, la interactividad, etc. Al introducir y adaptar esta escala, puede evaluar de forma más ...

Discusión

El éxito del modelo de juego de experiencia de decisión de IE universitario depende de pasos críticos del protocolo, especialmente la integración del razonamiento BN para el diagnóstico de conocimiento en tiempo real y la mejora del modelo de Deep Knowledge Tracing (DKT-FA) con incrustación de características y AMs. La inicialización precisa del CPT de BN —basada en entrevistas con expertos y actualizada iterativamente con datos de comportamiento de los estudiantes— aseguró la identifica...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Adán	Integrado en TensorFlow 2.8.0	Tasa de aprendizaje 0,001
BinarCrossentropía	Integrado en TensorFlow 2.8.0	Parámetros por defecto
C#	Versión predeterminada de Unity 2021.3.8f1	Llamado a través de la API C# de Unity
CUDA	11.2	Es compatible con TensorFlow 2.8.0
Árbol Conjunto (JT)	Se implementa PGMPY 0.1.20	moralize=True, triangulación min-fill
LabelEncoder	Integrado en scikit-learn 1.0.2	Compartido con scikit-learn
ModelCheckpoint	Referencia a TensorFlow 2.8.0	Basado en el conjunto de validación AUC
NumPy	No especificado (la última versión estable es aceptable)	Entorno Python 3.9.7
Pandas	No especificado (la última versión estable es aceptable)	Entorno Python 3.9.7
PGMPY	0.1.20	Entorno Python 3.9.7
Python	3.9.7	Un entorno operativo unificado de back-end
scikit-learn	1.0.2	RRID: SCR_002577
SPSS	25	RRID: SCR_002815
TensorFlow	2.8.0	La versión de GPU requiere soporte para CUDA 11.2
Unidad	2021.3.8 F1	RRID: SCR_018230