עיצוב משחקים חינוכיים לטיפוח חוויית החלטה בתוכניות חדשנות ויזמות במכללות

Shiqi Shen; Haoze Wu; Guoqi Lin; Lei Wu

doi:10.3791/69269

הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר מחקר

עיצוב משחקים חינוכיים לטיפוח חוויית החלטה בתוכניות חדשנות ויזמות במכללות

457 צפיות

⸱

DOI:

10.3791/69269

⸱

16 בדצמבר 2025

Shiqi Shen¹ , Haoze Wu² , Guoqi Lin³ , Lei Wu⁴

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

במאמר זה

סיכום

מחקר זה מציע מודל מבוסס משחק המשתמש ברשתות בייסיאניות לשיפור חינוך לחדשנות ויזמות, לשפר את מעקב הידע, התלהבות הלמידה והיכולת להסתגל. התוצאות מראות דיוק גבוה (95.6%) ותוצאות טובות יותר בהשוואה לשיטות הוראה מסורתיות.

תקציר

משחקים חינוכיים שוקעים את הלומדים בסביבות מצביות כדי להגביר את המעורבות, מה שמתקן פערים במעקב אחר שליטה בידע ובשמירה על התלהבות בקורסי חדשנות ויזמות (IE) במכללות. מחקר זה בונה מנגנון לוגי פנימי המקשר בין חינוך להתנהגות IE, תוך ניצול רשתות בייסיאניות (BN) להסקה הסתברותית (PR) להערכת שליטה בידע של הלומדים. בהסתמך על מסגרות משחק חינוכיות למעקב אחר מבנה ידע, הוא מציע מודל משחק חוויית החלטות IE במכללות, המשודרג על ידי אלגוריתם מעקב ידע עמוק משופר (DKT) (המשלב הטמעת תכונות ומנגנוני קשב). התוצאות מראות שציון החינוך ליזמות ודיוק החיזוי של המודל מגיעים שניהם ל-95.6% (הגבוה ביותר מבין המודלים שנבדקו), כאשר כל פריטי סולם ההערכה מראים כיסוי מידע חזק. ציוני מדדים ממוצעים עולים על 4, מה שמשקף משוב אפקטיבי. היכולת של התלמידים להסתגלות למודל מבוסס המשחק גבוהה ב-2%-11% לעומת ההוראה המסורתית. ההערכה בזמן אמת המוטמעת מיישרת את ביצועי הלמידה עם מטרות ההוראה, ומאפשרת התאמת אסטרטגיה. ערכו של חינוך תעשייתית טמון בטיפוח מודעות, יכולת ורצון יזמית, בעוד שתפקידו משפר מיומנויות מעשיות כמו שילוב משאבים. המודל משפר את התלהבות הלמידה, ההסתגלות והיעילות, ומציע תובנות לעיצוב חינוך אינדוקטיבי אישי במכללות.

מבוא

חינוך לחדשנות ויזמות (IE) שואף לטפח כישרונות בעלי אוריינות יזמית ואישיות פורצת דרך, תוך התמקדות בהכשרה מדורגת של חשיבה חדשנית ויכולות יזמיות. עם זאת, החינוך הנוכחי לתעשיית תעשייה חסר מעשיות ותכניות לימודים אינטראקטיביות, ומתבסס רבות על תיאוריה תוך הזנחת מיומנויות פתרון בעיות מעשיות. משחקים חינוכיים – עם אינטראקטיביות גבוהה וסימולציה של תרחישים – יכולים לפתור את הפער הזה על ידי טיפוח קבלת החלטות ועבודת צוות, מה שהופך אותם לכלי מבטיח ללמידה מותאמת אישית ב-IE¹.

כדי לשפר את יעילות ההוראה ב-IE, מחקרים קודמים שילבו משחקים ב-IE אך מתמודדים עם שתי מגבלות עיקריות: הלומדים לעיתים מתעלמים מנקודות ידע קריטיות, ומשחקים מסורתיים אינם עוקבים דינמית אחרי רכישת הידע ^2,3. כדי להתמודד עם אלה, אנו מציעים את ההשערה הבאה: משחק חוויית קבלת החלטות IE המשלב הסקת רשתות בייסיאניות (BN) לאבחון ידע בזמן אמת ואלגוריתם מעקב ידע עמוק (DKT) משופר, ישיג דיוק חיזוי גבוה יותר וגמישות גבוהה יותר לתלמידים מאשר מודלים מסורתיים של הוראה או מודלים קיימים של KT (BKT, DKVMN, EKT⁾⁴. החידושים הכפולים של מחקר זה ממלאים פערים בעבודות קודמות: בניגוד למודלים קיימים שמבצעים רק הערכת ידע סטטית, אנו משתמשים ב-BN - מודלים של נקודות ידע כנקודות צמתים עם טבלאות הסתברות מותנות (CPTs) - כדי לאבחן חולשות למידה בזמן אמת באמצעות נתוני ביצועי משחק⁵. מחקר זה משפר את DKT על ידי הטמעת תכונות ממדיות של IE (מודעות, יכולת וכוונה יזמית) ומנגנוני קשב (AMs) – פתרון אובדן המידע ברצף ארוך ב-DKT סטנדרטי – וביצועים טובים יותר ממודלים מוגבלים כמו BKT, DKVMN ו-EKT⁶.

הליבה של חינוך להנדסה תעשייתית טמונה בטיפוח מודעות, יכולת וכוונה יזמית – שלושה משתנים מתווכים בין החינוך היזמי להתנהגות יזמית התואמים את מטרותיו הבסיסיות, הראשוניות והיסודיות – אך הכלים הקיימים אינם עוקבים אחר ההתפתחות הדינמית שלהם. זה מדגיש צורך מעשי קריטי: החינוך התעסותי הנוכחי חסר כלים אדפטיביים ומבוססי נתונים. המערכת המשחקית שלנו, עם משוב בזמן אמת, מתמודדת עם זה ישירות, ומציעה יכולת הרחבה להקשרים של השכלה גבוהה.

מחקר זה מורכב מחמישה חלקים: (1) מפרט מושגים של משחקי IE/חינוך ואת אתגרי העיצוב שלהם; (2) סוקר חינוך IE ומחקר משחקים חינוכי; (3) פירוט את המתודולוגיה (בחירת מידות הערכת משחק IE, שילוב DKT משופר לבניית המודל); (4) מאמת ביצועי מודל; (5) מסכם ממצאים, מגבלות וכיוונים עתידיים.

עבודות קשורות

על רקע קידום תעסוקה תעסוקתית המונית לקידום תעסוקה איכותית לסטודנטים, כיצד לשפר את אוריינות החדשנות והכישורים היזמיים שלהם באמצעות חינוך תעסוקתי, זכה לדאגה רחבה^{מכל המגזרים}. ליו ואחרים ניתחו את שיטות השירות הפעיל לתלמידים בחינוך אינטליגנטי, ושילבו מידע על מושגי ידע, והרחיבו את מסגרת הרשת העצבית הרקורסיבית למסגרת EKT הניתנת לפירוש של מעקב ידע מודע לתרגיל. התוצאות הראו שלשיטה זו יש פרשנות טובה יותר בחיזוי תלמידי כיתה^ח'. שוט ואחרים שילבו את העדפותיהם, מגדרם ותכונות נוספות של התלמידים במשחק החינוכי. התוצאות הראו כי הוראת פיזיקה המבוססת על משחקים חינוכיים הציגה ציונים טובים יותר וביצועי משחק טובים יותר מההוראה^{המסורתית 9}. צ'ן ועמיתיו חקרו את השפעת משחקי סימולציה עסקית ניידים בחינוך יזמי באמצעות עיצוב חצי-ניסיוני. תוצאות המחקר הראו שמשחקי סימולציה עסקית ניידים יכולים לשפר עמדות יזמיות ומסוגלות עצמית, אך אינם יכולים לשנות את הכוונות היזמיות. תוצאות המחקר מאשרות את התפקיד החיובי של משחקי סימולציה עסקית ניידת בחינוך יזמי, שיכולים לשפר את הגישה היזמית ואת המסוגלות העצמית היזמית¹⁰. תוצאות המחקר הראו ששיטה זו הייתה בעלת דיוק חיזוי גבוה לביצועי הלומדים במשימות משחק. שי ואחרים הציעו מצב הוראה ששילב ידע על פונקציות ריבועיות במשחקים. הניסוי הראה כי המוטיבציה הלמידה והציוני במתמטיקה של התלמידים השתפרו משמעותית דרך מצב ההוראה הזה¹¹.

איזבל ואח' ניתחו את הגיימיפיקציה של חינוך יזמי באמצעות פלטפורמת גיימיפיקציה עצמאית, שימוש במנגנוני משחק ביישומים שאינם משחקים, ושילוב תיאוריות חינוך בחינוך אינדוקטיבי¹². תוצאות המחקר הראו ששיטות חינוך יזמי ממשחקיות יכולות לשפר את השתתפות התלמידים ואת המסוגלות העצמית היזמית. סומרו ואחרים ערכו סקר אמפירי על חינוך יזמי, מסוגלות עצמית וכוונה יזמית בקרב סטודנטים מאוניברסיטה מסוימת באמצעות שיטה כמותית של נתוני חתך. התוצאות הצביעו על כך שמבנה החינוך היזמי השפיע באופן חיובי משמעותית על מסוגלות עצמית יזמית וכוונה יזמית¹³. חוקרים כמו לוי הציעו דיון על ההנחות והאתגרים בחינוך יזמי, תוך שילוב פרספקטיבות יזמיות חדשות במודלים קיימים של הוראה יזמית. תוצאות מחקר הראו שקביעת עדיפויות ידע הייתה החשובה ביותר לשיפור השפעת החינוך היזמי¹⁴. כדי לשפר את ביצועי החינוך התעסוקתי בבתי ספר, מאו ואחרים בנו מודל הערכה לחינוך התעסוקתי המבוסס על עצי החלטה ואלגוריתמים מעורפלים. הניסוי הראה שלמודל יש יישומים מעשיים מסוימים, בהערכת איכות החינוך התעסותי במכללה ולספק כלים כמותיים תפעוליים לאופטימיזציה של אסטרטגיות הוראה בתעשיית תעשייה¹⁵. לי ואחרים ניתחו את הצורך בביצוע חינוך תעסוקתי תעסוקתי לסטודנטים במכללה בהקשר של האינטרנט. בהתבסס על תוצאות מחקר בפועל, הוצעו אסטרטגיות לקידום פיתוח חינוך ופרקטיקה של תעסוקה¹⁶.

לסיכום, הערך והפונקציה של חינוך תעסוקתי מתבטאים בעיקר בטיפוח כישרונות עם איכות בסיסית ואישיות פורצת דרך של יזמות. ערכו טמון במערכת הערכים השוקלת באופן מקיף מודעות, ידע, יכולת וכוונה חדשניות, במטרה לעורר את התשוקה היזמית של התלמידים, שהיא דרישה פסיכולוגית. על בסיס זה, חינוך תעסוקתי מתמקד בשיפור היכולת היזמית של התלמידים, כולל שילוב משאבים, בניית צוות ועוד, ולבסוף גיבוש כוונות יזמיות והפיכתן לפעולות מעשיות. פונקציונלית, חינוך תעסוקתי משפר את יכולת התלמידים להתמודד עם אתגרים יזמיים באמצעות תרגול, כגון שילוב משאבים, עבודת צוות וכו', כדי לקדם מימוש התנהגות יזמית. המחקר הנוכחי בחינוך להנדסה תעסוקתית מתמקד בעיקר במאפיינים תיאורטיים, תפקידים וניתוח אמפירי, ללא תוצאות מחקר רלוונטיות על שיטות הוראה. הלומדים עשויים להזדקק להכוונה וסיוע שונים, אך משחקים חינוכיים אינם יכולים לדמות את מצב רכישת הידע של הלומדים. כדי לפתור בעיות כאלה, מחקר זה שואף לזהות הבדלים בלמידה אישיים בין תלמידים ומציע שימוש בהיגיון BN כדי להשיג רמת שליטה בידע של הלומדים בהוראה. יתרה מזאת, הוא בונה מודל משחק חוויית החלטה להשכלת ה-IE של סטודנטים במכללות, המבוסס על אלגוריתם מעקב ידע משופר (KT).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

מחקר זה אושר על ידי ועדת האתיקה למחקר אנושי של אוניברסיטת שאושינג (אישור מס' SU-2023-IE-058). כל המשתתפים נתנו הסכמה מדעת בכתב לפני איסוף הנתונים. הניסוי נערך בהתאם להצהרת הלסינקי (2013).

עיצוב משחקים לחוויית קבלת החלטות בחינוך IE לסטודנטים באוניברסיטה

המחקר יישם רשת בייסיאנית (BN) להערכת שליטה בזמן אמת בידע של הלומדים. כל נקודת ידע מדומה כצומת עם טבלאות הסתברות מותנות (CPTs) שהגדירו תלותיות. נתוני ביצועי תלמידים מאינטראקציות במשחקים שימשו כהוכחה להסקה הסתברותית באמצעות ספריית pgmpy (v0.1.20, Python 3.9.7). אלגוריתם עץ הצומת שימש להסקה יעילה.

בחירת ממדי הערכת משחקים של חינוך אינדוקטיבי לסטודנטים בהתבסס על היגיון BN

פיתוח החינוך התעקתי לווה בהעמקה מתמשכת של רפורמות בהשכלה הגבוהה, והושגה התקדמות משמעותית בחינוך. הרקע המחקרי של החדשנות במערכת האקולוגית החינוכית של IE הוא הכוח המניע הראשון לפיתוח והתמיכה האסטרטגית לבניית מערכת כלכלית מודרנית^17,18. עם זאת, לפעול מערכת האקולוגית של ה-IE, כמו המערכת האקולוגית הטבעית, יש גם גורמים משפיעים רבים. הפונקציה והערך הבסיסיים של חינוך תעסוקתי טמונים בטיפוח מספר רב של כישרונות חדשניים (מספר רב של כישרונות איכותיים עם רוח חדשנית, מערכת ידע ויכולת פעולה)¹⁹. המטרה והערך הבסיסיים שלו כוללים בעיקר חמישה חלקים, כפי שמוצג באיור 1, שהם הפונקציות והערכים של חינוך תעסוקתי.

figure-protocol-1
איור 1: מסגרת משולבת של פונקציות הליבה של החינוך התעסוקתי, הרכב הערכים והקשר הלוגי הפנימי עם התנהגות יזמית. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 1 מדגים את הפונקציות והערכים של חינוך תעסוקתי, כאשר הליבה היא מודעות יזמית. הביקוש היזמי הוא הבסיס, ומספק תנאי מוקדם ליצירת מודעות יזמית. העניין היזמי הוא הליבה, שמניע אנשים לשים לב ליזמות. המוטיבציה היזמית היא הכוח המניע שמניע את הפרקטיקה היזמית. יזמות תספק תמיכה שתעזור להתגבר על קשיים בהקמת עסק. הערך היזמי הוא המטרה העליונה, המשקפת את חשיבות החינוך היזמי עבור הפרט והחברה. כל המרכיבים מתקשרים זה עם זה ותומכים יחד בתפקוד חינוך IE²⁰. המחקר מסווג את חינוך התעשייתית כטיפוח תודעה, חיזוק יכולות ויצירת כוונה. הם תואמים למטרות הבסיסיות, העיקריות והיסודיות של חינוך בתעסוקה תעשייתית. מודעות יזמית מחולקת למספר רמות, וטיפוח מודעות זו הוא גורם מרכזי להשגת יעדי ידע ויכולות. הידע עצמו הוא חלק מהיכולת, ולכן חינוך יזמי צריך להתמקד בטיפוח כישורים יזמיים אישיים. כוונה היא חוליה חיונית בהתפתחות התודעה להתנהגות, אך כוונה ופעולה אינן בדיוק אותו^הדבר. בחינוך יזמי, יש לעורר את הרצון היזמי של התלמידים, וכך ליצור חוויות יעילות ולהפוך אותן להתנהגויות. לסיכום, המחקר לוקח מודעות יזמית, יכולת יזמית וכוונה יזמית כמשתנים מתווכים בין חינוך תעסותי להתנהגות יזמית. בהתייחסות למודעות, יכולת ורצון יזמיים כמשתנים מתווכים בין חינוך IE להתנהגות יזמית, התואמים למטרות הבסיסיות, המרכזיות והיסודיות של חינוך IE, בשילוב עם ניתוח ספרות ו-ILM, קבעו את מדדי המדידה של כל משתנה (כגון חינוך IE, כולל השתתפות בקורסים וכו'), ואז בונים את ה-ILM הזה. כפי שמוצג באיור 1, נבנה ILM המקשר בין חינוך תעסוקתי להתנהגות יזמית למטרות מחקר.

כפי שמוצג באיור 1, ההשפעה החיובית של חינוך יזמי על היכולת היזמית משתקפת ביכולתו לסייע לסטודנטים לשלוט במיומנויות בסיסיות, לשפר את יכולתם לצבור ולהשתמש במשאבים, ולהתגבר על קשיים ביזמות. מודעות יזמית יכולה למלא תפקיד מתווך בין חינוך להנדסה תעשייתית להתנהגות יזמית. כגורם מקדים להתנהגות יזמית, כוונה יזמית יכולה לחזות ישירות את הופעת ההתנהגות. טיפוח מודעות יזמית בקרב סטודנטים יכול לסייע לעסקים לצבור ידע יזמי ולשפר את כישורי היזמות שלהם. תיאוריית היכולת טוענת כי היכולת היא הגורם המרכזי שקובע התנהגות, במיוחד בחינוך בחינוך אינטיואליטי, המדגיש טיפוח היכולת הרב-ממדית של התלמידים, כולל שילוב משאבים, בניית צוותים^והכנת כספים. מיומנויות אלו משפיעות ישירות על ביצועי הסטודנטים ביזמות, כגון זיהוי הזדמנויות, בניית קשרים ויישום פעולה. היכולת היזמית מכסה שלושה ממדים עיקריים: יכולת שילוב משאבים, המתייחסת לשימוש יעיל ואינטגרציה של משאבים לתמיכה ביזמות; יכולת בניית צוות מתייחסת ליכולת להקים ולהוביל צוות; ומוכנות הון, כלומר, היכולת לגייס ולנהל הון התחלתי. שיפור היכולות הללו הוא המפתח לקידום הצלחת היזמות של הסטודנטים²³.

קביעת תקני מדידה לחינוך יזמי, התנהגות יזמית, יכולת יזמית, מודעות יזמית וכוונה יזמית מבוססת בעיקר על ניתוח ספרות ומשולבת עם ILM של חינוך אינדסטי. מדדי החינוך היזמי הם השתתפות בקורסים או הרצאות יזמיות (CY1), השתתפות בהכשרה לכישורי חינוך יזמי (CY2), והשתתפות בתחרויות יזמיות (CY3). מדדים אלה משקפים ישירות את השתתפות התלמידים בחינוך התעסוקתי ומשקפים את המטרות המרכזיות של הפרקטיות והאינטראקציה של החינוך היזמי¹⁰. המדדים להתנהגות יזמית הם זיהוי הזדמנויות (CW1), בניית מערכות יחסים (CW2) והשקעה באנרגיה (CW3). זהו המדד הקשור להתנהגות יזמית, שמגיעה בעיקר מתיאוריות התנהגות (כגון תורת הכשירות) ומתמקדת במאפייני פעולה אישית, כגון תפיסת הזדמנויות, בניית הון חברתי^והקצאת משאבים. ממדי המדידה של יכולת היזמות הם יכולת אינטגרציה של משאבים (CN1), יכולת בניית צוות (CN2) ויכולת הכנת הון (CN3). ממדים אלו נובעים מהמטרה המעשית המרכזית של שיפור היכולות היזמיות, כלומר לשפר את יכולת הסטודנטים לשרוד ולהתפתח בסביבה יזמית אמיתית. ממדי המדידה של התודעה היזמית כוללים עמדת התנהגות יזמית (CS1), נורמות סובייקטיביות יזמיות (CS2), ובקרת התנהגות תפיסה יזמית (CS3). מדידת המודעות היזמית מבוססת על תיאוריית ההתנהגות המתוכננת של אג'זן (TPB), שלוקחת את הציפייה הפסיכולוגית האישית להתנהגות יזמית כמוקד הניתוח¹³. המדדים לכוונה יזמית הם רצון יזמי (CW1), תכנון קריירה ורלוונטיות יזמית (CW2). מדידת הכוונה היזמית נתמכת על ידי התיאוריה של השפעת החינוך היזמי על בחירת קריירה, כגון הקשר בין נורמות סובייקטיביות לכוונה התנהגותית.

בפעילויות הוראה, תהליך קבלת תגובות התלמידים כמשתני ראיות לחישוב ההסתברות הפוסטריור של משתנים סמויים ונצפים הוא תהליך אבחון רמת הידע של התלמידים. הסקת BN מחשבת הסתברות פוסטריורית, המבוססת בעיקר על מבנה BN והתפלגות הסתברות מותנית, ומחשבת את הסתברות קבלת הערך של כמה צמתים ברשת תחת תנאי ראיות ספציפיים²⁴. עבור BN עם n משתני צומתים, ניתן להגדיר אותה כפונקציית התפלגות הסתברותית משותפת, כפי שמוצג במשוואה (1)²⁵.

figure-protocol-2 (1)

כאשר P פירושו קבוצת figure-protocol-3 ההסתברות המותנית של BN. לכל צומת figure-protocol-4 , קיים CPT לייצג את ההסתברות המותנית של figure-protocol-5 וקבוצת figure-protocol-6 הצומת האב שלה. figure-protocol-7 מסמנים כל שני משתנים אקראיים, ו figure-protocol-8 - היא ההשערה שהיא figure-protocol-9 ראיה. ההסתברות הקודמת היא ההסתברות לאירוע figure-protocol-10 כאשר figure-protocol-11 אינו figure-protocol-12 ידוע. ההסתברות הפוסטריורית היא ההסתברות לאירוע figure-protocol-13 כאשר figure-protocol-14 ידוע. figure-protocol-15 כפי שמוצג במשוואה (2), זו המשוואה הבייסיאנית²⁶.

figure-protocol-16 (2)

BN יכולה לא רק להשיג רמת שליטה בידע של הלומדים בהוראה דרך יחסי ציבור, אלא גם משקפת באופן גרפי את מבנה הידע של הלומדים. באמצעות ייצוג הידע וההסקה במודל התחום, כל ידע מושגי נחשב לצומת. במשחקים, צמתים משמשים לקביעת רמות מתאימות ועדכונים דינמיים של BN. במהלך הלמידה, המערכת אוספת באופן רציף מידע על נתוני משתמשים ומעדכנת אותם ברשת. אלגוריתם Joint Tree (JT) הוא כיום האלגוריתם הנפוץ והמהיר ביותר להסקת BN חישובית²⁷. תהליך האלגוריתם כולל הפיכת ה-BN למבנה ריבועי המכיל קבוצת קשתות בקליקה. במודל המשחק של חוויית קבלת החלטות חינוכית ב-IE, אדפטיביות מוגדרת כיכולת של המערכת להתאים אוטומטית את התוכן החינוכי, האסטרטגיות ומצבי האינטראקציה בהתבסס על ביצועי התלמידים בזמן אמת, תכונות אישיות וצרכי הלמידה שלהם. החוקר האמריקאי הודהוד חילק את מודל משחק החינוך האדפטיבי לתחום, הוראה, מודלים לשחקנים, ומנוע אדפטיבי ומודול הצגה²⁸. לכל מודל יש פונקציות שונות, כאשר מודל השחקן הוא מודל התלמיד, שהוא מרכיב מרכזי במשחקים חינוכיים להשגת תמיכה אדפטיבית ללומדים. כפי שמוצג באיור 2, זהו זרימת המידע של מודל הסטודנט המבוסס על אלגוריתם JT.

figure-protocol-17
איור 2: ארכיטקטורה מאוחדת של משחק חוויית קבלת החלטות חינוכית באוניברסיטה IE. זרימת מידע לתלמידים מונחית עץ משותף, DKT משופר עם הטמעת תכונות ותשומת לב, ואלמנטים מרכזיים משולבים ב-KT. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

באיור 2, המחקר ישתמש ב-BN לבניית מודלים של תלמידים ובאלגוריתמים של חשיבה JT להערכת רכישת הידע בזמן אמת. אלגוריתם JT מסתמך על אותה גרסה של pgmpy, קורא לשיטת to_junction_tree BN (moralize=True, min_fill triangulation) ליצירת JT, ומשתמש בצמתים () לצפייה בצמתים באשכול. אתחל את מנוע ההסקה עם JunctionTreeInference, הזן את הראיות ההתנהגותיות דרך שיטת השאילתה, הגדר joint=False כדי להחזיר את ההסתברות הפוסטריורית של נקודות הידע של IE, והגדר tol=1e-6 לשליטה בשגיאה. לאחר מכן, המודל הסטטיסטי משמש להשוואת שיעור התגובה הנכונה של הלומד לערך הסף שנקבע, כדי לספק לתלמידים מסגרת משימות משחק מתאימה ומסגרת משוב מהירה. מידול BN מבוסס על pgmpy 0.1.20 (סביבת פייתון 3.9.7). מחלקת BN נקראת לעבור ברשימת התלות בצמתים, והמשתנים החבויים/הראיות מסומנים ב-node_type. ה-CPT מאתחל בהתבסס על ניסיון מקצועי באמצעות מחלקת TabularCPD, ואז מתעדכן באופן איטרטיבי עם נתוני התנהגות תלמידים באמצעות שיטת ההתאמה של BayesianEstimator (dirichlet prior, pseudo_counts=1). הקשר הסיבתי מאומת באמצעות do_calculus של הסקה סיבתית, ומידע הדדי מחושב (יותר מ-0.3 מצביע על תלות חזקה) כדי להבטיח מבנה סביר.

עיצוב מודל משחק חוויית קבלת החלטות לחינוך IE לסטודנטים, תוך שילוב אלגוריתמים משופרים של KT

למרות שסינון התכונות של ממדי הערכת המשחקים החינוכיים ב-IE מתבצע באמצעות הסקת BN, שיכולה לזהות באופן דינמי את נקודות התורפה בידע של התלמידים, BN מתמקדת רק באבחון מצב הידע הנוכחי ואינה יכולה לעקוב אחר תהליך השינוי הדינמי של שליטה בידע של התלמידים. קשה גם לחזות במדויק את צרכי הלמידה הבאים, ואינו יכול לתמוך בהתאמה הדינמית של מודל המשחק לאסטרטגיות הוראה. לכן, יש צורך לשלב ולשפר את אלגוריתם KT, ובאמצעות ניצול הטמעת התכונות וה-AM שלו, להשיג מעקב בזמן אמת וחיזוי של מבנה הידע של התלמידים. מודל הסטודנטים הוא מודול שמנטר את מידע הסטודנטים, והמחקר שלו הופיע לראשונה ב-Intelligent Tutoring System (ITS)²⁹. ב-ITS, מעקב אחר השינויים הדינמיים במצבי הידע של התלמידים חשוב במיוחד, שכן הוא יכול לסייע למודל להנחות טוב יותר את התלמידים בלמידת ידע. הרעיון של מעקב אחר מבנה הידע של התלמידים במשחקים נובע ממערכות אבחון למידה קודמות ומשחקי חינוך אדפטיבי³⁰. מודל DKT הוכח כמודל KT יעיל, המתאים יותר לתרחישי הערכה בקנה מידה גדול של נתוני משתמשים. מודל DKT מבוסס על TensorFlow 2.8.0 (פייתון 3.9.7, GPU תומך ב-CUDA 11.2). הנתונים מעובדים באמצעות פנדה, LabelEncoder ו-numpy, ומשולבים לטנזורים תלת-ממדיים של [גודל דגימה, 30,8]. בנה את הארכיטקטורה עם Sequential, כולל Input (30,8), Dense (64,relu), LSTM (128,return_sequences=True) ו-Dense (נקודות ידע, סיגמואיד); אופטימיזציה עם אדם (lr=0.001), קח את BinaryCrossentropy כפונקציית אובדן, קבע את מדדי הדיוק וה-AUC, בצע 50 סבבי אימון (אצווה=32), ואחסן את המשקל האופטימלי ב-ModelCheckpoint. מודל DKT משופר זה נבנה על בסיס TensorFlow 2.8.0 (פייתון 3.9.7, תומך ב-CUDA 11.2). ראשית, באמצעות הטמעת תכונות, תכונות התנהגותיות כמו מספר התלמידים שעונים על שאלות, התנהגות חיפוש עזרה ומספר בקשות ההנחיות מקושרות לתוצאות התשובה, ומקודדות בשילוב עם מקדם הקושי של השאלה (מספר התשובות השגויות/מספר השאלות שענו עליהן). לאחר מכן, מחברים את כל התכונות המקודדות כדי לבנות וקטור ולהשתמש ב-autoencoder (מופעל tanh) להפחתת הממד כקלט. לאחר מכן, מוכנס מנגנון תשומת לב בין ה-LSTM לשכבת היציאה של DKT. מחלקת AttentionLayer מוגדרת. tf.matmul משמש לחישוב המשקלים, ו-softmax משמש לנרמול ליצירת תכונות משוקללות. נקבעו 128 משקולות והתווסף Dropout (0.2) כדי למנוע התאמת יתר. עם אופטימיזציה של אדם (lr=0.001) ואנטרופיה חוצה כפונקציית הפסד ל-50 סבבי אימון, הושגו המעקב והחיזוי של שליטה בידע של התלמידים. המחקר מציע מודל DKT משופר שמעשיר את נתוני הקלט של המודל באמצעות הטמעת תכונות ומציג AMs, כפי שמוצג באיור 2.

באיור 2, בשל יכולתו של מודל DKT ללכוד תכונות מורכבות בנתונים, ניתן להשתמש בהטמעת תכונות להעשיר את נתוני הקלט של המודל, ובכך לשפר את ביצועי המודל. המצב הנסתר האחרון של זיכרון ארוך-טווח קצר (LSTM) הוא מצב הלמידה הנסתר של התלמידים ברגע הנוכחי³¹. כאשר הזמן מתארך, LSTM עלול לגרום לאובדן מידע חשוב. המחקר מציג את ה-AM, שמשקלל ומאגד את כל המידע ההיסטורי כדי להפחית אובדן מידע חשוב. מאפייני התנהגות המענה של התלמידים ומקדמי הקושי מוטמעים במידע המקורי של הקלט, והופכים לרצף figure-protocol-18 אינטראקציה היסטורי משמעותי יותר. רצף האינטראקציות ההיסטורי של הקלט במודל זה הוא figure-protocol-19 , והפלט הוא וקטור ההסתברות שמנבא נכון את תשובות התלמידים לשאלות המתאימות של נקודות הידע. המחקר מציע לשלב את מספר הפעמים שהתלמידים מנסים לענות על שאלות, האם הם מבקשים עזרה במהלך תהליך התשובה, ומספר הפעמים שהם מבקשים הנחיות לתכונה חדשה במודל המשחק החינוכי, ולשלב אותה עם תוצאות התשובה, כפי שמוצג במשוואה (3).

figure-protocol-20 (3)

במשוואה (3), figure-protocol-21 הכוונה היא למאפיינים ההתנהגותיים של תלמידים העונים על שאלות; figure-protocol-22 מציין את מספר הפעמים שהתלמידים figure-protocol-23 עונים על שאלות באותו רגע; figure-protocol-24 מציין את בקשת העזרה; figure-protocol-25 מציין את מספר ההנחיות; figure-protocol-26 מתייחס לתוצאת התשובה. ביטוי החישוב של מקדם הקושי של השאלה מוצג במשוואה (4).

figure-protocol-27 (4)

במשוואה (4), figure-protocol-28 מייצג את מספר האנשים שענו על השאלה figure-protocol-29 בצורה שגויה, ומייצג figure-protocol-30 את המספר הכולל של האנשים שענו נכון figure-protocol-31 . כדי לשפר את דיוק המודל, כל התכונות המקודדות שהתקבלו מחוברות, ומבנה הווקטורים מוצגת במשוואה (5).

figure-protocol-32 (5)

במשוואה (5), figure-protocol-33 פירושו מספר נקודות הידע; figure-protocol-34 מתייחס למקדם הקושי של הבעיה; figure-protocol-35 פירושו שילוב תכונות; figure-protocol-36 מייצג פורמט קידוד; figure-protocol-37 פירושו חיבור. אימן את המקודד האוטומטי באמצעות פונקציית ההפעלה של tanh והסר את שכבת הפלט לאחר ההשלמה. לאחר מכן הוא משתמש בפלט של השכבה הנסתרת כקלט במודל DKT-FA, כפי שמוצג במשוואה (6).

figure-protocol-38 (6)

במשוואה (6), figure-protocol-39 הם מטריצת המשקל הנלמדת וקטור ההטיה, בהתאמה. המחקר משלב AM עם רשת LSTM כדי לאפשר למודל לשים לב יותר לרצפי תשובות עם תכונות התנהגותיות דומות וקושי בפועל. ה-AM משולב בין שכבות ה-LSTM והפלט של DKT. מוגדר מחלקת AttentionLayer מותאמת אישית, ו-tf.matmul משמש לחישוב משקלים, ו-softmax משמש לנירמול ליצירת תכונות משוקללות. הוגדרו 128 משקלים לשמירת זכויות, נוספה Dropout (0.2) למניעת התאמת יתר, בוצעה אופטימיזציה סינכרונית באמצעות הפצה חוזרת, ומשקלים הופקו באמצעות get_weights() לניתוח השפעת התנהגויות מפתח. כאשר משתנה figure-protocol-40 הקשב נבחר, הוא מציין שהרשומה figure-protocol-41 של התשובה נבחרה. כפי שמוצג במשוואה (7), הוא מחשב את ההסתברות למידע figure-protocol-42 ה-th באמצעות קוד המידע בסדר היסטורי וקוד המידע הסופי.

figure-protocol-43 (7)

במשוואה (7), גורם figure-protocol-44 המשקל קובע את התוכן שיש לשים לב אליו או להתעלם ממנו במהלך החיזוי. המחקר משתמש במודל חיבורי של פונקציית figure-protocol-45 ציון תשומת הלב כדי לחשב את הציון שלה, כפי שמוצג במשוואה (8).

figure-protocol-46 (8)

במשוואה (8) figure-protocol-47 הוא קידוד מידע רצף היסטורי המבוסס על דחיסת נתונים; figure-protocol-48 פירושו קידוד הפחתת הממדיות של מידע קלט בזמן figure-protocol-49 . figure-protocol-50 הוא פרמטר רשת של המחלקה למדעים. מצב figure-protocol-51 הקשב מסומן כסכום משוקלל של figure-protocol-52 , וביטוי החישוב שלו מוצג במשוואה (9).

figure-protocol-53 (9)

במשוואה (12), על ידי שילוב figure-protocol-54 עם figure-protocol-55 , ההסתברות שהתלמידים ישלטו בכל נקודות הידע מחושבת ומבוטאת כפי שמוצג במשוואה (10).

figure-protocol-56 (10)

בלמידת מכונה, ניתן להשתמש באנטרופיה חוצה כדי למדוד את ההבדל בין סימון בפועל לתוצאות חזויות. לכן, היא נחשבת לפונקציית האובדן של מודל DKT-FA, כפי שמוצג במשוואה(11).

figure-protocol-57 (11)

במשוואה (11), figure-protocol-58 ומציינים figure-protocol-59 את התפלגויות ההסתברות החזויה וההתפלגויות האמיתיות, בהתאמה. הוא מניח figure-protocol-60 שיש יחידת ידע אחת, כולל figure-protocol-61 נקודות ידע. ואם ההסתברות להשתמש בנקודת figure-protocol-62 הידע היא figure-protocol-63 , אז השליטה של התלמידים בנקודת הידע מוצגת במשוואה (12).

figure-protocol-64 (12)

במשוואה (12), figure-protocol-65 מתייחס לשיעור הטעות של הלומד בנקודת figure-protocol-66 הידע ; figure-protocol-67 מתייחס להסתברות להופעת נקודות ידע. למד את החשיבות של שימוש בו כנקודת ידע. כדי לסיווג את טווח הערכים בטווח 0-0.5, figure-protocol-68 הוא מחולק לשני חלקים. בתרחישי משחק מורכבים ועשירים, הלומדים יכולים להשיג שיחזור אישי ומשמעותי של שיטות הלמידה. בעת בניית מודלים חינוכיים של משחקים, יש לעקוב גם אחרי עקרונות מתאימים. ראשית, יש להקפיד על עקרון הסובייקטיביות של הלומד. חשוב לשקול לעומק את התכונות האישיות של הלומדים כדי שיוכלו לקבל חוויית משחק שתתאים ליכולות שלהם במהלך תהליך המשחק. שנית, יש צורך לעקוב אחרי עקרון המודעות הסיטואציונית, כלומר לעצב סביבה משחקית ריאליסטית יותר שתעורר את ההתלהבות של הלומדים. לבסוף, יש לעקוב אחרי עקרון האיזון בין עיצוב משחק לעיצוב הוראה. בהתבסס על העקרונות הנ״ל, הוא בוחן את המרכיבים המרכזיים של חינוך ומשחקים משולבים בתעשיית תעשייה, ובונה מודל החלטות לחינוך בתעשייה תעשייתית, כפי שמוצג באיור 2.

באיור 2, המודל לוקח את התרחיש כהיבט היסודי של חינוך להנדסה תעשייתית, והמשחק עצמו מחולק למודלים של תלמיד, מורה וידע. בשילוב רעיונות עיצוב הוראה, הוא בונה עוד יותר את העלילה, הפעילויות, המשימות והאלמנטים המרכזיים של המשחק. פעילות תקופתית המשלבת את ארבעת ההיבטים של סביבה, ידע, רגש ופעולה בחינוך יזמי. מודל הידע משמש בעיקר לאחסון ורישום ידע בחינוך. מודל התלמיד משולב עם מודל המורה להשגת למידה אישית של ידע. הוא דורש עיצוב מפורט נוסף של עלילת המשחק, פעילויות, משימות וכו', כדי לאזן בין ההיבטים החינוכיים והמשחקיים של מודל המשחק. במקביל, היא מיישמת ידע IE הכלול הן בתרחישים וירטואליים והן בתפיסתיים, ומפנמת למידה מבוססת ידע לטיפוח התנהגויות חינוך יזמות נכונות. מודול התכונה המוטמע באיור 2 מייצר את מצב הלמידה וממפה אותו דינמית לממשק על ידי ניתוח נתוני התנהגות התלמידים (כגון מספר התשובות, תדירות העזרה, קצב נכון וכו') כדי ליצור את סצנת המשימה המתאימה לשלב שלה. תרחישים אלו כוללים יזמות וירטואלית, פתרון בעיות או סימולציות עבודת צוות שנועדו לשפר את חוויית הלמידה. העיצוב משלב מודל ידע, מודל הוראה ומוטיבציה רגשית כדי להפוך מטרות חינוכיות לסיטואציות משחק. מודל המורה משלים את מודל התלמיד להשגת למידה יעילה ומותאמת אישית באמצעות גרף ידע וניתוח נתונים. בהתבסס על ניתוח רקע, מודל המורה מספק תמיכה הוראה מותאמת אישית לתלמידים ומנחה עיצוב משימות משחק ומנגנוני משוב. המשחקים מתאימים באופן דינמי משימות וקושי בהתאם לביצועי התלמידים בזמן אמת, מה שמשפר את הגמישות ומחזק את הידע. הלמידה והחוויה בקבלת החלטות בתוך המשחק מתורגמת לחינוך יזמי אמיתי דרך משוב. כפי שמוצג באיור 2, המחקר נשען על החוקר האמריקאי הקודם הודהוד, שחילק את מודל משחק החינוך האדפטיבי לתחום, הוראה, מודלים של שחקנים, מנוע אדפטיבי ומודול^{הצגה 9}, ובהתבסס על עקרונות בניית המודלים, בונה מודל משחק חוויית החלטה חינוכית לסטודנטים באוניברסיטה המשלב אלגוריתמים משופרים של KT.

באיור 2, המודל הכולל מורכב משני חלקים: ממשק הצגת המשחק ומסד הנתונים האחורי. ממשק הצגת המשחק שולט בהצגת הסאונד, הגרפיקה, האינטראקציה ואפקטים נוספים של המשחק, ופועל בשיתוף עם מסד הנתונים כדי להציג את המשחק. מסד הנתונים ברקע מורכב משלושה חלקים: מודלים של תחום, מורה ותלמיד, תוך שימוש במודול המרכיב של ITS כהפניה, למימוש משותף של פונקציית המשחק. נקודות הידע הנבחר ב-IE מיוצגות על ידי רשת מסגרת. עיצוב ובניית מודלים ופונקציונליים של הוראה הם תנאי מוקדם והבטחה לעיצוב ופיתוח הפקה עתידיים של הוראת משחקים. בהנחיית מטרות מחקר ויסודות תיאורטיים, מודל המבנה הפונקציונלי של המשחק מבהיר את הקשרים בין מודולים שונים ומשלב אותם במודל מבנה פונקציונלי.

דמוגרפיה של המשתתפים ודגימה

דמוגרפיה מפורטת של מטופלים ניתן למצוא בטבלה 1. נוסחת גודל המדגם (G*Power 3.1.9.7): גודל אפקט f = 0.25 (בינוני), α = 0.05, כוח = 0.90, קבוצות = 3 ואז n ≥ 159, גיוס בפועל: 305 (מותר 10% נטישה). לשכפולים עתידיים, אנו ממליצים על מדגם מינימלי של 200 משתתפים (10% צפוי לעזיבה) כדי לשמור על עוצמה סטטיסטית ≥ 0.90 בגודל אפקט בינוני f = 0.25 (G*Power 3.1.9.7, שלוש קבוצות, α = 0.05). אם מתוכננים ניתוחי מתון נוספים (למשל, קבוצת מגדר x), יש להעלות ל-270 כדי להבטיח גודל תאים ≥ 45.

שדה	ערך לדוגמה	קריטריוני הכללה	קריטריוני החרגה
StudentID	S001	סטודנט לתואר ראשון במשרה מלאה	לקח את קורס ≥1 IE
גיל	19	18-25 שנים	טווח חיצוני
מגדר	F	מזדהה עם עצמו	סירוב לדווח
מייג'ור	עסקים	כל תחום	המשך לימודים ללא תואר
גיוס	דואר אלקטרוני לקמפוס	שכבות אקראיות	כבר השתתף

טבלה 1: דמוגרפיה של מטופלים.

כדי להבטיח מדדי בינה מלאכותית ניתנים לשחזור, ערכו שלוש ריצות אימון עצמאיות עם זרעים אקראיים שונים (42, 2023, 1024). דווח על ממוצע ו-95% CI של AUC, F1 ו-RMSE; כל רוחב CI >-5% מהממוצע מפעיל שתי ריצות נוספות עד להשגת יציבות.

אתחול CPT

חמישה מומחי חינוך תעסוקתי (≥ 5 שנות הוראה באוניברסיטה, ≥ 3 פרויקטים יזמיים בהנחיה) גויסו באמצעות דגימה מכוונת מאוניברסיטת שאושינג ואוניברסיטת וונג'ואו-קין. זיהוי אישור פאנל מומחים: SU-IE-2023-00. בחירת מומחים: נושא: [פאנל מומחים] השגת CPT לרשת הבייסיאנית של IE. הקריטריון לזכאות היה ≥ הוראה באוניברסיטה של 5 שנים ב-IE, להדריך ≥3 סטארט-אפים אמיתיים של סטודנטים, ולהיות מוכנה להשתתף בסבבי Delphi מקוונים של 2 על 2 שעתיים.

תבנית ראשונית של CPT

הקריטריונים הבאים נקבעו וההוראות הבאות שימשו.

צומת	הורה= שולט?	P(נכון\|הורה)	פריור
T1_opportunity	נכון	0.85	0.30
T1_opportunity	שקר	0.30	/
CN1_resource	/	/	0.30

הוראת עדכון איטרציה (שורה אחת בפייתון):

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

Unity - אינטגרציה של פייתון פסאודוקוד

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)

השלמת סכמת מינימום להפעלה (העתק לפעולה חלקה):
IE_Game/ |-Unity/ # Unity 2021.3.8f1 project |-Python/ ||- app.py # Flask server ||- model/ |||- bn.pkl # Pre-trained Bayesian network ||- dkt.pth # DKT-FA weight |- requirements.txt -DemoData/ - IE_Game_Demo.csv Flask server (Python/app.py) python from flask import Flask, request, jsonify import joblib, torch, pandas as pd app = Flask(__name__) bn = joblib.load('model/bn.pkl') dkt = torch.load('model/dkt.pth', map_location='cpu')

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

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

Unity C# Send script (מצורף ל-GameObject ריק)
```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); } } } ```

קושי אדפטיבי וטריגרים במשוב
פרטי הסף מסופקים בטבלה 2, ולוגיקת הטריגר מוצגת להלן.
העתק והשתמש בקונפיגורציית JSON (שמור כ' 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"} } } ```

יוניטי קוראת את הקוד:
```csharp TextAsset cfg = Resources.Load("adaptive_config"); JsonUtility.FromJson(cfg.text); ```

הסתברות פוסטרית	התאמת קושי	הודעת משוב
<0.3	-רמה אחת	מומלץ לעיין בנקודות הידע של אינטגרציית משאבים.
0.3-0.7	להישאר ללא שינוי	"תמשיך
> 0.7	רמה +1	"שחרר משימות בעלות קושי גבוה

טבלה 2: טבלת סף ולוגיקת טריגר.

פתרון תקלות ופרמטרי שכפול

התקלות הנפוצות שנתקלו בהן ופתרונות ברמת השכפול מוצגים בטבלה 3. אם קונסולת Unity עדיין מחזירה את 404 לאחר שחרור חומת האש, יש לבצע את רשימת הבדיקה הבאה: (1) החלפת localhost ב-IPv4 המדויק: ב-Unity > Logger.cs לשנות http://localhost:5000/log ל-http://192.168.x.x:5000/log (הרץ ipconfig ב-Windows לקבלת הכתובת); (2) הפעלת CORS ב-Flask: אחרי app = Flask(__name__) להוסיף cors = CORS(app, resources={r"/*":{"origins":"*"}}); (3) אימות תפוסת פורט: netstat -ano | findstr 5000, השמדת PID מתנגש; (4) הוספת פעימת לב של 3 שניות: InvokeRepeating("SendHeartbeat", 0, 3) ב-Unity כדי לשמור על שקע חי. השלבים הנ״ל מתוותרים ב-troubleshoot_up_comm.sh (Unix) וב-troubleshoot_up_comm.ps1 (Windows) מסופקים בתיקיית /utils במאגר GitHub.

מאפיין	מימד	CITC	α אחרי מחיקת הפריט	תת-קנה מידה α	סך כל α לוח הזמנים
חינוך ליזמות	CY1	0.68	0.848	0.872	0.956
	CY2	0.72	0.841
	CY3	0.66	0.854
יכולת יזמית	CN1	0.7	0.826	0.859
	CN2	0.69	0.828
	CN3	0.68	0.834
מודעות יזמית	CS1	0.68	0.852	0.878
	CS2	0.66	0.865
	CS3	0.7	0.854
כוונה יזמית	CX1	0.73	0.795	0.877
	CX2	0.66	0.845
	CX3	0.77	0.789
התנהגות יזמית	CW1	0.76	0.776	0.909
התנהגות יזמית	CW2	0.71	0.823	0.909

טבלה 3: תקלות נפוצות שנתקלו בהן ופתרונות ברמת השכפול.

שיתוף קוד ונתונים:
מערך נתונים להדגמה (n = 50, אנונימי) הכולל 14 תכונות התנהגותיות ו-10 IE
נקודות ידע זמינות ב-https://doi.org/10.5281/zenodo.123456
שם קובץ: IE_Game_Demo.csv
כותרות: StudentID, TaskID, נכון, HelpSeeking, ניסיונות, קושי, CN1, CS1, CW1, CY1, CY2, CY3, T1, I1
גודל: 50 שורות × 14 עמודות (~12 KB)
פורמט: CSV UTF-8, ללא ערכים חסרים, תואם לתקן הסרת זיהוי GDPR (שם, אימייל, כתובת IP הוסרה).

סף עקביות פנימית: קרונבך α ≥ 0.80; קורלציה כוללת לפריט ≥ 0.40. ספי תוקף: KMO ≥ 0.70, Bartlett p < 0.001, AVE ≥ 0.50, CR ≥ 0.70, עומס גורמים ≥ 0.75. סף ביצועי המודל: AUC בסט בדיקה ≥ 0.85, F1 ≥ 0.85, RMSE ≤ 0.20. כל מדד מתחת לערכים אלו מסמן גרסה של פרוטוקול.

כדי לדכא התאמת יתר במודל DKT-FA המשופר, יישמנו מעקה משולש: (1) הגדלת נתונים: החלקת חלון של 50 שלבים לאורך רצף התלמידים כדי לייצר פי 5 תת-רצפים. (2) רגולריזציה: עונש משקל L2 1 x ^10-5 על כל הגרעינים הצפופים והגרעינים החוזרים החוזרים. (3) עצירה מוקדמת: מעקב אחרי אימות - AUC, הפסקת האימון אם אין רווח > 0.001 ל-5 אפוקים רצופים.

עיצוב ניסויי לתוצאות למידה ויכולת הסתגלות

כדי לבדוק את אפקט המתון המגדרי, נאספו משתני מגדר וציוני סולם משחק 14 ממדי בשבוע השמיני של הניסוי, ומבחן t מדגם עצמאי שימש להשוואת ההבדלים בין גברים לנשים. בינתיים, נאספו הערכות סובייקטיביות כמו הטמעה במשחק וריאליזם סצנה באמצעות סולם ליקרט בן חמש הנקודות, והבדלי אחוזי הכשירות ושינויים בציונים של קבוצת הלא-משחק (קבוצה A, n = 100), קבוצת המשחק הלא-אדפטיבית (קבוצה B, n = 105) וקבוצת המשחק האדפטיבי (קבוצה C, n = 105) תחת אותה רמת קושי הולכת וגדלה של קורסי IE. כל הנתונים נבדקו למשמעות על ידי SPSS 25.0 כדי לאמת את האוניברסליות של המודל עבור מגדרים שונים וצורות הוראה.

מחקר זה עיצב ניסוי מבוקר לאימות תוצאות למידה ויכולת הסתגלות. המשתתפים חולקו לשלוש קבוצות: קבוצה א' (שליטה לא-משחקית) קיבלה רק הוראה מסורתית בכיתה; קבוצה ב' (שליטה לא אדפטיבית במשחק) שילבה הוראה מסורתית עם משחקים לא אדפטיביים ב-IE; קבוצה C (קבוצת ניסוי) השתמשה בהוראה מסורתית בנוסף למשחק ההחלטות-חוויית ההחלטה האדפטיבי IE (שילוב BN+DKT-FA). הניסוי שנמשך 8 שבועות כלל שבוע הכנה אחד (קבוצות: 105 בקבוצה C, 100 בקבוצה A/B; בדיקת מוקדמת של גישה/מסוגלות עצמית יזמית; תיקון מערכת המשחק), 6 שבועות של התערבות (2 שעות בשיעור בשבוע, 45 דקות לשעה, התאמת התקדמות רגילה בקורס IE), ושבוע אחד של בדיקות לאחר המבחן. לצורך אימות הכללה, נאספו נתוני אינטראקציה נוספים מאוניברסיטה A (מדע-הנדסה, 120 קבוצות), אוניברסיטת B (מקיף, 110 קבוצות) ואוניברסיטה C (מדעי הרוח, 90 קבוצות) כדי לבדוק את עמידות המודל ברקעים תחומיים.

שכפול מודל חוויית ההחלטה של IE כולל שישה שלבים מרכזיים: עבודה מקדימה, בניית BN להערכת מצב ידע, פיתוח מודל DKT משופר, אינטגרציה של מערכות משחק, עיצוב ניסוי ואיסוף נתונים, ואימות מודל. אלה מתוארים בפסקאות הבאות.

בשלב המוקדם, הממדים והמדדים המרכזיים של חינוך בתעסוקה מוגדרים בבירור, כולל שלושה משתנים מתווכים: מודעות יזמית, יכולת ורצון, יחד עם מדדי המדידה המתאימים. דמוגרפיה של תלמידים ונתוני רקע ב-IE נאספים באמצעות שאלונים, ונתוני התנהגות למידה נרשמים באמצעות תרחישים מדומים.

בבניית BN, מוגדרים הצמתים של נקודות הידע של IE (משתנים חבויים) והתנהגויות התלמידים (משתני ראיות). הקשר הלוגי בין הצמתים נקבע על סמך ראיונות מומחים ועלילה. הערכים הראשוניים של ה-CPT נקבעים לפי ניסיון מומחה. נתוני התנהגות התלמידים מותאמים באופן איטרטיבי והופכים ל-JT באמצעות מוסר וטריאנגולציה. הראיות להתנהגות קלט משתמשות ב-pgmpy 0.1.20 (ללא RRID רשמי זמין לציבור) כדי לחשב את ההסתברות הפוסטריורית ולזהות את נקודות הידע החלשות עם הסתברות אחורית <0.5.

בעת שיפור פיתוח מודל DKT, מתבצעת הנדסת תכונות על הנתונים, מקודדת תכונות התנהגותיות, חישוב מקדמי קושי למשימה ומשלבת אותם לווקטורים לבניית סדרת זמן. נוצרה ארכיטקטורה הכוללת הטמעת תכונות, LSTM, AM ושכבת פלט. האימון מתבצע עם אנטרופיה חוצה כפונקציית אובדן ואדם אופטימייזר, עם קצב למידה של 0.001.

אינטגרציה עם מערכת המשחק משתמשת ב-API C# של Unity כדי להעביר נתוני התנהגות משחק בזמן אמת ל-Python 3.9.7 (RRID:). החלק האחורי של SCR_008394 משתמש תחילה ב-BN כדי לחשב את ההסתברות הפוסטריור לשליטה בידע, ואז משתמש במודל DKT לחיזוי נקודות תורפה, יצירת משוב מותאם אישית והתאמת קושי. ב-Unity 2021.3.8f1(RRID: SCR_018230), שלושה סוגי תרחישי IE מתוכננים להפעיל משימות ממוקדות, או שרמת הקושי מותאמת בהתאם לתוצאות BN/DKT.

שלוש קבוצות מוגדרות בניסוי: השוואת ביצועי DKT-FA ומודל KT הקלאסי, אימות הצורך ברכיבי DKT-FA, בדיקת ההשפעות החינוכיות של קבוצות המשחק ללא משחק, משחק לא אדפטיבי ואדפטיבי, ואיסוף נתונים רלוונטיים; אימות מודל: scikit-learn 1.0.2(RRID: SCR_002577) משמש לחישוב המדדים של ניסוי 1, ניתוח נתוני ניסוי 2, ו-SPSS 25.0 (RRID: SCR_002815) משמש לביצוע בדיקות ANOVA ו-t על נתוני ניסוי 3, ובמקביל לבדיקת אמינות ותוקף הסולם.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

הניסוי התבסס על סולם הערכת המשחקים החינוכי של קארן והודוד, וארגנו ונבחרו ממדים ופריטים מתאימים להתאמה. קנה המידה של קארן והודגוד בעל סמכות גבוהה ויישום בתחום המשחקים החינוכיים, ומכסה ממדים מרכזיים רבים של משחקים חינוכיים, כגון משחקיות, פדגוגיה, אינטראקטיביים ועוד. על ידי הכנסת והתאמת קנה מידה זה, ניתן להעריך בצורה מלאה ומדויקת יותר את ביצועי מודל משחק חוויית ההחלטה החינוכית IE של הסטודנטים המתוכננים, כפי שמפורט^{בפרק 28}. יתרה מזאת, על ידי ניתוח נתוני הצד האחורי של ה...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

הצלחת מודל משחק חוויית ההחלטה של IE במכללה תלויה בצעדים קריטיים בפרוטוקול, במיוחד בשילוב הסקת BN לאבחון ידע בזמן אמת ובמודל המעקב העמוק (DKT-FA) המשופר עם הטמעת תכונות ו-AMs. האתחול המדויק של ה-CPT של BN, המבוסס על ראיונות מומחים ועדכון איטרטיבי עם נתוני התנהגות סטודנטים, הבטיח זיהוי מדויק של קישורי ידע חלשים, בעוד שהכללת ניסיונות התשובה ותדירות פניית העזרה ב-DKT-FA כתכונות העשירה את פירוט הקלט, והעלתה ישירות את דיוק החיזוי ל-95.6%. פתרון תקלות פוטנציאליות, כמו חשיבה איטית של BN עם קבוצו...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

אין אינטרסים פיננסיים מתחרים במאמר זה.

תודות

המחקר נתמך על: קורס הדגמה אידיאולוגי ופוליטי של "תוכנית חמש ה-14" של מחוז ג'ג'יאנג (במסגרת מענק מס' 181); קרן מדעי הרוח והחברה של משרד החינוך (במסגרת מענק מס' 23YJC630256).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שם	חברה	מספר קטלוג
אדם	מובנה ב-TensorFlow 2.8.0	קצב למידה 0.001
בינארי חוצה-סנטרופיה	מובנה ב-TensorFlow 2.8.0	פרמטרים ברירת מחדל
C#	גרסת ברירת המחדל של Unity 2021.3.8f1	נקרא דרך Unity C# API
CUDA	11.2	הוא תואם ל-TensorFlow 2.8.0
עץ המפרקים (JT)	PGMPY 0.1.20 מיושם	moralize=טריאנגולציה אמיתית, מינימלית
LabelEncoder	scikit-learn 1.0.2 מובנה	משותף עם scikit-learn
ModelCheckpoint	קריאה חוזרת ל-TensorFlow 2.8.0	בהתבסס על קבוצת האימות AUC
NumPy	לא צוין (הגרסה היציבה האחרונה מתאימה)	סביבת Python 3.9.7
פנדות	לא צוין (הגרסה היציבה האחרונה מתאימה)	סביבת Python 3.9.7
PGMPY	0.1.20	סביבת Python 3.9.7
פייתון	3.9.7	סביבת הפעלה מאוחדת של הצד האחורי
סקיקיט-לרן	1.0.2	RRID: SCR_002577
SPSS	25	RRID: SCR_002815
TensorFlow	2.8.0	גרסת ה-GPU דורשת תמיכה ב-CUDA 11.2
אחדות	2021.3.8 f1	RRID: SCR_018230

מקורות

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).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

תגיות

חינוך לחדשנות חינוך ליזמות רשתות בייזייאניות הסקה הסתברותית מעקב ידע עמוק (Deep Knowledge Tracing)שיבשי features מנגנוני קשב שליטה בידע