Progettare giochi educativi per favorire l'esperienza decisionale nei programmi di innovazione e imprenditorialità universitaria

Sommario

Questo studio propone un modello basato su giochi che utilizza reti bayesiane per migliorare l'innovazione e l'educazione all'imprenditorialità, migliorando il monitoraggio della conoscenza, l'entusiasmo per l'apprendimento e l'adattabilità. I risultati mostrano un'elevata accuratezza (95,6%) e risultati migliori rispetto ai metodi di insegnamento tradizionali.

Abstract

I giochi educativi immergono gli studenti in ambienti situazionali per aumentare il coinvolgimento, colmando le lacune nel monitoraggio della padronanza della conoscenza e nel mantenere l'entusiasmo nei corsi universitari di Innovazione e Imprenditorialità (IE). Questo studio costruisce un meccanismo logico interno che collega educazione e comportamento IE, sfruttando le Reti Bayesiane (BN) per il Razionamento Probabilistico (PR) per valutare la padronanza delle conoscenze degli apprendenti. Attingendo ai framework di gioco educativi per il monitoraggio della struttura della conoscenza, propone un modello di gioco decisionale-esperienza per l'IE universitario, potenziato da un algoritmo migliorato di Deep Knowledge Tracing (DKT) (integrando meccanismi di incorporamento delle funzionalità e attenzione). I risultati mostrano che il punteggio dell'educazione all'imprenditorialità e l'accuratezza delle previsioni del modello raggiungono entrambi il 95,6% (il valore più alto tra i modelli testati), con tutti gli elementi della scala di valutazione che dimostrano una forte copertura informativa. I punteggi medi degli indicatori superano 4, riflettendo un feedback efficace. L'adattabilità degli studenti al modello basato sul gioco è superiore dal 2%-l'11% rispetto all'insegnamento tradizionale. La valutazione in tempo reale integrata allinea le prestazioni di apprendimento agli obiettivi didattici, consentendo l'aggiustamento della strategia. Il valore dell'educazione IE risiede nel promuovere la consapevolezza imprenditoriale, la capacità e la volontà di essere imprenditoriale, mentre la sua funzione migliora competenze pratiche come l'integrazione delle risorse. Il modello migliora l'entusiasmo per l'apprendimento, l'adattabilità e l'efficienza, offrendo intuizioni per il design personalizzato dell'educazione universitaria in IE.

Introduzione

L'educazione all'innovazione e all'imprenditorialità (IE) mira a coltivare talenti con competenze imprenditoriali e personalità pionieristiche, concentrandosi sulla formazione a fasi del pensiero innovativo e delle capacità imprenditoriali. Tuttavia, l'attuale istruzione in ingegneria industriale manca di praticità e curricula interattiva, basandosi fortemente sulla teoria mentre trascura le capacità pratiche di problem solving. I giochi educativi - con alta interattività e simulazione di scenari - possono colmare questa lacuna favorendo il processo decisionale e il lavoro di squadra, rendendoli uno strumento promettente per l'apprendimento personalizzato dell'IE¹.

Per migliorare l'efficienza dell'insegnamento dell'IE, studi precedenti hanno integrato i giochi nell'IE ma affrontano due limitazioni chiave: gli studenti spesso trascurano punti di conoscenza critici e i giochi tradizionali non tracciano dinamicamente l'acquisizione^{della conoscenza 2,3}. Per affrontare questi obiettivi, proponiamo la seguente ipotesi: un gioco decisionale-esperienza IE che integri il ragionamento delle Reti Bayesiane (BN) per la diagnosi della conoscenza in tempo reale e un algoritmo migliorato di Deep Knowledge Tracking (DKT) raggiungerà una maggiore accuratezza di previsione e adattabilità degli studenti rispetto all'insegnamento tradizionale o ai modelli KT esistenti (BKT, DKVMN, EKT⁾⁴. Le doppie innovazioni di questo studio colmano le lacune del lavoro precedente: a differenza dei modelli esistenti che conducono solo valutazioni statiche della conoscenza, noi utilizziamo i punti di conoscenza di ragionamento BN come nodi con Tabelle di Probabilità Condizionali (CPT)—per diagnosticare in tempo reale le debolezze dell'apprendimento tramite dati sulle prestazioni di^{gioco 5}. Questo studio migliora DKT incorporando caratteristiche di dimensione IE (consapevolezza imprenditoriale, capacità e intenzione) e meccanismi di attenzione (AM) - risolvendo la perdita di informazione a lunga sequenza nel DKT standard - e superando modelli limitati come BKT, DKVMN ed^{EKT 6}.

Il nucleo dell'educazione IE risiede nel coltivare la consapevolezza imprenditoriale, la capacità e l'intenzione imprenditoriale—tre variabili mediative tra IE e comportamento imprenditoriale che corrispondono ai suoi obiettivi di base, primario e fondamentale—ma gli strumenti esistenti non riescono a monitorare il loro sviluppo dinamico. Questo evidenzia un bisogno pratico critico: l'attuale istruzione IE manca di strumenti adattivi e basati sui dati. Il nostro sistema gamificato, con feedback in tempo reale, affronta direttamente questo problema, offrendo scalabilità per contesti dell'istruzione superiore.

Questo studio comprende cinque sezioni: (1) elabora i concetti IE/di gioco educativo e le loro sfide di design; (2) revisiona l'educazione IE e la ricerca educativa sui giochi; (3) dettaglia la metodologia (selezione delle dimensioni di valutazione dei giochi IE, integrazione di DKT migliorata per costruire il modello); (4) valida le prestazioni del modello; (5) riassume i risultati, i limiti e le direzioni future.

Opere correlate

Sullo sfondo della promozione di massa dell'IE per promuovere un impiego di alta qualità per gli studenti universitari, come migliorare la loro alfabetizzazione all'innovazione e le competenze imprenditoriali attraverso l'educazione IE ha suscitato ampie preoccupazioni da tutti i^settori. Liu et al. hanno analizzato i metodi di servizio attivo degli studenti nell'educazione intelligente, e hanno combinato le informazioni concettuali di conoscenza, estendendo il framework delle reti neurali ricorsive al framework interpretabile Exercise-aware Knowledge Tracing (EKT). I risultati hanno dimostrato che questo metodo aveva una migliore interpretabilità nella previsione degli studenti^dell'8ª classe. Shute et al. hanno integrato le preferenze, il genere e altre caratteristiche degli studenti nel gioco educativo. I risultati indicarono che l'insegnamento della fisica basato su giochi educativi otteneva voti e prestazioni migliori rispetto all'insegnamento^{tradizionale 9}. Chen et al. hanno esplorato l'effetto dei giochi di simulazione aziendale mobile nell'educazione imprenditoriale attraverso un design quasi sperimentale. I risultati delle ricerche indicavano che i giochi di simulazione aziendale mobile potevano migliorare gli atteggiamenti imprenditoriali e l'autoefficacia, ma non potevano cambiare le intenzioni imprenditoriali. I risultati della ricerca confermano il ruolo positivo dei giochi di simulazione aziendale mobile nell'educazione imprenditoriale, che può migliorare l'atteggiamento imprenditoriale e l'autoefficacia^{imprenditoriale 10}. I risultati della ricerca hanno indicato che questo metodo aveva un'elevata accuratezza predittiva per le prestazioni degli studenti nei compiti di gioco. Shi et al. hanno proposto una modalità di insegnamento che integrasse la conoscenza delle funzioni quadratiche nei giochi. L'esperimento ha dimostrato che la motivazione per l'apprendimento e i punteggi matematici degli studenti sono migliorati significativamente grazie a questa modalità^{di insegnamento 11}.

Isabelle et al. hanno analizzato la gamification dell'educazione imprenditoriale utilizzando una piattaforma di gamification indipendente, utilizzando meccanismi di gioco in applicazioni non videoludiche e integrando le teorie dell'educazione IE¹². I risultati delle ricerche hanno indicato che i metodi di educazione imprenditoriale gamificati potrebbero migliorare la partecipazione degli studenti e l'autoefficacia imprenditoriale. Soomro et al. hanno condotto un'indagine empirica sull'educazione imprenditoriale, l'autoefficacia e l'intenzione imprenditoriale tra studenti di una determinata università, utilizzando un metodo quantitativo trasversale dei dati. I risultati hanno evidenziato che la struttura dell'educazione imprenditoriale ha avuto un impatto positivo significativo sull'autoefficacia imprenditoriale e sull'intenzione^{imprenditoriale 13}. Studiosi come Loi proposero un dibattito sulle assunzioni e le sfide nell'educazione imprenditoriale, integrando nuove prospettive imprenditoriali nei modelli di insegnamento imprenditoriali esistenti. I risultati della ricerca indicarono che determinare le priorità della conoscenza era la più importante per aumentare l'impatto dell'educazione^{imprenditoriale 14}. Per migliorare le prestazioni dell'educazione IE nelle scuole, Mao et al. hanno costruito un modello di valutazione per l'educazione IE basato su alberi decisionali e algoritmi fuzzy. L'esperimento ha dimostrato che il modello aveva alcune applicazioni pratiche, valutando efficacemente la qualità dell'istruzione universitaria in ingegneria industriale e fornendo strumenti quantitativi operativi per ottimizzare le strategie di insegnamento dell'industria^{industriale 15}. Li et al. analizzarono la necessità di condurre l'educazione indoeuropea per gli studenti universitari nel contesto di Internet. Sulla base dei risultati reali della ricerca, sono state proposte strategie per promuovere lo sviluppo dell'educazione e della pratica IE¹⁶.

In sintesi, il valore e la funzione dell'educazione indoeuropea si incarnano principalmente nella coltivazione di talenti di qualità di base e di una personalità pionieristica nell'imprenditorialità. Il suo valore risiede nel sistema di valori che considera in modo completo la coscienza innovativa, la conoscenza, la capacità e l'intenzione, con l'obiettivo di stimolare la passione imprenditoriale degli studenti, che è un requisito psicologico. Su questa base, l'educazione IE si concentra sul miglioramento delle capacità imprenditoriali degli studenti, inclusa l'integrazione delle risorse, il team building, ecc., e infine la formazione di intenzioni imprenditoriali trasformandole in azioni pratiche. Dal punto di vista funzionale, l'educazione IE migliora la capacità degli studenti di affrontare le sfide imprenditoriali attraverso la pratica, come l'integrazione delle risorse, il lavoro di squadra, ecc., per promuovere la realizzazione del comportamento imprenditoriale. La ricerca attuale sull'educazione dell'IE si concentra principalmente su caratteristiche teoriche, ruoli e analisi empirica, mancando risultati di ricerca rilevanti sui metodi didattici. Gli studenti possono aver bisogno di indicazioni e assistenze diverse, ma i giochi educativi non possono simulare lo stato di acquisizione della conoscenza degli studenti. Per risolvere tali problemi, questo studio mira a identificare le differenze di apprendimento individuali tra gli studenti e propone di utilizzare il ragionamento BN per ottenere il livello di padronanza delle conoscenze degli studenti nell'insegnamento. Inoltre, costruisce un modello di gioco decisionale per l'istruzione IE degli studenti, basato su un algoritmo migliorato di Knowledge Tracking (KT).

Protocollo

Questo studio è stato approvato dal Comitato Etico della Ricerca Umana dell'Università di Shaoxing (Approvazione n. SU-2023-IE-058). Tutti i partecipanti hanno fornito un consenso informato scritto prima della raccolta dei dati. L'esperimento è stato condotto in conformità con la Dichiarazione di Helsinki (2013).

Game design per l'esperienza decisionale dell'educazione IE per studenti universitari

La ricerca ha implementato una Rete Bayesiana (BN) per la valutazione in tempo reale della padronanza delle conoscenze degli apprendenti. Ogni punto di conoscenza è stato modellato come un nodo con Tabelle di Probabilità Condizionata (CPT) che definivano le dipendenze. I dati sulle prestazioni degli studenti derivanti dalle interazioni di gioco hanno fornito come prova per l'inferenza probabilistica utilizzando la libreria pgmpy (v0.1.20, Python 3.9.7). L'algoritmo dell'albero di giunzione è stato utilizzato per un'inferenza efficiente.

Selezione delle caratteristiche delle dimensioni di valutazione dei giochi dell'istruzione IE degli studenti basati sul ragionamento BN

Lo sviluppo dell'istruzione IE è stato accompagnato da un continuo approfondimento delle riforme nell'istruzione superiore e sono stati compiuti progressi significativi nel campo dell'istruzione. Il background di ricerca dell'innovazione dell'ecosistema educativo IE è la prima forza trainante per lo sviluppo e il supporto strategico per la costruzione di un sistema economico^{moderno 17,18}. Tuttavia, il funzionamento dell'ecosistema IE, come quello naturale, ha anche molti fattori influenti. La funzione e il valore fondamentali dell'educazione IE risiedono nella coltivazione di un gran numero di talenti innovativi (un gran numero di talenti di alta qualità con spirito innovativo, sistema di conoscenza e capacità d'azione⁾¹⁹. Il suo scopo e valore di base comprendono principalmente cinque parti, come mostrato nella Figura 1, che sono le funzioni e i valori dell'educazione all'IE.

Figura 1: Quadro integrato delle funzioni fondamentali dell'educazione industriale, della composizione dei valori e del legame logico interno con il comportamento imprenditoriale. Clicca qui per visualizzare una versione più grande di questa figura.

La Figura 1 mostra le funzioni e i valori dell'educazione IE, con il nucleo della consapevolezza imprenditoriale. La domanda imprenditoriale è la base, fornendo un prerequisito per la formazione di una consapevolezza imprenditoriale. L'interesse imprenditoriale è il fulcro, spingendo gli individui a prestare attenzione all'imprenditorialità. La motivazione imprenditoriale è la forza trainante che spinge la pratica imprenditoriale. L'imprenditorialità offrirà supporto per superare le difficoltà nell'avviare un'attività. Il valore imprenditoriale è l'obiettivo finale, riflettendo l'importanza dell'educazione imprenditoriale per gli individui e la società. Tutti gli elementi interagiscono tra loro e supportano congiuntamente il funzionamento dell'istruzione^{IE 20}. Lo studio classifica l'educazione IE come coltivazione della coscienza, potenziamento delle abilità e generazione di intenzioni. Essi corrispondono agli obiettivi fondamentali, principali e fondamentale dell'educazione in ingegneria industriale. La consapevolezza imprenditoriale è suddivisa in più livelli, e coltivarla è un fattore chiave per raggiungere obiettivi di conoscenza e abilità. La conoscenza stessa fa parte della capacità, quindi l'educazione imprenditoriale dovrebbe concentrarsi sulla coltivazione delle capacità imprenditoriali individuali. L'intenzione è un anello cruciale nello sviluppo della coscienza nel comportamento, ma intenzione e azione non sono esattamente la^{stessa 21}. Nell'educazione imprenditoriale, è necessario generare la volontà imprenditoriale degli studenti, formando così esperienze efficaci e trasformandole in comportamenti. In sintesi, lo studio prende la consapevolezza imprenditoriale, la capacità imprenditoriale e l'intenzione imprenditoriale come variabili mediative tra l'educazione IE e il comportamento imprenditoriale. Prendendo la consapevolezza imprenditoriale, la capacità e la volontà come variabili medianti tra l'educazione IE e il comportamento imprenditoriale, corrispondenti agli obiettivi di base, principali e fondamentali dell'educazione IE, combinati con l'analisi della letteratura e l'ILM, si definiscono gli indicatori di misurazione di ciascuna variabile (come l'educazione IE, inclusa la partecipazione ai corsi, ecc.), e poi costruiscono questo ILM. Come mostrato nella Figura 1, è stato costruito un ILM che collega l'educazione industriale e il comportamento imprenditoriale a scopi di ricerca.

Come mostrato nella Figura 1, l'effetto positivo dell'educazione imprenditoriale sulla capacità imprenditoriale si riflette nella sua capacità di aiutare gli studenti a padroneggiare le competenze di base, migliorare la capacità di accumulare e utilizzare risorse e superare le difficoltà nell'imprenditorialità. La consapevolezza imprenditoriale può svolgere un ruolo mediatore tra l'educazione industriale e il comportamento imprenditoriale. Come fattore pre-determinante del comportamento imprenditoriale, l'intenzione imprenditoriale può prevedere direttamente l'avvento del comportamento. Coltivare la consapevolezza imprenditoriale tra gli studenti universitari può aiutare le imprese ad acquisire conoscenze imprenditoriali e a migliorare le proprie capacità imprenditoriali. La teoria delle capacità sostiene che la capacità sia il fattore centrale che determina il comportamento, specialmente nell'educazione IE, che enfatizza la coltivazione delle capacità multidimensionali degli studenti, inclusa l'integrazione delle risorse, il team building e la preparazione dei^{fondi 22.} Queste competenze influenzano direttamente le prestazioni degli studenti nell'imprenditorialità, come l'identificazione delle opportunità, la costruzione di relazioni e l'implementazione delle azioni. La capacità imprenditoriale copre tre dimensioni principali: l'integrazione delle risorse, che si riferisce all'uso e all'integrazione efficace delle risorse per sostenere l'imprenditorialità; La capacità di team building si riferisce alla capacità di formare e guidare una squadra; e la prontezza del capitale, cioè la capacità di raccogliere e gestire capitale iniziale. Il miglioramento di queste competenze è la chiave per promuovere il successo dell'imprenditorialità degli^{studenti 23}.

L'istituzione di standard di misurazione per l'educazione imprenditoriale, il comportamento imprenditoriale, la capacità imprenditoriale, la consapevolezza imprenditoriale e l'intenzione imprenditoriale si basa principalmente sull'analisi della letteratura e si combina con l'ILM dell'educazione IE. Gli indicatori dell'educazione imprenditoriale sono la partecipazione a corsi o lezioni imprenditoriali (CY1), la partecipazione a corsi di formazione sulle competenze imprenditoriali (Y2) e la partecipazione a competizioni imprenditoriali (CY3). Questi indicatori riflettono direttamente la partecipazione degli studenti all'educazione IE e riflettono gli obiettivi fondamentali della praticità e dell'interazione dell'educazione^{imprenditoriale 10}. Gli indicatori del comportamento imprenditoriale sono l'identificazione delle opportunità (CW1), la costruzione di relazioni (CW2) e l'investimento energetico (CW3). Questa è la misurazione relativa al comportamento imprenditoriale, che deriva principalmente dalle teorie comportamentali (come la teoria della competenza) e si concentra sulle caratteristiche dell'azione individuale, come la capacità di acquisire opportunità, la costruzione del capitale sociale e l'allocazione delle risorse¹¹. Le dimensioni di misurazione della capacità imprenditoriale sono capacità di integrazione delle risorse (CN1), capacità di team building (CN2) e capacità di preparazione del capitale (CN3). Queste dimensioni derivano dall'obiettivo pratico fondamentale del miglioramento delle capacità imprenditoriali, ovvero migliorare la capacità degli studenti di sopravvivere e svilupparsi in un vero ambiente imprenditoriale. Le dimensioni di misurazione della coscienza imprenditoriale includono l'atteggiamento comportamentale imprenditoriale (CS1), le norme soggettive imprenditoriali (CS2) e il controllo comportamentale della percezione imprenditoriale (CS3). La misurazione della coscienza imprenditoriale si basa sulla Teoria del Comportamento Pianificato (TPB) di Ajzen, che prende come focus dell'analisi l'aspettativa psicologica individuale del comportamento^{imprenditoriale.} Gli indicatori dell'intenzione imprenditoriale sono il desiderio imprenditoriale (CW1), la pianificazione della carriera e la rilevanza imprenditoriale (CW2). La misurazione dell'intenzione imprenditoriale è supportata dalla teoria dell'impatto dell'educazione imprenditoriale sulla scelta di carriera, come la relazione tra norme soggettive e intenzione comportamentale.

Nelle attività didattiche, il processo di prendere le risposte degli studenti come variabili di evidenza per calcolare la probabilità posteriore di variabili latenti e osservabili è il processo di diagnosi del livello di conoscenza degli studenti. Il ragionamento BN calcola la probabilità a posteriori, che si basa principalmente sulla struttura BN e sulla distribuzione di probabilità condizionata, e calcola la probabilità di assunzione di valore di alcuni nodi nella rete sotto specifiche condizioni^{di evidenza 24}. Per un BN con n variabili nodali, può essere definito come una funzione di distribuzione di probabilità congiunta, come mostrato nell'equazione (1)²⁵.

(1)

Dove P indica l'insieme di probabilità condizionata di BN. Per ogni nodo , esiste un CPT per rappresentare la probabilità condizionata di e il suo insieme di nodi genitori . Denotare due variabili casuali qualsiasi, e è l'ipotesi, che è una prova. La probabilità a priori è la probabilità di evento quando è sconosciuta. La probabilità a posteriori è la probabilità dell'evento quando è noto. Come mostrato nell'equazione (2), è l'equazione^{bayesiana 26}.

(2)

Il BN non solo può ottenere il livello di padronanza delle conoscenze degli studenti nell'insegnamento tramite PR, ma riflettere anche in modo grafico la struttura delle conoscenze degli studenti. Utilizzando la rappresentazione e il ragionamento della conoscenza nel modello di dominio, ogni conoscenza concettuale è considerata un nodo. Nei giochi, i nodi vengono utilizzati per impostare i livelli corrispondenti e fornire aggiornamenti dinamici di BN. Durante l'apprendimento, il sistema raccoglierà continuamente le informazioni sui dati degli utenti e le aggiornerà sulla rete. L'algoritmo Joint Tree (JT) è attualmente l'algoritmo di ragionamento BN computazionale più utilizzato e^{veloce 27}. Il processo algoritmico include la trasformazione del BN in una struttura quadratica contenente un insieme di archi nella cricca. Nel modello di gioco di esperienza decisionale educativa IE, l'adattività è definita come la capacità del sistema di modificare automaticamente i contenuti educativi, le strategie e le modalità di interazione in base alle prestazioni in tempo reale degli studenti, alle caratteristiche individuali e alle esigenze di apprendimento degli studenti. Lo studioso americano Hodhod ha suddiviso il modello di gioco di educazione adattiva in ambito, insegnamento, modelli per giocatori e modulo 28 di motore e^{presentazione adattivo}. Ogni modello ha funzioni diverse, tra cui il modello del giocatore è quello dello studente, che è un componente chiave dei giochi educativi per ottenere un supporto adattivo agli studenti. Come mostrato nella Figura 2, è il flusso informativo del modello studentesco basato sull'algoritmo JT.

Figura 2: Architettura unificata del gioco universitario IE educational decision-making experience. Flusso informativo degli studenti guidato da alberi congiunti, DKT migliorato con incorporamento delle funzionalità e attenzione, e elementi fondamentali integrati da KT. Clicca qui per visualizzare una versione più grande di questa figura.

Nella Figura 2, lo studio utilizzerà BN per costruire modelli degli studenti e gli algoritmi di ragionamento JT per valutare l'acquisizione delle conoscenze degli studenti in tempo reale. L'algoritmo JT si basa sulla stessa versione di pgmpy, chiama il metodo to_junction_tree BN (moralize=True, min_fill triangolazione) per generare JT e utilizza nodi () per visualizzare i nodi del cluster. Inizializzare il motore di inferenza con JunctionTreeInference, inserire le prove comportamentali tramite il metodo di interrogazione, impostare joint=False per restituire la probabilità a posteriori dei punti di conoscenza IE, e impostare tol=1e-6 per controllare l'errore. Successivamente, il modello statistico viene utilizzato per confrontare il tasso di risposta corretta dello studente con il valore di soglia stabilito, fornendo agli studenti un quadro appropriato per i compiti di gioco e un quadro di feedback per prompt. La modellazione BN si basa su pgmpy 0.1.20 (ambiente Python 3.9.7). La classe BN viene chiamata a passare nella lista delle dipendenze dei nodi, e le variabili latenti/evidenza sono contrassegnate con node_type. Il CPT viene inizializzato sulla base dell'esperienza degli esperti utilizzando la classe TabularCPD, e poi aggiornato iterativamente con i dati comportamentali degli studenti utilizzando il metodo di adattamento di BayesianEstimator (dirichlet prior, pseudo_counts=1). La relazione causale viene verificata tramite do_calculus di CausalInference e si calcola l'informazione reciproca (maggiore di 0,3 indica una forte dipendenza) per garantire una struttura ragionevole.

Progettazione di un modello di gioco per l'esperienza decisionale per l'educazione industriale per studenti universitari, integrando algoritmi KT migliorati

Sebbene lo screening delle caratteristiche delle dimensioni di valutazione dei giochi educativi IE venga completato tramite il ragionamento BN, che può identificare dinamicamente i punti deboli degli studenti nella conoscenza, BN si concentra solo sulla diagnosi dello stato attuale della conoscenza e non può tracciare il processo di cambiamento dinamico della padronanza della conoscenza degli studenti. È inoltre difficile prevedere con precisione i bisogni di apprendimento successivi e non può supportare l'adattamento dinamico del modello di gioco alle strategie didattiche. Pertanto, è necessario integrare e migliorare l'algoritmo KT e, sfruttando il suo feature embedding e AM, ottenere il tracciamento e la previsione in tempo reale della struttura delle conoscenze degli studenti. Il modello studentesco è un modulo che monitora le informazioni degli studenti, e la sua ricerca è apparsa per la prima volta nell'Intelligent Tutoring System (ITS⁾²⁹. Nell'ITS, monitorare i cambiamenti dinamici negli stati di conoscenza degli studenti è particolarmente importante, poiché può aiutare il modello a guidare meglio gli studenti nell'apprendimento della conoscenza. L'idea di tracciare la struttura della conoscenza degli studenti nei giochi nasce da sistemi di diagnosi dell'apprendimento passati e giochi di educazione^{adattiva 30}. Il modello DKT si è dimostrato un modello KT efficace, più adatto a scenari di valutazione con grandi scale di dati utente. Il modello DKT si basa su TensorFlow 2.8.0 (Python 3.9.7, la GPU supporta CUDA 11.2). I dati vengono elaborati usando panda, LabelEncoder e numpy, e combinati in tensori 3D di [dimensione del campione, 30,8]. Costruire l'architettura con Sequential, includendo Input (30,8), Dense (64,relu), LSTM (128,return_sequences=True) e Dense (knowledge points, sigmoid); Ottimizzare con Adam (lr=0,001), prendere BinaryCrossentropy come funzione di perdita, impostare le metriche di accuratezza e AUC, eseguire 50 round di addestramento (batch=32) e memorizzare il peso ottimale al ModelCheckpoint. Questo modello DKT migliorato è costruito sulla base di TensorFlow 2.8.0 (Python 3.9.7, supporta CUDA 11.2). Innanzitutto, attraverso l'incorporamento delle caratteristiche, le caratteristiche comportamentali come il numero di studenti che rispondono alle domande, il comportamento di richiesta di aiuto e il numero di richieste di prompt sono collegate incrociate con i risultati delle risposte e codificate in combinazione con il coefficiente di difficoltà della domanda (il numero di risposte errate/il numero totale di domande a cui rispondono). Poi, collegare tutte le caratteristiche codificate per costruire un vettore e usare l'autoencoder (attivato con tanh) per la riduzione della dimensionalità come input. Successivamente, viene introdotto un meccanismo di attenzione tra il LSTM e lo strato di uscita del DKT. La classe AttentionLayer è definita. TF.MATMUL viene utilizzato per calcolare i pesi, mentre softmax viene utilizzato per la normalizzazione per generare caratteristiche ponderate. Sono impostati 128 pesi e viene aggiunto il Dropout(0.2) per evitare sovramontaggi. Con l'ottimizzazione di Adam (lr=0.001) e la cross-entropia come funzione di perdita per 50 round di addestramento, sono stati raggiunti il tracciamento e la previsione della padronanza delle conoscenze degli studenti. Lo studio propone un modello DKT migliorato che arricchisce i dati di input del modello tramite l'incorporamento di caratteristiche e introduce le AM, come mostrato nella Figura 2.

Nella Figura 2, grazie alla capacità del modello DKT di catturare caratteristiche complesse nei dati, l'incorporamento delle caratteristiche può essere utilizzato per arricchire i dati di input del modello, migliorando così le prestazioni del modello. L'ultimo stato nascosto della memoria a breve termine (LSTM) è lo stato di apprendimento nascosto degli studenti al momento^{attuale 31}. Quando il tempo è lungo, l'LSTM può causare la perdita di informazioni importanti. Lo studio introduce l'AM, che pesa e aggrega tutte le informazioni storiche per ridurre la perdita di informazioni importanti. Le caratteristiche del comportamento di risposta degli studenti e i coefficienti di difficoltà sono incorporate nelle informazioni di input originali, diventando una sequenza di interazione storica più significativa. La sequenza storica di interazione in input di questo modello è , e l'output è il vettore di probabilità che prevede correttamente le risposte degli studenti alle corrispondenti domande dei punti di conoscenza. Lo studio propone di combinare il numero di volte in cui gli studenti cercano di rispondere alle domande, se richiedono aiuto durante il processo di risposta e il numero di volte che richiedono prompt in una nuova funzione nel modello di gioco educativo, e incrociare questo con i risultati delle risposte, come mostrato nell'equazione (3).

(3)

Nell'equazione (3), indica le caratteristiche comportamentali degli studenti che rispondono alle domande; indica il numero di volte che gli studenti rispondono alle domande in quel momento; indica la richiesta di aiuto; indica il numero di prompt; si riferisce al risultato della risposta. L'espressione di calcolo del coefficiente di difficoltà della domanda è mostrata nell'equazione (4).

(4)

Nell'equazione (4), rappresenta il numero di persone che hanno risposto male alla domanda e rappresenta il numero totale di persone che hanno risposto correttamente. Per migliorare l'accuratezza del modello, tutte le caratteristiche codificate ottenute sono connesse, e la costruzione vettoriale è mostrata nell'equazione (5).

(5)

Nell'equazione (5), significa il numero di punti di conoscenza; si riferisce al coefficiente di difficoltà del problema; significa combinazione di caratteristiche; sta per formato di codifica; significa connessione. Addestra l'encoder automatico usando la funzione di attivazione tanh e rimuovi lo strato di uscita dopo il completamento. Successivamente utilizza l'uscita dello strato nascosto come input nel modello DKT-FA, come mostrato nell'equazione (6).

(6)

Nell'equazione (6), sono rispettivamente la matrice dei pesi appresi e il vettore di bias. Lo studio combina AM con una rete LSTM per permettere al modello di prestare maggiore attenzione alle sequenze di risposta con caratteristiche comportamentali simili e difficoltà pratiche. L'AM è integrato tra i livelli LSTM e di uscita del DKT. Viene definita una classe AttentionLayer personalizzata, e tf.matmul viene utilizzato per calcolare i pesi, mentre softmax viene usato per la normalizzazione per generare caratteristiche ponderate. Sono stati impostati 128 pesi per preservare i diritti, è stato aggiunto il Dropout (0.2) per prevenire il sovrafitting, l'ottimizzazione sincrona è stata eseguita tramite retropropagazione e i pesi sono stati estratti tramite get_weights() per analizzare l'impatto dei comportamenti chiave. Quando la variabile attenzione è selezionata, indica che è stata selezionata la tesi di risposta. Come mostrato nell'equazione (7), calcola la probabilità dell'informazione (th) usando il codice di informazione dell'ordine storico e il codice informativo finale.

(7)

Nell'equazione (7), il fattore di peso determina il contenuto a cui prestare attenzione o ignorare durante la previsione. Lo studio utilizza un modello additivo della funzione di punteggio dell'attenzione per calcolare il punteggio, come mostrato nell'equazione (8).

                             (8)

Nell'equazione (8), sta per la codifica delle informazioni di sequenza storiche basate sulla compressione dei dati; significa la codifica di riduzione della dimensionalità delle informazioni di input al tempo. è un parametro di rete del Dipartimento di Scienze. Lo stato di attenzione è indicato come somma ponderata di , e la sua espressione di calcolo è mostrata nell'equazione (9).

(9)

Nell'equazione (12), combinando con , si calcola ed esprime la probabilità che gli studenti padroneggino tutti i punti di conoscenza come mostrato nell'equazione (10).

(10)

Nel machine learning, l'entropia incrociata può essere utilizzata per misurare la differenza tra la marcatura effettiva e i risultati previsti. Pertanto, è considerata come la funzione di perdita del modello DKT-FA, come mostrato nell'equazione (11).

(11)

Nell'equazione (11), e indicano rispettivamente le distribuzioni di probabilità prevista e vera. Assume che sia 1 unità di conoscenza, inclusi i punti di conoscenza. E se la probabilità di usare il punto di conoscenza è , allora la padronanza dello studente del punto di conoscenza è mostrata nell'equazione (12).

               (12)

Nell'equazione (12), significa il tasso di errore dell'apprendente sul punto di conoscenza ; si riferisce alla probabilità dell'occorrenza di punti di conoscenza. Studia l'importanza di usarlo come punto di conoscenza. Per classificare l'intervallo di valori nell'intervallo da 0 a 0,5, viene suddiviso in due parti. In scenari di gioco complessi e ricchi, gli studenti possono ottenere una ricostruzione personalizzata e significativa dei metodi di apprendimento. Quando si costruiscono modelli di gioco educativi, bisogna seguire anche i relativi principi. Innanzitutto, si deve seguire il principio della soggettività dello studente. È necessario considerare pienamente le caratteristiche individuali degli studenti affinché possano vivere un'esperienza di gioco che corrisponda alle loro capacità durante il processo di gioco. In secondo luogo, è necessario seguire il principio della consapevolezza situazionale, cioè progettare un ambiente di gioco più realistico per stimolare l'entusiasmo degli studenti. Infine, è necessario seguire il principio di bilanciare game design e instructional design. Basandosi sui principi sopra indicati, studia gli elementi chiave dell'educazione e dei giochi integrati in IE, e costruisce un modello decisionale per l'educazione IE, come mostrato nella Figura 2.

Nella Figura 2, il modello prende lo scenario come aspetto fondamentale dell'educazione IE, e il gioco stesso è suddiviso in modelli di studente, insegnante e conoscenza. Combinando idee di design didattico, costruisce ulteriormente la trama, le attività, i compiti e gli elementi chiave del gioco. Un'attività periodica che combina quattro aspetti di ambiente, conoscenza, emozione e azione nell'educazione imprenditoriale. Il modello della conoscenza è utilizzato principalmente per memorizzare e elencare la conoscenza nell'educazione. Il modello studente viene combinato con quello dell'insegnante per ottenere un apprendimento personalizzato della conoscenza. È necessario un ulteriore design dettagliato della trama di gioco, delle attività, dei compiti, ecc., per bilanciare gli aspetti educativi e di gioco del modello di gioco. Contemporaneamente, implementa la conoscenza IE contenuta sia in scenari virtuali che percettivi, interiorizzando l'apprendimento basato sulla conoscenza nella coltivazione di comportamenti educativi imprenditoriali corretti. Il modulo incorporato in caratteristica nella Figura 2 genera lo stato di apprendimento e lo mappa dinamicamente all'interfaccia analizzando i dati comportamentali degli studenti (come il numero di risposte, la frequenza di aiuto, la velocità di correzione, ecc.) per generare la scena del compito adatta alla sua fase. Questi scenari includono imprenditorialità virtuale, problem solving o simulazioni di lavoro di squadra progettate per migliorare l'esperienza di apprendimento. Il design combina un modello di conoscenza, un modello didattico e motivazione emotiva per trasformare gli obiettivi educativi in situazioni di gioco. Il modello Teacher integra il modello dello studente per raggiungere un apprendimento efficiente e personalizzato attraverso un grafo della conoscenza e l'analisi dei dati. Basandosi sull'analisi di base, il modello Teacher fornisce supporto didattico personalizzato agli studenti e guida la progettazione dei compiti di gioco e i meccanismi di feedback. I giochi adattano dinamicamente compiti e difficoltà in base alle prestazioni degli studenti in tempo reale, migliorando l'adattabilità e consolidando le conoscenze. L'esperienza di apprendimento e decisioni nel gioco si traduce in un'educazione imprenditoriale reale attraverso il feedback. Come mostrato nella Figura 2, lo studio si basa sul precedente studioso americano Hodhod, che ha diviso il modello di gioco di educazione adattiva in dominio, insegnamento, modelli di giocatore e modulo di motore e presentazione adattivo^9, e basandosi sui principi di costruzione del modello, costruisce un modello di gioco di esperienza decisionale educativa per studenti universitari che integra algoritmi KT migliorati.

Nella Figura 2, il modello complessivo è composto da due parti: l'interfaccia di presentazione del gioco e il database backend. L'interfaccia di presentazione del gioco controlla la presentazione del suono, della grafica, dell'interazione e di altri effetti del gioco, e lavora in combinazione con il database per presentare il gioco. Il database di background è composto da tre parti, ovvero modelli di dominio, insegnante e studente, utilizzando il modulo componente ITS come riferimento, per realizzare congiuntamente la funzione di gioco. I punti di conoscenza IE selezionati sono rappresentati da una rete framework. La progettazione e la costruzione di modelli didattici e strutture funzionali sono i prerequisiti e la garanzia per la successiva progettazione e sviluppo della produzione di insegnamento dei giochi. Sotto la guida degli obiettivi di ricerca e delle basi teoriche, il modello di struttura funzionale di questo gioco chiarisce le relazioni tra vari moduli e li integra in un modello di struttura funzionale.

Demografia dei partecipanti e campionamento

La demografia dettagliata dei pazienti si trova nella Tabella 1. Formula della dimensione del campione (G*Power 3.1.9.7): Dimensione dell'effetto f = 0,25 (media), α = 0,05, potenza = 0,90, gruppi = 3 poi n ≥ 159, Reclutamento effettivo: 305 (10% di perdita consentita). Per le repliche future, raccomandiamo un campione minimo di 200 partecipanti (10% di attrito atteso) per mantenere la potenza statistica ≥ 0,90 a dimensione d'effetto media f = 0,25 (G*Power 3.1.9.7, tre gruppi, α = 0,05). Se sono previste ulteriori analisi di moderazione (ad esempio, genere x gruppo), aumentare a 270 per garantire che le dimensioni cellulari ≥ 45.

Campo	Esempio di voce	Criteri di inclusione	Criteri di esclusione
StudentID	S001	Studente universitario a tempo pieno	Ha seguito ≥1 corso di IE
Età	19	18-25 anni	Distribuzione esterna
Genere	F	Autoidentificato	Rifiutarsi di denunciare
Maggiore	Azienda	Qualsiasi disciplina	Formazione continua senza titolo di studio
Reclutamento	Email del campus	Stratificata casualmente	Già partecipato

Tabella 1: Demografia dei pazienti.

Per garantire metriche di IA riproducibili, esegui tre sessioni di addestramento indipendenti con diversi semi casuali (42, 2023, 1024). Riportare la media e l'IC del 95% di AUC, F1 e RMSE; qualsiasi larghezza di CI > 5% della media attiva due corse aggiuntive fino a raggiungere la stabilità.

Inizializzazione CPT

Cinque esperti di educazione industriale (≥ 5 anni di insegnamento universitario ≥ 3 progetti imprenditoriali guidati) sono stati reclutati tramite campionamenti propositi presso l'Università di Shaoxing e la Wenzhou-Kean University. Documento di approvazione del comitato di esperti ID: SU-IE-2023-00. Selezione degli esperti: Oggetto: [Panel di esperti] Elicitazione CPT per la rete bayesiana IE. I criteri di idoneità erano ≥ insegnamento universitario quinquennale dell'ingegneria industriale, ≥ 3 start-up reali di studenti e disponibilità a partecipare a 2 turni online di 2 ore Delphi.

Template iniziale CPT

Sono stati stabiliti i seguenti criteri e sono state utilizzate le istruzioni seguenti.

Nodo	Genitore= padroneggiato?	P(corretto|genitore)	Priore
T1_opportunity	VERO	0.85	0.30
T1_opportunity	FALSO	0.30	/
CN1_resource	/	/	0.30

Istruzione di aggiornamento iterazione (riga singola in Python):

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

Unity - Pseudocodice di integrazione 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)

Schema minimo eseguibile completo (Copia per far funzionare senza intoppi):
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 (collegato a GameObject vuoto)
```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);
    }
  }
}
```

Difficoltà adattiva e trigger di feedback
I dettagli della soglia sono forniti nella Tabella 2, e la logica del trigger è riportata di seguito .
Copia e usa la configurazione JSON (salva come '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 legge il codice:
```csharp
TextAsset cfg = Resources.Load("adaptive_config");
JsonUtility.FromJson(cfg.text);
```

Probabilità posteriore	Regolazione della difficoltà	Messaggio di feedback
<0.3	-1 livello	Si suggerisce di rivedere i punti di conoscenza dell'integrazione delle risorse.
0.3-0.7	Rimanere invariati	"Continua
> 0,7	Livello +1	"Sblocca compiti ad alta difficoltà

Tabella 2: Tabella delle soglie e logica dei trigger.

Parametri di risoluzione dei problemi e replicazione

I guasti comuni incontrati e le soluzioni a livello di replica sono riportati nella Tabella 3. Se la console Unity restituisce ancora il 404 dopo il rilascio del firewall, esegui la seguente checklist: (1) Sostituire localhost con IPv4 esatto: in Unity > Logger.cs cambiare http://localhost:5000/log in http://192.168.x.x:5000/log (eseguire ipconfig in Windows per ottenere l'indirizzo); (2) Abilita CORS in Flask: dopo app = Flask(__name__) aggiungi cors = CORS(app, resources={r"/*":{"origins":"*"}}); (3) Verifica l'occupazione della porta: netstat -ano | trovare 5000 punti, uccidere il PID in conflitto; (4) Aggiungere battiti cardiaci di 3 secondi: Invocare la Ripetizione ("SendHeartbeat", 0, 3) in Unity per mantenere vivo il socket. I passaggi sopra sono scriptati in troubleshoot_up_comm.sh (Unix) e troubleshoot_up_comm.ps1 (Windows) forniti nella cartella /utils del repository GitHub.

Caratteristiche	Dimensione	CITC	α dopo aver eliminato l'oggetto	α in scala inferiore	Programma totale α
Educazione all'imprenditorialità	CY1	0.68	0.848	0.872	0.956
	CY2	0.72	0.841
	CY3	0.66	0.854
Capacità imprenditoriale	CN1	0.7	0.826	0.859
	CN2	0.69	0.828
	CN3	0.68	0.834
Coscienza imprenditoriale	CS1	0.68	0.852	0.878
	CS2	0.66	0.865
	CS3	0.7	0.854
Intenzione imprenditoriale	CX1	0.73	0.795	0.877
	CX2	0.66	0.845
	CX3	0.77	0.789
Comportamento imprenditoriale	CW1	0.76	0.776	0.909
	CW2	0.71	0.823

Tabella 3: Guasti comuni incontrati e soluzioni a livello di replicazione.

Condivisione di codice e dati:
Dataset demo (n = 50, anonimizzato) contenente 14 caratteristiche comportamentali e 10 IE
Knowledge Nodes è disponibile su https://doi.org/10.5281/zenodo.123456
Nome file: IE_Game_Demo.csv
Intestazioni: StudentID, TaskID, Corretto, HelpSeeking, Tentativi, Difficoltà, CN1, CS1, CW1, CY1, CY2, CY3, T1, I1
Dimensioni: 50 righe × 14 colonne (~12 KB)
Formato: UTF-8 CSV, nessun valore mancanti, conforme allo standard GDPR di de-identificazione (nome, email, IP rimosso).

Soglia di coerenza interna: Cronbach α ≥ 0,80; Correlazione totale-item ≥ 0,40. Soglie di validità: KMO ≥ 0,70, Bartlett p < 0,001, AVE ≥ 0,50, CR ≥ 0,70, caricamento fattoriale ≥ 0,75. Soglia di prestazioni modello: set di test AUC ≥ 0,85, F1 ≥ 0,85, RMSE ≤ 0,20. Qualsiasi metrica al di sotto di questi valori segnala una revisione del protocollo.

Per sopprimere l'overfitting nel modello migliorato DKT-FA, abbiamo applicato un triplo guardrail: (1) Aumento dei dati: scorrere una finestra di 50 passaggi lungo la sequenza dello studente per generare 5 volte più sottosequenze. (2) Regolarizzazione: penalità di peso L2 1 x ^10-5 su tutti i chicchi densi e i chicchi ricorrenti. (3) Early-stop: monitorare la validazione - AUC, interrompere l'addestramento se non c'è guadagno > 0,001 per 5 epoche consecutive.

Disegno sperimentale per gli esiti di apprendimento e l'adattabilità

Per testare l'effetto moderante di genere, sono state raccolte variabili di genere e punteggi della scala di gioco a 14 dimensioni nell'ottava settimana dell'esperimento, e il test t del campione indipendente è stato utilizzato per confrontare le differenze tra uomini e donne. Nel frattempo, valutazioni soggettive come immersione nel gioco e realismo della scena sono state raccolte utilizzando la scala a cinque punti di Likert, e sono state registrate le differenze percentuali di fitness e i cambiamenti di voto del gruppo non giocatore (Gruppo A, n = 100), del gruppo di gioco non adattivo (Gruppo B, n = 105) e del gruppo di gioco adattivo (Gruppo C, n = 105) sotto la stessa difficoltà crescente dei corsi IE. Tutti i dati sono stati testati per la significatività secondo SPSS 25.0 per verificare l'universalità del modello per diversi generi e forme didattiche.

Questo studio ha progettato un esperimento controllato per verificare gli esiti di apprendimento e l'adattabilità. I partecipanti sono stati divisi in tre gruppi: il Gruppo A (controllo non di gioco) ha ricevuto solo insegnamenti tradizionali in classe; Il Gruppo B (controllo non adattivo del gioco) combinava l'insegnamento tradizionale con giochi IE non adattivi; Il gruppo C (gruppo sperimentale) utilizzava l'insegnamento tradizionale più il gioco adattivo IE decision-experience (integrando BN+DKT-FA). L'esperimento di 8 settimane ha incluso 1 settimana di preparazione (gruppamento: 105 nel Gruppo C, 100 nel Gruppo A/B; pre-test dell'atteggiamento imprenditoriale/autoefficacia; debug del sistema di gioco), 6 settimane di intervento (2 lezioni a settimana, 45 min/h, corrispondenza ai progressi regolari del corso IE) e 1 settimana di post-test. Per la verifica generalizzata, sono stati raccolti ulteriori dati di interazione dall'Università A (scienza-ingegneria, 120 insiemi), dall'Università B (comprensiva, 110 insiemi) e dall'Università C (arti liberali, 90 insiemi) per testare la robustezza del modello tra i diversi contesti disciplinari.

La replicazione del modello di gioco IE decision experience prevede sei fasi fondamentali: lavoro preparatorio, costruzione della valutazione dello stato della conoscenza BN, sviluppo di un modello DKT migliorato, integrazione del sistema di gioco, progettazione sperimentale e raccolta dati, e validazione del modello. Questi sono descritti nei paragrafi seguenti.

Nella fase iniziale, le dimensioni e gli indicatori fondamentali dell'educazione IE sono chiaramente definiti, inclusi tre variabili medianti: consapevolezza imprenditoriale, capacità e volontà, insieme ai corrispondenti indicatori di misura. I dati demografici degli studenti e i dati di base IE vengono raccolti tramite questionari e i dati sui comportamenti di apprendimento vengono registrati tramite scenari simulati.

Nella costruzione BN, i nodi dei punti di conoscenza IE (variabili latenti) e dei comportamenti degli studenti (variabili di evidenza) sono definiti. La relazione logica tra i nodi è determinata in base a interviste di esperti e alla trama. I valori iniziali del CPT sono fissati in base all'esperienza degli esperti. I dati sul comportamento degli studenti vengono modificati iterativamente e trasformati in un JT tramite moralizzazione e triangolazione. L'evidenza comportamentale di input utilizza pgmpy 0.1.20 (senza RRID ufficiale pubblicamente disponibile) per calcolare la probabilità a posteriori e identificare i punti di conoscenza deboli con probabilità a posteriori <0,5.

Nel migliorare lo sviluppo del modello DKT, si esegue l'ingegneria delle caratteristiche sui dati, codificando le caratteristiche comportamentali, calcolando i coefficienti di difficoltà del compito e combinandoli in vettori per costruire una serie temporale. Viene stabilita un'architettura che include incorporamento di caratteristiche, LSTM, AM e livello di output. L'addestramento viene eseguito con l'entropia incrociata come funzione di perdita e ottimizzatore Adam, con un tasso di apprendimento di 0,001.

L'integrazione con il sistema di gioco utilizza l'API C# di Unity per trasferire i dati di comportamento del gioco in tempo reale su Python 3.9.7 (RRID:). Il back-end di SCR_008394 utilizza inizialmente BN per calcolare la probabilità a posteriori di padronanza della conoscenza, poi utilizza il modello DKT per prevedere i punti deboli, generare feedback personalizzati e modificare la difficoltà. In Unity 2021.3.8f1(RRID: SCR_018230), tre tipi di scenari IE sono progettati per attivare compiti mirati, oppure la difficoltà viene regolata in base ai risultati BN/DKT.

Nell'esperimento sono istituiti tre gruppi: confrontando le prestazioni di DKT-FA e il classico modello KT, verificando la necessità dei componenti DKT-FA, testando gli effetti educativi dei gruppi di gioco no-game, non-adaptive e adaptive game, e raccogliendo dati rilevanti; Validazione del modello: scikit-learn 1.0.2(RRID: SCR_002577) viene utilizzato per calcolare gli indicatori dell'Esperimento 1, analizzare i dati dell'Esperimento 2, e SPSS 25.0(RRID: SCR_002815) viene utilizzato per eseguire test ANOVA e t sui dati dell'Esperimento 3, e contemporaneamente per testare l'affidabilità e la validità della scala.

Risultati

L'esperimento si basava sulla scala di valutazione dei giochi educativi di Karen e Hodhod, e sono state organizzate e selezionate le dimensioni e gli item appropriati per l'aggiustamento. La scala di Karen e Hodgod ha grande autorità e applicabilità nel campo dei giochi educativi, coprendo molteplici dimensioni chiave dei giochi educativi, come il gameplay, il pedagogico, l'interattività, ecc. Introducendo e adattando questa scala, può valutare in modo più completo e accurato le prestazi...

Discussione

Il successo del modello di gioco di esperienza decisionale IE del college dipende da passaggi critici del protocollo, in particolare l'integrazione del ragionamento BN per la diagnosi della conoscenza in tempo reale e il modello migliorato di Deep Knowledge Tracing (DKT-FA) con l'incorporamento delle funzionalità e gli AM. L'inizializzazione precisa del CPT di BN – basata su interviste con esperti e aggiornata iterativamente con dati sul comportamento degli studenti – ha garantito un'ide...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Adam	Integrato in TensorFlow 2.8.0	Tasso di apprendimento 0,001
IncrociaEntropia binaria	Integrato in TensorFlow 2.8.0	Parametri predefiniti
C#	Unity 2021.3.8f1 versione predefinita	Chiamato tramite l'API C# di Unity
CUDA	11.2	È compatibile con TensorFlow 2.8.0
Albero Congiunto (JT)	Implementata PGMPY 0.1.20	moralize=Vero, triangolazione min-fill
LabelEncoder	Integrato in scikit-learn 1.0.2	Condiviso con scikit-learn
ModelCheckpoint	Callback TensorFlow 2.8.0	Basato sul set di validazione AUC
NumPy	Non specificato (l'ultima versione stabile è accettabile)	Ambiente Python 3.9.7
Panda	Non specificato (l'ultima versione stabile è accettabile)	Ambiente Python 3.9.7
PGMPY	0.1.20	Ambiente Python 3.9.7
Python	3.9.7	Un ambiente operativo back-end unificato
scikit-learn	1.0.2	RRID: SCR_002577
SPSS	25	RRID: SCR_002815
TensorFlow	2.8.0	La versione GPU richiede il supporto CUDA 11.2
Unità	2021.3.8 F1	RRID: SCR_018230