Cette étude propose un modèle basé sur le jeu utilisant des réseaux bayésiens pour renforcer l’innovation et l’éducation à l’entrepreneuriat, améliorant le suivi des connaissances, l’enthousiasme d’apprentissage et l’adaptabilité. Les résultats montrent une grande précision (95,6 %) et de meilleurs résultats comparés aux méthodes d’enseignement traditionnelles.
Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.
Article de recherche
Concevoir des jeux éducatifs pour favoriser l’expérience décisionnelle dans les programmes d’innovation et d’entrepreneuriat universitaires
Dans cet article
Résumé
Résumé
Les jeux éducatifs plongent les apprenants dans des environnements situationnels pour renforcer l’engagement, ce qui permet de combler les lacunes dans la maîtrise des connaissances et le maintien de l’enthousiasme dans les cours d’Innovation et d’Entrepreneuriat (IE) universitaires. Cette étude construit un mécanisme logique interne reliant l’éducation et le comportement de l’IE, en utilisant les réseaux bayésiens (BN) pour le raisonnement probabiliste (PR) afin d’évaluer la maîtrise des connaissances des apprenants. S’appuyant sur des cadres de jeux éducatifs pour le suivi des structures de connaissances, il propose un modèle de jeu décision-expérience d’IE universitaire, amélioré par un algorithme amélioré de Deep Knowledge Tracing (DKT) (intégrant l’intégration de fonctionnalités et des mécanismes d’attention). Les résultats montrent que le score d’éducation entrepreneuriale et la précision de prédiction du modèle atteignent tous deux 95,6 % (le plus élevé parmi les modèles testés), tous les items de l’échelle d’évaluation démontrant une forte couverture informationnelle. Les scores moyens des indicateurs dépassent 4, reflétant un retour d’information efficace. L’adaptabilité des élèves au modèle basé sur le jeu est supérieure de 2 % à 11 % à celle de l’enseignement traditionnel. L’évaluation en temps réel intégrée aligne la performance d’apprentissage avec les objectifs pédagogiques, permettant ainsi l’ajustement de la stratégie. La valeur de l’éducation en IE réside dans le développement de la conscience, des capacités et de la volonté entrepreneuriales, tandis que sa fonction améliore des compétences pratiques telles que l’intégration des ressources. Le modèle améliore l’enthousiasme pour l’apprentissage, l’adaptabilité et l’efficacité, offrant des perspectives pour la conception personnalisée de l’éducation en génie industriel universitaire.
Introduction
L’éducation à l’innovation et à l’entrepreneuriat (IE) vise à développer des talents dotés d’une littératie entrepreneuriale et de personnalités pionnières, en se concentrant sur la formation progressive de la pensée innovante et des capacités entrepreneuriales. Cependant, l’enseignement actuel en génie industriel manque de praticité et de programmes interactifs, s’appuyant fortement sur la théorie tout en négligeant les compétences pratiques en résolution de problèmes. Les jeux éducatifs – avec une grande interactivité et simulation de scénarios – peuvent combler cette lacune en favorisant la prise de décision et le travail d’équipe, ce qui en fait un outil prometteur pour l’apprentissage personnalisé de l’IE1.
Pour améliorer l’efficacité de l’enseignement de l’IE, des études antérieures ont intégré des jeux dans l’IE mais rencontrent deux limites majeures : les apprenants négligent souvent des points de connaissance critiques, et les jeux traditionnels ne suivent pas dynamiquement l’acquisitiondes connaissances 2,3. Pour y répondre, nous proposons l’hypothèse suivante : un jeu d’expérience décisionnelle en IE intégrant le raisonnement des réseaux bayésiens (BN) pour le diagnostic en temps réel des connaissances et un algorithme amélioré de suivi profond des connaissances (DKT) atteindra une précision de prédiction et une adaptabilité des élèves supérieures à l’enseignement traditionnel ou aux modèles KT existants (BKT, DKVMN, EKT)4. Les doubles innovations de cette étude comblent les lacunes des travaux antérieurs : contrairement aux modèles existants qui ne réalisent qu’une évaluation statique des connaissances, nous utilisons les points de connaissances de raisonnement BN comme nœuds avec des tables de probabilité conditionnelle (CPT) pour diagnostiquer en temps réel les faiblesses d’apprentissage via les données de performance dujeu 5. Cette étude améliore la DKT en intégrant des caractéristiques de dimension IE (conscience entrepreneuriale, capacité et intention) et des mécanismes d’attention (AM) — résolvant la perte d’information en longue séquence dans la DKT standard — et en surpassant des modèles limités comme BKT, DKVMN etEKT 6.
Le cœur de l’éducation en IE réside dans la culture de la conscience entrepreneuriale, des capacités et de l’intention — trois variables médiatrices entre l’IE et le comportement entrepreneurial qui correspondent à ses objectifs fondamentaux, primaires et fondamentaux — mais les outils existants ne suivent pas leur évolution dynamique. Cela met en lumière un besoin pratique critique : l’enseignement actuel en IE manque d’outils adaptatifs et basés sur les données. Notre système ludifié, avec retour en temps réel, répond directement à cela, offrant une évolutivité pour les contextes de l’enseignement supérieur.
Cette étude comprend cinq sections : (1) développe les concepts de jeux IE/éducatifs et leurs défis de conception ; (2) passe en revue l’éducation en IE et la recherche sur les jeux éducatifs ; (3) la méthodologie détaillée (sélection des dimensions d’évaluation des jeux IE, intégration de DKT amélioré pour construire le modèle) ; (4) valide la performance du modèle ; (5) résume les conclusions, les limites et les orientations futures.
Œuvres connexes
Dans un contexte de promotion massive de l’IE pour promouvoir un emploi de qualité pour les étudiants, la manière d’améliorer leur compétence à l’innovation et leurs compétences entrepreneuriales grâce à l’éducation en IE a suscité une large attention dans tous lessecteurs. Liu et al. ont analysé les méthodes de service actif des étudiants dans l’éducation intelligente, et ont combiné connaissances-concepts d’information, étendu le cadre du réseau neuronal récursif au cadre interprétable Exercise-aware Knowledge Tracing (EKT). Les résultats ont démontré que cette méthode avait une meilleure interprétabilité pour prédire lesélèves de 8e année. Shute et al. ont intégré les préférences, le genre et d’autres caractéristiques des élèves dans le jeu éducatif. Les résultats ont indiqué que l’enseignement de la physique basé sur des jeux éducatifs avait de meilleures notes et de meilleures performances en jeu que l’enseignementtraditionnel 9. Chen et al. ont exploré l’effet des jeux de simulation d’entreprise mobiles dans l’éducation entrepreneuriale à travers un design quasi-expérimental. Les résultats des recherches ont indiqué que les jeux de simulation d’entreprise mobiles pouvaient améliorer les attitudes entrepreneuriales et l’auto-efficacité, mais ils ne pouvaient pas changer leurs intentions. Les résultats de la recherche confirment le rôle positif des jeux de simulation d’entreprise mobiles dans l’éducation entrepreneuriale, ce qui peut renforcer l’attitude entrepreneuriale et l’auto-efficacitéentrepreneuriale 10. Les résultats de la recherche ont indiqué que cette méthode avait une grande précision prédictive des performances des apprenants dans les tâches de jeu. Shi et al. ont proposé un mode d’enseignement intégrant la connaissance des fonctions quadratiques dans les jeux. L’expérience a montré que la motivation d’apprentissage et les résultats en mathématiques des élèves se sont nettement améliorés grâce à ce moded’enseignement 11.
Isabelle et al. ont analysé la gamification de l’éducation entrepreneuriale en utilisant une plateforme de ludification indépendante, en employant des mécanismes de jeu dans des applications non ludiques, et en intégrant les théories de l’éducation de l’IE12. Les résultats des recherches ont indiqué que les méthodes d’éducation entrepreneuriale ludifiées pourraient améliorer la participation des étudiants et l’auto-efficacité entrepreneuriale. Soomro et al. ont mené une enquête empirique sur l’éducation entrepreneuriale, l’auto-efficacité et l’intention entrepreneuriale auprès d’étudiants d’une université donnée, utilisant une méthode quantitative basée sur les données transversales. Les résultats ont montré que la structure de l’éducation entrepreneuriale a eu un impact positif significatif sur l’auto-efficacité entrepreneuriale et son intentionentrepreneuriale 13. Des chercheurs comme Loi ont proposé un débat sur les hypothèses et les défis de l’éducation entrepreneuriale, intégrant de nouvelles perspectives entrepreneuriales dans les modèles d’enseignement entrepreneuriaux existants. Les résultats des recherches ont indiqué que déterminer les priorités en matière de connaissances était le plus important pour renforcer l’impact de l’éducationentrepreneuriale 14. Pour améliorer la performance de l’éducation en IE dans les écoles, Mao et al. ont construit un modèle d’évaluation de l’éducation IE basé sur des arbres de décision et des algorithmes flous. L’expérience a montré que le modèle avait certaines applications pratiques : évaluer efficacement la qualité de l’enseignement IE au collège et fournir des outils quantitatifs opérables pour optimiser les stratégies d’enseignement de l’IE15. Li et al. ont analysé la nécessité de mener une éducation en IE pour les étudiants universitaires dans le contexte d’Internet. Sur la base de résultats de recherche réels, des stratégies ont été proposées pour promouvoir le développement de l’éducation et de la pratique de l’IE16.
En résumé, la valeur et la fonction de l’éducation en IE résident principalement dans la formation de talents de qualité de base et une personnalité pionnière de l’entrepreneuriat. Sa valeur réside dans un système de valeurs qui prend en compte de manière globale la conscience innovante, la connaissance, la capacité et l’intention, visant à stimuler la passion entrepreneuriale des étudiants, qui est une exigence psychologique. Sur cette base, l’enseignement industriel se concentre sur l’amélioration des capacités entrepreneuriales des étudiants, notamment l’intégration des ressources, le travail d’équipe, etc., et enfin la formation d’intentions entrepreneuriales et leur transformation en actions concrètes. Sur le plan fonctionnel, l’enseignement industriel améliore la capacité des étudiants à relever les défis entrepreneuriaux par la pratique, tels que l’intégration des ressources, le travail d’équipe, etc., afin de favoriser la réalisation du comportement entrepreneurial. Les recherches actuelles sur l’éducation en IE se concentrent principalement sur les caractéristiques théoriques, les rôles et l’analyse empirique, sans résultats pertinents sur les méthodes d’enseignement. Les apprenants peuvent avoir besoin de conseils et d’aide différents, mais les jeux éducatifs ne peuvent pas simuler l’état d’acquisition des connaissances de l’apprenant. Pour résoudre ces problèmes, cette étude vise à identifier les différences d’apprentissage individuelles entre les élèves et propose d’utiliser le raisonnement BN pour obtenir le niveau de maîtrise des connaissances des apprenants en enseignement. De plus, il construit un modèle de jeu d’expérience de décision pour l’éducation en génie industriel des étudiants, basé sur un algorithme amélioré de suivi des connaissances (KT).
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Protocole
Cette étude a été approuvée par le Comité d’éthique de la recherche humaine de l’Université de Shaoxing (Approbation n° SU-2023-IE-058). Tous les participants ont fourni un consentement éclairé écrit avant la collecte des données. L’expérience a été menée conformément à la Déclaration d’Helsinki (2013).
La conception de jeux pour l’expérience décisionnelle de l’éducation en génie industriel pour les étudiants universitaires
La recherche a mis en place un réseau bayésien (BN) pour l’évaluation en temps réel de la maîtrise des connaissances des apprenants. Chaque point de connaissance était modélisé comme un nœud avec des tables de probabilité conditionnelle (CPT) définissant les dépendances. Les données de performance des élèves issues des interactions de jeu ont servi de preuve pour l’inférence probabiliste utilisant la bibliothèque pgmpy (v0.1.20, Python 3.9.7). L’algorithme de l’arbre de jonction a été utilisé pour une inférence efficace.
Sélection des dimensions d’évaluation des jeux de l’éducation en IE des étudiants basée sur le raisonnement BN
Le développement de l’enseignement industriel s’est accompagné d’un approfondissement continu des réformes dans l’enseignement supérieur, et des progrès significatifs ont été réalisés dans ce domaine. Le parcours de recherche de l’innovation dans l’écosystème éducatif de l’IE est la première force motrice du développement et le soutien stratégique à la construction d’un système économiquemoderne 17,18. Cependant, le fonctionnement de l’écosystème indo-indo-européen, tout comme l’écosystème naturel, comporte également de nombreux facteurs influents. La fonction et la valeur fondamentales de l’éducation en IE résident dans la formation d’un grand nombre de talents innovants (un grand nombre de talents de haute qualité dotés d’un esprit d’innovation, d’un système de connaissances et d’une capacité d’action)19. Son objectif et sa valeur fondamentaux comprennent principalement cinq parties, comme montré à la Figure 1, qui sont les fonctions et valeurs de l’éducation en IE.
Figure 1 : Cadre intégré des fonctions fondamentales de l’éducation en IE, de la composition des valeurs et du lien logique interne avec le comportement entrepreneurial.Veuillez cliquer ici pour voir une version agrandie de cette figurine.
La figure 1 illustre les fonctions et valeurs de l’éducation en IE, le cœur étant la conscience entrepreneuriale. La demande entrepreneuriale est la base, fournissant une condition préalable à la formation d’une conscience entrepreneuriale. L’intérêt entrepreneurial est au cœur, poussant les individus à s’intéresser à l’entrepreneuriat. La motivation entrepreneuriale est la force motrice qui propulse la pratique entrepreneuriale. L’entrepreneuriat apportera un soutien pour aider à surmonter les difficultés liées à la création d’une entreprise. La valeur entrepreneuriale est l’objectif ultime, reflétant l’importance de l’éducation entrepreneuriale pour les individus et la société. Tous les éléments interagissent entre eux et soutiennent conjointement le fonctionnement de l’éducationIE 20. L’étude classe l’éducation en IE comme cultivation de la conscience, amélioration des capacités et génération d’intentions. Ils correspondent aux objectifs fondamentaux, principaux et fondamentaux de l’éducation en IE. La conscience entrepreneuriale est divisée en plusieurs niveaux, et cultiver cette prise de conscience est un facteur clé pour atteindre les objectifs de connaissances et de capacités. La connaissance elle-même fait partie de la capacité, donc l’éducation entrepreneuriale devrait se concentrer sur le développement des compétences entrepreneuriales individuelles. L’intention est un maillon crucial dans le développement de la conscience vers le comportement, mais intention et action ne sont pas exactement la mêmechose. Dans l’éducation entrepreneuriale, il est nécessaire de susciter la volonté entrepreneuriale des étudiants, créant ainsi des expériences efficaces et les transformant en comportements. En résumé, l’étude considère la conscience entrepreneuriale, la capacité entrepreneuriale et l’intention entrepreneuriale comme variables intermédiaires entre l’éducation en IE et le comportement entrepreneurial. En prenant la conscience entrepreneuriale, la capacité et la volonté comme variables intermédiaires entre l’éducation en IE et le comportement entrepreneurial, correspondant aux objectifs fondamentaux, principaux et fondamentaux de l’éducation en IE, combiné à l’analyse littéraire et aux ILM, en fixant les indicateurs de mesure de chaque variable (comme l’éducation en IE, y compris la participation aux cours, etc.), puis en construisant cette ILM. Comme montré à la Figure 1, un ILM reliant l’éducation en IE et le comportement entrepreneurial a été construit à des fins de recherche.
Comme le montre la Figure 1, l’effet positif de l’éducation entrepreneuriale sur ses capacités se reflète dans sa capacité à aider les étudiants à maîtriser les compétences de base, à améliorer leur capacité à accumuler et utiliser des ressources, et à surmonter les difficultés en entrepreneuriat. La conscience entrepreneuriale peut jouer un rôle de médiateur entre l’éducation en IE et le comportement entrepreneurial. En tant que préfacteur du comportement entrepreneurial, l’intention entrepreneuriale peut prédire directement la survenue de ce comportement. Cultiver la conscience entrepreneuriale chez les étudiants peut aider les entreprises à acquérir des connaissances entrepreneuriales et à améliorer leurs capacités entrepreneuriales. La théorie des capacités soutient que la capacité est le facteur central qui détermine le comportement, en particulier dans l’enseignement de l’IE, qui met l’accent sur la formation des capacités multidimensionnelles des élèves, y compris l’intégration des ressources, le renforcement d’équipe et la préparationdes fonds 22. Ces compétences influencent directement la performance des étudiants en entrepreneuriat, telles que l’identification des opportunités, la création de relations et la mise en œuvre d’actions. La capacité entrepreneuriale couvre trois dimensions principales : la capacité d’intégration des ressources, qui désigne l’utilisation et l’intégration efficaces des ressources pour soutenir l’entrepreneuriat ; La capacité de construire une équipe fait référence à la capacité de former et de diriger une équipe ; et la préparation du capital, c’est-à-dire la capacité à lever et gérer le capital de démarrage. L’amélioration de ces compétences est la clé pour promouvoir la réussite de l’entrepreneuriat étudiant23.
L’établissement de normes de mesure pour l’éducation entrepreneuriale, le comportement entrepreneurial, la capacité entrepreneuriale, la conscience entrepreneuriale et l’intention entrepreneuriale repose principalement sur l’analyse littéraire et est combiné avec l’ILM de l’éducation en IE. Les indicateurs de la formation entrepreneuriale sont la participation à des cours ou conférences entrepreneuriales (CY1), la participation à la formation aux compétences en éducation entrepreneuriale (CY2) et la participation à des compétitions entrepreneuriales (CY3). Ces indicateurs reflètent directement la participation des étudiants à l’éducation en IE et reflètent les objectifs fondamentaux de la praticité et de l’interaction de l’éducationentrepreneuriale 10. Les indicateurs du comportement entrepreneurial sont l’identification des opportunités (CW1), la construction de relations (CW2) et l’investissement énergétique (CW3). Il s’agit de la mesure liée au comportement entrepreneurial, qui provient principalement des théories comportementales (comme la théorie des compétences) et se concentre sur les caractéristiques d’action individuelles, telles que la saisie des opportunités, la construction du capital social et l’allocationdes ressources 11. Les dimensions de mesure de la capacité entrepreneuriale sont la capacité d’intégration des ressources (CN1), la capacité de team building (CN2) et la capacité de préparation du capital (CN3). Ces dimensions découlent de l’objectif pratique fondamental de l’amélioration des capacités entrepreneuriales, à savoir améliorer la capacité des étudiants à survivre et à se développer dans un véritable environnement entrepreneurial. Les dimensions de mesure de la conscience entrepreneuriale incluent l’attitude comportementale entrepreneuriale (CS1), les normes subjectives entrepreneuriales (CS2) et le contrôle du comportement perceptif entrepreneurial (CS3). La mesure de la conscience entrepreneuriale repose sur la théorie du comportement planifié (TPB) d’Ajzen, qui prend l’attente psychologique individuelle du comportement entrepreneurial comme axed’analyse 13. Les indicateurs de l’intention entrepreneuriale sont le désir entrepreneurial (CW1), la planification de carrière et la pertinence entrepreneuriale (CW2). La mesure de l’intention entrepreneuriale est soutenue par la théorie de l’impact de l’éducation entrepreneuriale sur le choix de carrière, comme la relation entre les normes subjectives et l’intention comportementale.
Dans les activités pédagogiques, le processus consistant à prendre les réponses des élèves comme variables de preuve pour calculer la probabilité a posteriori des variables latentes et observables est le processus de diagnostic du niveau de connaissance des élèves. Le raisonnement BN calcule la probabilité a posteriori, principalement basée sur la structure BN et la distribution de probabilité conditionnelle, et calcule la probabilité de prise de valeur de certains nœuds du réseau sous des conditions de preuvespécifiques 24. Pour un BN avec n variables de nœud, il peut être défini comme une fonction de distribution de probabilité conjointe, comme montré dans l’équation (1)25.
(1)
Où P signifie l’ensemble 
de probabilité conditionnelle de BN. Pour tout nœud 
, il existe un CPT pour représenter la probabilité conditionnelle de 
et son ensemble 
parent de nœuds . 
désignons deux variables aléatoires quelconque, et 
est l’hypothèse, qui constitue 
une preuve. La probabilité a priori est la probabilité 
d’événement 
lorsque est inconnue. La probabilité a posteriori est la probabilité 
de l’événement lorsque est connu. Comme montré dans l’équation (2), il s’agit de l’équationbayésienne 26.
(2)
Le BN peut non seulement obtenir le niveau de maîtrise des connaissances des apprenants en enseignement via les relations publiques, mais reflète aussi graphiquement la structure des connaissances des apprenants. En utilisant la représentation et le raisonnement de la connaissance dans le modèle de domaine, toute connaissance conceptuelle est considérée comme un nœud. Dans les jeux, les nœuds sont utilisés pour définir les niveaux correspondants et fournir des mises à jour dynamiques de BN. Pendant l’apprentissage, le système collectera continuellement les données utilisateur et les mettra à jour sur le réseau. L’algorithme Joint Tree (JT) est actuellement l’algorithme de raisonnement BN le plus utilisé et le plus rapide27. Le processus algorithmique consiste à transformer le BN en une structure quadratique contenant un ensemble d’arêtes dans la clique. Dans le modèle de jeu d’expérience décisionnelle éducative d’IE, l’adaptivité est définie comme la capacité du système à ajuster automatiquement le contenu éducatif, les stratégies et les modes d’interaction en fonction de la performance en temps réel des apprenants, des caractéristiques individuelles et des besoins d’apprentissage. Le chercheur américain Hodhod a divisé le modèle de jeu d’éducation adaptative en domaine, enseignement, modèles de joueurs, et module de moteur adaptatif et de présentation28. Chaque modèle a des fonctions différentes, dont le modèle joueur est celui de l’élève, qui constitue un élément clé des jeux éducatifs pour assurer un soutien adaptatif aux apprenants. Comme montré à la Figure 2, il s’agit du flux d’information du modèle étudiant basé sur l’algorithme JT.
Figure 2 : Architecture unifiée du jeu universitaire d’expérience de prise de décision éducative IE. Flux d’information étudiant piloté par un arbre commun, DKT amélioré avec intégration de fonctionnalités et attention, et éléments centraux intégrés par KT. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Dans la Figure 2, l’étude utilisera BN pour construire des modèles étudiants et utiliser les algorithmes de raisonnement JT pour évaluer l’acquisition des connaissances des étudiants en temps réel. L’algorithme JT s’appuie sur la même version de pgmpy, appelle la méthode to_junction_tree BN (moralize=True, min_fill triangulation) pour générer JT, et utilise les nœuds () pour visualiser les nœuds du cluster. Initialiser le moteur d’inférence avec JunctionTreeInference, entrer les preuves comportementales via la méthode de requête, définir joint=False pour retourner la probabilité a posteriori des points de connaissance IE, et définir tol=1e-6 pour contrôler l’erreur. Ensuite, le modèle statistique est utilisé pour comparer le taux de réponse correcte de l’apprenant avec la valeur seuil fixée, afin de fournir aux élèves un cadre approprié pour les tâches de jeu et un cadre de retour en prompt. La modélisation BN est basée sur pgmpy 0.1.20 (environnement Python 3.9.7). La classe BN est appelée à passer dans la liste des dépendances des nœuds, et les variables latentes/preuves sont marquées avec node_type. Le CPT est initialisé en fonction de l’expérience d’expert en utilisant la classe TabularCPD, puis mis à jour itérativement avec les données de comportement des élèves en utilisant la méthode d’ajustement de BayesianEstimator (dirichlet prior, pseudo_counts=1). La relation causale est vérifiée par do_calculus de CausalInference, et l’information mutuelle est calculée (plus de 0,3 indique une forte dépendance) afin d’assurer une structure raisonnable.
Conception d’un modèle de jeu d’expérience décisionnelle pour l’éducation en génie industriel destiné aux étudiants universitaires, intégrant des algorithmes KT améliorés
Bien que le criblage des caractéristiques des dimensions d’évaluation éducative des jeux IE soit réalisé par le raisonnement BN, qui peut identifier dynamiquement les points faibles des connaissances des élèves, BN se concentre uniquement sur le diagnostic de l’état actuel des connaissances et ne peut pas suivre le processus de changement dynamique de la maîtrise des connaissances des élèves. Il est également difficile de prédire avec précision les besoins d’apprentissage ultérieurs, et il ne peut pas soutenir l’adaptation dynamique du modèle de jeu aux stratégies pédagogiques. Il est donc nécessaire d’intégrer et d’améliorer l’algorithme KT, et en tirant parti de son intégration de fonctionnalités et de l’AM, d’obtenir un suivi en temps réel et une prédiction de la structure des connaissances des élèves. Le modèle étudiant est un module qui surveille les informations des étudiants, et ses recherches ont d’abord été publiées dans l’Intelligent Tutoring System (ITS)29. En ITS, suivre les changements dynamiques dans les états de connaissance des élèves est particulièrement important, car cela peut aider le modèle à mieux orienter les élèves dans l’apprentissage des connaissances. L’idée de suivre la structure des connaissances des élèves dans les jeux provient des systèmes de diagnostic d’apprentissage passés et des jeux d’éducationadaptative 30. Le modèle DKT s’est avéré être un modèle KT efficace, plus adapté aux scénarios d’évaluation à grande échelle de données utilisateur. Le modèle DKT est basé sur TensorFlow 2.8.0 (Python 3.9.7, GPU supporte CUDA 11.2). Les données sont traitées à l’aide de pandas, LabelEncoder et numpy, puis combinées en tenseurs 3D de [taille d’échantillon, 30,8]. Construire l’architecture avec Séquentielle, incluant Input (30,8), Dense (64,relu), LSTM (128,return_sequences=Vrai) et Dense (points de connaissance, sigmoïde) ; Optimisez avec Adam (lr=0,001), prenez BinaryCrossentropy comme fonction de perte, définissez les métriques de précision et AUC, effectuez 50 tours d’entraînement (batch=32), et stockez le poids optimal au ModelCheckpoint. Ce modèle DKT amélioré est construit sur la base de TensorFlow 2.8.0 (Python 3.9.7, supportant CUDA 11.2). Premièrement, grâce à l’intégration de fonctionnalités, les caractéristiques comportementales telles que le nombre d’élèves répondant aux questions, le comportement de recherche d’aide et le nombre de demandes de questions sont reliées avec les résultats des réponses, et codées en combinaison avec le coefficient de difficulté de la question (nombre de réponses incorrectes/nombre total de questions répondues). Ensuite, connectez toutes les caractéristiques encodées pour construire un vecteur et utilisez l’autoencodeur (activé par tanh) pour la réduction de dimensionnalité en entrée. Ensuite, un mécanisme d’attention est introduit entre le LSTM et la couche de sortie du DKT. La classe AttentionLayer est définie. Tf.Matmul est utilisé pour calculer les poids, et softmax est utilisé pour la normalisation afin de générer des caractéristiques pondérées. 128 poids sont réglés et un Dropout(0.2) est ajouté pour éviter le surmontage. Avec l’optimisation d’Adam (lr=0,001) et l’entropie croisée comme fonction de perte pour 50 tours d’entraînement, le suivi et la prédiction de la maîtrise des connaissances des élèves ont été réalisés. L’étude propose un modèle DKT amélioré qui enrichit les données d’entrée du modèle grâce à l’intégration de caractéristiques et introduit les AM, comme montré à la Figure 2.
Dans la Figure 2, grâce à la capacité du modèle DKT à capturer des caractéristiques complexes dans les données, l’intégration de caractéristiques peut être utilisée pour enrichir les données d’entrée du modèle, améliorant ainsi la performance du modèle. Le dernier état caché de la mémoire à court terme (LSTM) est l’état d’apprentissage caché des élèves au momentactuel 31. Une fois le temps écoulé, le LSTM peut entraîner la perte de certaines informations importantes. L’étude introduit l’AM, qui pondère et agrège toutes les informations historiques afin de réduire la perte d’informations importantes. Les caractéristiques du comportement de réponse et des coefficients de difficulté des élèves sont intégrées dans l’information d’entrée originale, devenant ainsi une séquence 
d’interaction historique plus significative. La séquence d’interaction historique d’entrée de ce modèle est 
, et la sortie est le vecteur de probabilité qui prédit correctement les réponses des élèves aux questions correspondantes des points de connaissance. L’étude propose de combiner le nombre de fois où les élèves essaient de répondre aux questions, s’ils demandent de l’aide pendant le processus de réponse, et le nombre de fois où ils demandent des questions dans une nouvelle fonctionnalité du modèle éducatif de jeu, et de les croiser avec les résultats de la réponse, comme montré dans l’équation (3).
(3)
Dans l’équation (3), 
désigne les caractéristiques comportementales des élèves répondant aux questions ; 
indique le nombre de fois où les élèves répondent à des questions à ce 
moment-là ; 
désigne la demande d’aide ; 
indique le nombre de questions ; 
fait référence au résultat de la réponse. L’expression du coefficient de difficulté de la question est illustrée dans l’équation (4).
(4)
Dans l’équation (4 
), cela représente le nombre de personnes ayant mal répondu à la question 
, et 
représente le nombre total de personnes ayant répondu correctement 
. Pour améliorer la précision du modèle, toutes les caractéristiques encodées obtenues sont connectées, et la construction vectorielle est illustrée dans l’équation (5).
(5)
Dans l’équation (5), 
signifie le nombre de points de connaissance ; 
fait référence au coefficient de difficulté du problème ; 
signifie la combinaison de caractéristiques ; 
signifie format d’encodage ; 
signifie connexion. Entraînez l’encodeur automatique avec la fonction d’activation tanh et retirez la couche de sortie après l’achèvement. Ensuite, il utilise la sortie de la couche cachée comme entrée dans le modèle DKT-FA, comme montré dans l’équation (6).
(6)
Dans l’équation (6), 
sont respectivement la matrice de poids apprise et le vecteur de polarisation. L’étude combine la MA avec un réseau LSTM afin de permettre au modèle de prêter plus d’attention aux séquences de réponses présentant des caractéristiques comportementales similaires et des difficultés en pratique. L’AM est intégré entre les couches LSTM et de sortie du DKT. Une classe personnalisée AttentionLayer est définie, et tf.matmul est utilisé pour calculer les poids, et softmax est utilisé pour la normalisation afin de générer des caractéristiques pondérées. 128 poids ont été fixés pour préserver les droits, Dropout (0,2) a été ajouté pour éviter le sur-ajustement, l’optimisation synchrone a été réalisée par rétropropagation, et des poids ont été extraits via get_weights() pour analyser l’impact des comportements clés. Lorsque la variable 
attention est sélectionnée, elle indique que le numéro de réponse est sélectionné. Comme montré dans l’équation (7), il calcule la probabilité de l’information en utilisant le code d’information d’ordre historique et le code d’information final.
(7)
Dans l’équation (7), le facteur 
de poids détermine le contenu auquel il faut prêter attention ou ignorer lors de la prédiction. L’étude utilise un modèle additif de la fonction 
de score d’attention pour calculer son score, comme montré dans l’équation (8).
(8)
Dans l’équation (8), 
signifie l’encodage d’informations de séquence historiques à partir de la compression des données ; signifie l’encodage par réduction de dimensionnalité des informations d’entrée au 
moment. 
est un paramètre réseau du Département des Sciences. L’état 
d’attention est noté la somme pondérée de 
, et son expression de calcul est indiquée dans l’équation (9).
(9)
Dans l’équation (12), en combinant avec 
, la probabilité que les élèves maîtrisent tous les points de connaissance est calculée et exprimée comme montré dans l’équation (10).
(10)
En apprentissage automatique, l’entropie croisée peut être utilisée pour mesurer la différence entre le marquage réel et les résultats prédits. Par conséquent, elle est considérée comme la fonction de perte du modèle DKT-FA, comme montré dans l’équation(11).
(11)
Dans l’équation (11), 
et 
indiquent respectivement les distributions de probabilité prédite et vraie. Il suppose 
qu’est 1 unité de connaissance, y compris 
les points de connaissance. Et si la probabilité d’utiliser le point 
de connaissance est 
, alors la maîtrise du point de connaissance par les élèves est montrée dans l’équation (12).
(12)
Dans l’équation (12), 
signifie le taux d’erreur de l’apprenant sur le point de connaissance ; 
fait référence à la probabilité de la survenue de points de connaissance. Étudiez l’importance de l’utiliser comme point de connaissance. Pour classer la plage de valeurs dans la plage de 0 à 0,5, 
elle est divisée en deux parties. Dans des scénarios de jeu complexes et riches, les apprenants peuvent réaliser une reconstruction personnalisée et significative des méthodes d’apprentissage. Lors de la construction de modèles de jeux éducatifs, les principes correspondants doivent également être suivis. Tout d’abord, le principe de subjectivité de l’apprenant doit être suivi. Il est nécessaire de prendre pleinement en compte les caractéristiques individuelles des apprenants afin qu’ils puissent vivre une expérience de jeu à la hauteur de leurs propres capacités pendant le processus de jeu. Deuxièmement, il est nécessaire de suivre le principe de la conscience situationnelle, c’est-à-dire concevoir un environnement de jeu plus réaliste pour stimuler l’enthousiasme des apprenants. Enfin, il est nécessaire de suivre le principe d’équilibre entre conception de jeux et conception pédagogique. Sur la base des principes ci-dessus, elle étudie les éléments clés de l’éducation et des jeux intégrés en IE, et construit un modèle de décision pour l’éducation IE, comme le montre la Figure 2.
Dans la Figure 2, le modèle prend le scénario comme aspect fondamental de l’éducation en IE, et le jeu lui-même est divisé en modèles d’élève, d’enseignant et de connaissances. En combinant des idées de conception pédagogique, il construit davantage l’intrigue, les activités, les tâches et les éléments clés du jeu. Une activité périodique qui combine les quatre aspects de l’environnement, du savoir, de l’émotion et de l’action dans l’éducation entrepreneuriale. Le modèle de connaissances est principalement utilisé pour stocker et lister les connaissances dans l’éducation. Le modèle élève est combiné au modèle enseignant pour permettre un apprentissage personnalisé des connaissances. Il nécessite une conception détaillée supplémentaire de l’intrigue du jeu, des activités, des tâches, etc., afin d’équilibrer les aspects éducatifs et de gameplay du modèle de jeu. Simultanément, elle met en œuvre les connaissances IE contenues à la fois dans des scénarios virtuels et perceptifs, intériorise l’apprentissage fondé sur la connaissance dans la promotion de comportements d’éducation entrepreneuriale corrects. Le module intégré à la fonctionnalité de la Figure 2 génère l’état d’apprentissage et le mappe dynamiquement à l’interface en analysant les données de comportement de l’élève (telles que le nombre de réponses, la fréquence d’aide, le taux de correction, etc.) afin de générer la scène de tâche adaptée à son stade. Ces scénarios incluent l’entrepreneuriat virtuel, la résolution de problèmes ou des simulations de travail d’équipe conçues pour améliorer l’expérience d’apprentissage. Le design combine un modèle de connaissances, un modèle d’enseignement et une motivation émotionnelle pour transformer les objectifs éducatifs en situations de jeu. Le modèle Enseignant complète le modèle de l’élève afin d’obtenir un apprentissage efficace et personnalisé grâce à un graphe de connaissances et à l’analyse des données. Basé sur une analyse de fond, le modèle Enseignant offre un accompagnement pédagogique personnalisé aux élèves et guide la conception des tâches de jeu ainsi que les mécanismes de retour. Les jeux ajustent dynamiquement les tâches et la difficulté en fonction des performances des élèves en temps réel, améliorant l’adaptabilité et consolidant les connaissances. L’apprentissage en jeu et l’expérience de prise de décision se traduisent en une éducation entrepreneuriale concrète grâce à des retours. Comme montré à la Figure 2, l’étude s’appuie sur l’ancien chercheur américain Hodhod, qui a divisé le modèle de jeu d’éducation adaptative en domaine, enseignement, modèles de joueur et moteur adaptatif ainsi que modulede présentation 9, et, basé sur des principes de construction de modèles, construit un modèle de jeu d’expérience décisionnelle en éducation IE pour étudiants universitaires qui intègre des algorithmes KT améliorés.
Dans la Figure 2, le modèle global se compose de deux parties : l’interface de présentation du jeu et la base de données backend. L’interface de présentation du jeu contrôle la présentation du son, des graphismes, de l’interaction et d’autres effets du jeu, et fonctionne en conjonction avec la base de données pour présenter le jeu. La base de données en arrière-plan est composée de trois parties : les modèles domaine, enseignant et élève, utilisant le module composant ITS comme référence, afin de réaliser conjointement la fonction de jeu. Les points de connaissance sélectionnés en IE sont représentés par un réseau de cadre. La conception et la construction de modèles pédagogiques et de structures fonctionnelles sont les prérequis et garantis pour la conception et le développement de la production ultérieure de l’enseignement du jeu. Sous la direction des objectifs de recherche et des fondements théoriques, le modèle de structure fonctionnelle de ce jeu clarifie les relations entre différents modules et les intègre dans un modèle de structure fonctionnelle.
Démographie des participants et échantillonnage
Des données démographiques détaillées des patients se trouvent dans le tableau 1. Formule de taille de l’échantillon (G*Power 3.1.9.7) : Taille d’effet f = 0,25 (moyenne), α = 0,05, puissance = 0,90, groupes = 3 puis n ≥ 159, Recrutement réel : 305 (10 % d’attrition autorisée). Pour les réplications futures, nous recommandons un échantillon minimum de 200 participants (10 % d’attrition attendue) afin de maintenir la puissance statistique ≥ 0,90 à une taille d’effet moyenne f = 0,25 (G*Power 3.1.9.7, trois groupes, α = 0,05). Si des analyses de modération supplémentaires (par exemple, genre x groupe) sont prévues, augmentez à 270 pour garantir la taille des cellules ≥ 45.
| Terrain | Exemple d’entrée | Critères d’inclusion | Critères d’exclusion |
| StudentID | S001 | Études de premier cycle à temps plein | A suivi ≥ cours d’IE |
| Âge | 19 | 18-25 ans | Zone extérieure |
| Genre | F | Auto-identifié | Refuser de signaler |
| Majeur | Affaires | Toute discipline | Formation continue hors diplôme |
| Recrutement | Email du campus | Stratifié aléatoirement | Déjà participé |
Tableau 1 : Démographie des patients.
Pour garantir des métriques d’IA reproductibles, effectuez trois entraînements indépendants avec différentes graines aléatoires (42, 2023, 1024). Déclarer la moyenne et l’IC à 95 % de l’AUC, F1 et RMSE ; toute largeur de CI > 5 % de la moyenne déclenche deux passages supplémentaires jusqu’à ce que la stabilité soit atteinte.
Initialisation CPT
Cinq experts en éducation industrielle (≥ 5 ans d’enseignement universitaire, ≥ 3 projets entrepreneuriaux encadrés) ont été recrutés par échantillonnage intentionnel à l’Université de Shaoxing et à l’Université Wenzhou-Kean. Identifiant d’approbation du comité d’experts : SU-IE-2023-00. Sélection d’experts : Objet : [Panel d’experts] Élicitation CPT pour le réseau bayésien IE. Les critères d’éligibilité étaient ≥ enseignement universitaire de 5 ans en IE, ≥ 3 start-ups réelles d’étudiants, et la volonté de participer à des sessions Delphi en ligne de 2 heures sur 2 heures.
Modèle initial CPT
Les critères suivants ont été fixés et les instructions suivantes ont été utilisées.
| Nœud | Parent = maîtrisé ? | P(correct|parent) | Prieur |
| T1_opportunity | VRAI | 0.85 | 0.30 |
| T1_opportunity | FAUX | 0.30 | / |
| CN1_resource | / | / | 0.30 |
Instruction de mise à jour d’itération (ligne unique 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)
Pseudocode d’intégration Unity - 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)
Schéma minimum exécutable complet (copie pour un bon fonctionnement) :
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 Unity C# Send (attaché à GameObject vide)
```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);
}
}
}
```
Difficulté adaptative et déclencheurs de retour à l’information
Les détails du seuil sont fournis dans le tableau 2, et la logique de déclenchement est donnée ci-dessous.
Copiez et utilisez la configuration JSON (enregistrer sous 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 lit le code :
```csharp
TextAsset cfg = Resources.Load("adaptive_config");
JsonUtility.FromJson(cfg.text);
```
| Probabilité a posteriori | Ajustement de la difficulté | Message de rétroaction |
| <0.3 | -1 niveau | Il est suggéré de revoir les points de connaissance de l’intégration des ressources. |
| 0.3-0.7 | Restez inchangés | « Continue |
| > 0,7 | +1 niveau | « Débloquer des tâches de haute difficulté |
Tableau 2 : Table de seuils et logique de déclenchement.
Paramètres de dépannage et de réplication
Les défauts courants rencontrés et les solutions au niveau de la réplication sont donnés dans le Tableau 3. Si la console Unity restitue toujours 404 après la sortie du pare-feu, exécutez la liste de contrôle suivante : (1) Remplacer localhost par IPv4 exact : dans Unity > Logger.cs changer http://localhost:5000/log en http://192.168.x.x:5000/log (exécuter ipconfig sous Windows pour obtenir l’adresse) ; (2) Activer CORS dans Flask : après application = Flask(__name__) ajouter cors = CORS(app, resources={r"/* » :{"origins » :"*"}}) ; (3) Vérifier l’occupation portuaire : netstat -ano | trouver 5000 points, éliminer les PID conflictuels ; (4) Ajouter un battement de cœur de 3 secondes : InvokeRepeating(« SendHeartbeat », 0, 3) dans Unity pour maintenir le socket en vie. Les étapes ci-dessus sont scriptées dans troubleshoot_up_comm.sh (Unix) et troubleshoot_up_comm.ps1 (Windows) fournies dans le dossier /utils du dépôt GitHub.
| Caractéristiques | Dimension | CITC | α après avoir supprimé l’élément | α sous-échelle | Programme total α |
| Éducation à l’entrepreneuriat | CY1 | 0.68 | 0.848 | 0.872 | 0.956 |
| CY2 | 0.72 | 0.841 | |||
| CY3 | 0.66 | 0.854 | |||
| Capacité entrepreneuriale | CN1 | 0.7 | 0.826 | 0.859 | |
| CN2 | 0.69 | 0.828 | |||
| CN3 | 0.68 | 0.834 | |||
| Conscience entrepreneuriale | CS1 | 0.68 | 0.852 | 0.878 | |
| CS2 | 0.66 | 0.865 | |||
| CS3 | 0.7 | 0.854 | |||
| Intention entrepreneuriale | CX1 | 0.73 | 0.795 | 0.877 | |
| CX2 | 0.66 | 0.845 | |||
| CX3 | 0.77 | 0.789 | |||
| Comportement entrepreneurial | CW1 | 0.76 | 0.776 | 0.909 | |
| CW2 | 0.71 | 0.823 |
Tableau 3 : Défauts courants rencontrés et solutions au niveau de la réplication.
Partage de code et de données :
Jeu de données démo (n = 50, anonymisé) contenant 14 caractéristiques comportementales et 10 IE
Knowledge Nodes est disponible sur https://doi.org/10.5281/zenodo.123456
Nom du fichier : IE_Game_Demo.csv
En-têtes : StudentID, TaskID, Correct, HelpSeeking, Attempts, Difficulty, CN1, CS1, CW1, CY1, CY2, CY3, T1, I1
Taille : 50 lignes × 14 colonnes (~12 Ko)
Format : UTF-8 CSV, aucune valeur manquante, conforme à la norme de désidentification RGPD (nom, email, IP supprimés).
Seuil de cohérence interne : Cronbach α ≥ 0,80 ; La corrélation totale des items ≥ 0,40. Seuils de validité : KMO ≥ 0,70, Bartlett p < 0,001, AVE ≥ 0,50, CR ≥ 0,70, charge factorielle ≥ 0,75. Seuil de performance modèle : ensemble test AUC ≥ 0,85, F1 ≥ 0,85, RMSE ≤ 0,20. Toute métrique inférieure à ces valeurs signale une révision du protocole.
Pour supprimer le surapprentissage dans le modèle amélioré DKT-FA, nous avons appliqué une triple garde de sécurité : (1) Augmentation des données : faire glisser une fenêtre de 50 étapes le long de la séquence de l’étudiant pour générer 5 fois plus de sous-séquences. (2) Régularisation : pénalité de poids L2 1 x 10-5 sur tous les grains denses et les grains récurrents. (3) Arrêt précoce : surveiller la validation de l’AUC, arrêter l’entraînement s’il n’y a pas de gain > 0,001 pendant 5 époques consécutives.
Conception expérimentale pour les résultats d’apprentissage et l’adaptabilité
Pour tester l’effet modérateur de genre, des variables de genre et des scores sur l’échelle de jeu en 14 dimensions ont été collectés à la 8e semaine de l’expérience, et le test t par échantillon indépendant a été utilisé pour comparer les différences entre hommes et femmes. Par contre, des évaluations subjectives telles que l’immersion dans le jeu et le réalisme de la scène ont été collectées à l’aide de l’échelle de cinq points de Likert, et les différences de pourcentage d’aptitude ainsi que les changements de notes du groupe non-jeu (Groupe A, n = 100), du groupe de jeu non adaptatif (Groupe B, n = 105) et du groupe de jeu adaptatif (Groupe C, n = 105) sous la même difficulté croissante que les cours IE ont été enregistrés. Toutes les données ont été testées pour leur signification par SPSS 25.0 afin de vérifier l’universalité du modèle pour différents genres et formes d’enseignement.
Cette étude a conçu une expérience contrôlée pour vérifier les résultats d’apprentissage et l’adaptabilité. Les participants ont été répartis en trois groupes : le groupe A (contrôle non jeu) ne recevait que l’enseignement traditionnel en classe ; Le groupe B (contrôle de jeu non adaptatif) combinait l’enseignement traditionnel avec des jeux IE non adaptatifs ; Le groupe C (groupe expérimental) utilisait l’enseignement traditionnel ainsi que le jeu adaptatif IE décision-expérience (intégrant BN+DKT-FA). L’expérience de 8 semaines comprenait 1 semaine de préparation (regroupement : 105 dans le groupe C, 100 dans le groupe A/B ; pré-test de l’attitude entrepreneuriale/auto-efficacité ; débogage du système de jeu), 6 semaines d’intervention (2 cours h/semaine, 45 min/h, correspondance du suivi régulier du cours d’IE), et 1 semaine de post-test. Pour la vérification généralisée, des données d’interaction supplémentaires ont été collectées auprès de l’Université A (science-ingénierie, 120 ensembles), de l’Université B (complète, 110 ensembles) et de l’Université C (arts libéraux, 90 ensembles) afin de tester la robustesse du modèle à travers les disciplines.
La réplication du modèle de jeu d’expérience décisionnelle IE implique six étapes principales : travail préparatoire, construction de l’évaluation de l’état des connaissances BN, développement d’un modèle DKT amélioré, intégration des systèmes de jeu, conception expérimentale et collecte de données, et validation du modèle. Celles-ci sont décrites dans les paragraphes suivants.
Au stade précoce, les dimensions et indicateurs clés de l’éducation en IE sont clairement définis, incluant trois variables intermédiaires : la conscience entrepreneuriale, la capacité et la volonté, ainsi que leurs indicateurs de mesure correspondants. Les données démographiques des élèves et de l’IE sont collectées par questionnaire et les données sur les comportements d’apprentissage sont enregistrées via des scénarios simulés.
Dans la construction BN, les nœuds des points de connaissance IE (variables latentes) et des comportements des élèves (variables de preuve) sont définis. La relation logique entre les nœuds est déterminée à partir d’entretiens d’experts et de l’intrigue. Les valeurs initiales du CPT sont fixées selon l’expérience des experts. Les données sur le comportement des élèves sont itérativement ajustées et transformées en JT par moralisation et triangulation. Les preuves de comportement d’entrée utilisent pgmpy 0.1.20 (sans RRID officiel public disponible) pour calculer la probabilité a posteriori et identifier les points faibles de connaissance avec une probabilité a posteriori <0,5.
Lors de l’amélioration du développement du modèle DKT, l’ingénierie des caractéristiques est réalisée sur les données, en encodant les caractéristiques comportementales, en calculant les coefficients de difficulté des tâches, puis en les combinant en vecteurs pour construire une série temporelle. Une architecture incluant l’intégration de fonctionnalités, le LSTM, l’AM et la couche de sortie est établie. L’entraînement est réalisé avec l’entropie croisée comme fonction de perte et l’optimiseur Adam, avec un taux d’apprentissage de 0,001.
L’intégration des systèmes de jeux utilise l’API C# de Unity pour transférer en temps réel les données de comportement du jeu vers Python 3.9.7 (RRID :). Le back-end de SCR_008394 utilise d’abord BN pour calculer la probabilité postérieure de maîtrise des connaissances, puis utilise le modèle DKT pour prédire les points faibles, générer des retours personnalisés et ajuster la difficulté. Dans Unity 2021.3.8f1(RRID : SCR_018230), trois types de scénarios IE sont conçus pour déclencher des tâches ciblées, ou la difficulté est ajustée en fonction des résultats BN/DKT.
Trois groupes sont mis en place dans l’expérience : comparant les performances de DKT-FA et du modèle classique KT, vérifiant la nécessité des composants DKT-FA, testant les effets éducatifs des groupes non-jeu, non adaptatif et adapté, et collectant des données pertinentes ; Validation du modèle : scikit-learn 1.0.2(RRID : SCR_002577) est utilisé pour calculer les indicateurs de l’Expérience 1, analyser les données de l’Expérience 2, et SPSS 25.0 (RRID : SCR_002815) est utilisé pour effectuer des tests ANOVA et t sur les données de l’Expérience 3, tout en testant simultanément la fiabilité et la validité de l’échelle.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Résultats
L’expérience était basée sur l’échelle d’évaluation des jeux éducatifs de Karen et Hodhod, et les dimensions et items d’évaluation appropriés ont été organisés et sélectionnés pour ajustement. L’échelle de Karen et Hodgod jouit d’une grande autorité et d’une grande applicabilité dans le domaine des jeux éducatifs, couvrant plusieurs dimensions clés des jeux éducatifs, telles que le gameplay, le côté pédagogique, l’interactivité, etc. En introduisant et en adaptant cette échelle, il peut ...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Discussion
Le succès du modèle de jeu d’expérience décisionnelle IE universitaire repose sur des étapes critiques du protocole, notamment l’intégration du raisonnement BN pour le diagnostic en temps réel des connaissances et l’intégration de fonctionnalités et les AMs améliorés du modèle Deep Knowledge Tracing (DKT-FA). L’initialisation précise du CPT de BN — fondée sur des entretiens d’experts et mise à jour itérative avec des données sur le comportement des élèves — a permis une identification pr...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Déclarations de divulgation
Il n’y a pas d’intérêts financiers concurrents dans cet article.
Remerciements
La recherche est soutenue par : le cours de démonstration idéologique et politique « 14e plan quinquennal » de la province du Zhejiang (sous la subvention n° 181) ; Fonds des Sciences Humaines et Sociales du Ministère de l’Éducation (sous la subvention n° 23YJC630256).
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Matériaux
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| Adam | Intégré à TensorFlow 2.8.0 | Taux d’apprentissage 0,001 | |
| Entropie binaire | Intégré à TensorFlow 2.8.0 | Paramètres par défaut | |
| C# | Unity 2021.3.8f1 version par défaut | Appelé via l’API Unity C# | |
| CUDA | 11.2 | Il est compatible avec TensorFlow 2.8.0 | |
| Arbre de l’Articulation (JT) | PGMPY 0.1.20 est implémenté | moralize=Vrai, triangulation min-fill | |
| LabelEncoder | Intégré à scikit-learn 1.0.2 | Partagé avec scikit-learn | |
| PointContrôleModèle | Rappel TensorFlow 2.8.0 | Basé sur l’ensemble de validation AUC | |
| NumPy | Non spécifié (la dernière version stable est acceptée) | Environnement Python 3.9.7 | |
| Pandas | Non spécifié (la dernière version stable est acceptée) | Environnement Python 3.9.7 | |
| PGMPY | 0.1.20 | Environnement Python 3.9.7 | |
| Python | 3.9.7 | Un environnement d’exploitation unifié en arrière-plan | |
| scikit-learn | 1.0.2 | RRID : SCR_002577 | |
| SPSS | 25 | RRID : SCR_002815 | |
| TensorFlow | 2.8.0 | La version GPU nécessite le support CUDA 11.2 | |
| Unité | 2021.3.8 F1 | RRID : SCR_018230 |
Références
- López-Fernández, D., Gordillo, A., Alarcón, P. P., Tovar, E. Comparing traditional teaching and game-based learning using teacher-authored games on computer science education. IEEE Trans Educ. 64 (4), 367-373 (2021).
- Yu, Z., Gao, M., Wang, L. The effect of educational games on learning outcomes, student motivation, engagement and satisfaction. J Educ Comput Res. 59 (3), 522-546 (2021).
- Hartmann, A., Gommer, L. To play or not to play: on the motivational effects of games in engineering education. Eur J Eng Educ. 46 (3), 319-343 (2021).
- Li, M., Zhang, R., Liu, K. Evolving a Bayesian network model with information flow for time series interpolation of multiple ocean variables. Acta Oceanol. Sin. 40 (7), 249-262 (2021).
- Jiang, S., Huang, X., Sung, S. H., Xie, C. Learning analytics for assessing hands-on laboratory skills in science classrooms using Bayesian network analysis. Res Sci Edu. 53 (2), 425-444 (2023).
- Gao, Q., Wei, Y. Understanding the cultivation mechanism for mental health education of college students in campus culture construction from the perspective of deep learning. Curr Psychol. 43 (2), 1715-1732 (2024).
- Mahmood, T., Ali, Z. Prioritized Muirhead mean aggregation operators under the complex single-valued neutrosophic settings and their application in multi-attribute decision-making. J Comput Cogn Eng. 1 (2), 56-73 (2022).
- Liu, Q., et al. EKT: Exercise-Aware Knowledge Tracing for Student Performance Prediction. IEEE Trans KnowlData Eng. 33 (1), 100-115 (2021).
- Shute, V., et al. Maximizing learning without sacrificing the fun: Stealth assessment, adaptivity and learning supports in educational games. J Comput Assist Learn. 37 (1), 127-141 (2021).
- Chen, J., et al. The effect of mobile business simulation games in entrepreneurship education: a quasi-experiment. Libr Hi Tech. 41 (5), 1333-1356 (2023).
- Shi, A., Wang, Y., Ding, N. The effect of game-based immersive virtual reality learning environment on learning outcomes: designing an intrinsic integrated educational game for pre-class learning. Interact. Learn. Environ. 30 (4), 721-734 (2022).
- Isabelle, D. A. Gamification of Entrepreneurship Education. Decis Sci J Innov Educ. 18 (2), 203-223 (2020).
- Soomro, B. A., Shah, N. Entrepreneurship education, entrepreneurial self-efficacy, need for achievement and entrepreneurial intention among commerce students in Pakistan. Educ Train. 64 (1), 107-125 (2022).
- Loi, M., Fayolle, A., Gelderen, M. V. Entrepreneurship Education at the Crossroads: Challenging Taken-for-Granted Assumptions and Opening New Perspectives. J Manag Inq. 31 (2), 123-134 (2022).
- Mao, L., Zhang, W. Analysis of entrepreneurship education in colleges and based on improved decision tree algorithm and fuzzy mathematics. J. Intell Fuzzy Syst. 40 (2), 2095-2107 (2021).
- Li, H., Jiao, L. Research on Innovation and Entrepreneurship Education and practice in Shandong Province based on the Internet. J Phys Conf Ser. 1744 (3), 32092-32098 (2021).
- Gunn, M. Multi-disciplined ecosystem-centric bioentrepreneurship education: Case study - University of San Francisco (USF). J CommerBiotechnol. 26 (1), 83-92 (2021).
- Arruti, A., Castro, J. P. Innovation and entrepreneurship in education, irreconcilable differences? A first approach through Spanish expert judgment. Int J Innov Sci. 13 (3), 299-313 (2021).
- Fu, X., Luan, R., Wu, H. H., Zhu, W., Pang, J. Ambidextrous balance and channel innovation ability in Chinese business circles: The mediating effect of knowledge inertia and guanxi. Ind. Mark. Manag. 93 (1), 63-73 (2021).
- Cantwell, E. Fostering a culture of innovation and an entrepreneurial spirit at the university of Arizona. Tech Innovat. 22 (4), 477-483 (2023).
- Kumar, S., Mahakur, V. K., Bhowmik, S. Potential utilization of natural solid waste found in the northeast India for development of polymeric composites: process, properties, challenges, and applications: a review. J Mater Cycles Waste Man. 26 (4), 1979-1996 (2024).
- Ardi, Z., et al. Enhancing entrepreneurial intention through curriculum, risk awareness, optimism and opportunities: the mediating and moderating roles of entrepreneur inspiration and support. J Social Econ Dev. 27 (1), 352-371 (2025).
- Li, F., Zhang, S. Policy orientation, knowledge dynamic ability and green innovation: A mediation model based on China provincial panel data. Zb RadEkon Fak Rij. 39 (1), 9-37 (2021).
- Martins, I., Perez, J. P. P., Osorio, D., Mesa, J. Serious games in entrepreneurship education: a learner satisfaction and theory of planned behaviour approaches. J Entrep. 32 (1), 157-181 (2023).
- Zhen, T., Shi, B., Lin, M., Zhou, Y., Jin, L. Distributed Fusion Target Tracking Based on Variational Bayes. Acta Electron. Sin. 50 (5), 1058-1065 (2022).
- Thottoli, M. M., Cruz, M. E., Al Abri, S. S. S. The incubation revolution: transforming entrepreneurial education with artificial intelligence. Asia Pac J Innov Entrep. 19 (1), 2-23 (2025).
- Keogh, B., Hardwick, T. Creative, technical, entrepreneurial: formative tensions in game development higher education. Games Cult. 19 (6), 804-826 (2024).
- Pai, K. C., Kuo, B. C., Liao, C. H. An application of Chinese dialogue-based intelligent tutoring system in remedial instruction for mathematics learning. Educ. Psychol. 41 (2), 137-152 (2021).
- Fawzi, A., Un, A. M. Analysis Of Caring Clinical Supervisors On The Adaptation Of Practicing Students In The Hospital TK IV DKT Kediri City. JHealth Sci. 5 (4), 318-328 (2025).
- Wang, Z., Si, Y., Chu, H. Daily Streamflow Prediction and Uncertainty Using a Long Short-Term Memory (LSTM) Network Coupled with Bootstrap. Water ResourManag. 36 (12), 4575-4590 (2022).
- Weber, C. K., et al. The five-point Likert scale for dyspnea can properly assess the degree of pulmonary congestion and predict adverse events in heart failure outpatients. Clinics. 69 (5), 341-346 (2014).
- Chen, S., et al. Microstructure and electrical properties of supersonic plasma sprayed BKT-doped BNT coatings. Ceramics Int. 51 (10), 12517-12524 (2025).
- Wegner, Z. D., Methfessel, I., Sartorius, A. ECT in cases of lacking capacity to consent. InFo Neurologie Psychiatrie. 25 (11), 44-49 (2023).
- Zavvar, E., Santos, R. P., Pinto, T. F. Parameter correlations of multi-planar DKT-joint under axial loadings. Ocean Eng Marine Ener. 11 (1), 1-23 (2024).
- Zhang, H., et al. Enhanced Dynamic Key-Value Memory Networks for Personalized Student Modeling and Learning Ability Classification. Cognitive Computat. 16 (6), 2878-2901 (2024).
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.