대학 혁신 및 기업가 정신 프로그램에서 의사결정 경험을 촉진하기 위한 교육 게임 설계

Shiqi Shen; Haoze Wu; Guoqi Lin; Lei Wu

doi:10.3791/69269

이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

연구 논문

대학 혁신 및 기업가 정신 프로그램에서 의사결정 경험을 촉진하기 위한 교육 게임 설계

457 조회수

⸱

DOI:

10.3791/69269

⸱

2025년 12월 16일

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

이 논문에서

요약

본 연구는 베이지안 네트워크를 활용한 게임 기반 모델을 제안하여 혁신과 기업가 정신 교육을 강화하고, 지식 추적, 학습 열정, 적응력을 향상시킵니다. 결과는 전통적인 교수법에 비해 높은 정확도(95.6%)와 더 나은 결과를 보였습니다.

초록

교육 게임은 학습자를 상황 환경에 몰입시켜 참여도를 높이며, 이는 대학 혁신 및 기업가 정신(IE) 과정에서 지식 숙달 모니터링과 열정 유지의 격차를 해소합니다. 본 연구는 IE 교육과 행동을 연결하는 내부 논리 메커니즘을 구축하며, 확률적 추론(PR)을 위한 베이지안 네트워크(BN)를 활용해 학습자의 지식 숙달도를 평가합니다. 지식 구조 추적을 위한 교육 게임 프레임워크를 활용하여, 개선된 딥 지식 추적(DKT) 알고리즘(특징 임베딩과 주의 메커니즘 통합)으로 강화된 대학 산업공학 의사결정-경험 게임 모델을 제안합니다. 결과는 모델의 기업가 정신 교육 점수와 예측 정확도가 모두 95.6%(테스트 모델 중 최고 수준)에 도달하며, 모든 평가 척도 항목에서 강력한 정보 커버리지를 보여주었습니다. 평균 지표 점수는 4를 초과하여 효과적인 피드백을 반영합니다. 학생들의 게임 기반 모델에 대한 적응력은 전통적인 교수법에 비해 2%에서 11% 더 높습니다. 내장 실시간 평가는 학습 성과를 교수 목표와 일치시켜 전략 조정을 가능하게 합니다. IE 교육의 가치는 기업가적 인식, 역량, 의지를 키우는 데 있으며, 자원 통합과 같은 실용적 역량을 강화하는 기능도 있습니다. 이 모델은 학습 열정, 적응력, 효율성을 향상시켜 맞춤형 대학 산업공학 교육 설계에 대한 통찰을 제공합니다.

서론

혁신 및 기업가 정신(IE) 교육은 기업가 문해력과 선구적인 인재를 육성하는 데 중점을 두며, 혁신적인 사고와 기업가 역량의 단계적 훈련에 중점을 둡니다. 하지만 현재 IE 교육은 실용성과 상호작용 교육과정이 부족하며, 이론에 크게 의존하고 실습 중심의 문제 해결 능력은 소홀히 하고 있습니다. 높은 상호작용성과 시나리오 시뮬레이션을 갖춘 교육용 게임은 의사결정과 팀워크를 촉진하여 이 격차를 해소할 수 있으며, 개인화된 IE 학습에 유망한 도구가 될 수 있습니다^.

IE 교수 효율성을 높이기 위해 이전 연구들은 게임을 IE에 통합했으나 두 가지 주요 한계에 직면했다: 학습자들이 중요한 지식 포인트를 자주 간과하고, 전통적인 게임은 지식 습득을 동적으로 추적하지 못한다 ^2,3. 이를 해결하기 위해 우리는 다음과 같은 가설을 제안합니다: 실시간 지식 진단을 위한 베이지안 네트워크(BN) 추론과 개선된 딥 지식 추적(DKT) 알고리즘을 통합한 IE 의사결정-경험 게임은 전통적인 교수법이나 기존 KT 모델(BKT, DKVMN, EKT^)보다 더 높은 예측 정확도와 학생 적응력을 달성할 것입니다.. 이 연구의 이중 혁신은 이전 연구의 공백을 메운다: 기존 모델이 정적 지식 평가만 수행하는 것과 달리, 우리는 BN 추론—지식 포인트를 조건부 확률표(CPT)를 가진 노드로 모델링하여 게임^{성과 데이터를 통해} 학습 약점을 실시간으로 진단한다. 이 연구는 IE 차원 특징(기업가적 인식, 능력, 의도)과 주의 메커니즘(AM)을 내장하여 표준 DKT의 장기 정보 손실을 해결하고, BKT, DKVMN, EKT⁶과 같은 제한된 모델을 능가하여 DKT를 강화합니다.

IE 교육의 핵심은 기업가 인식, 능력, 의도를 육성하는 데 있는데, 이는 IE와 기업가 행동 사이의 세 가지 매개 변수로, 기본적이고 주요하며 근본적인 목표에 해당하지만, 기존 도구들은 이러한 역동적 발전을 추적하지 못합니다. 이는 현재 IE 교육에 적응적이고 데이터 기반의 도구가 부족하다는 중요한 실질적 필요성을 부각시킵니다. 실시간 피드백을 제공하는 게임화된 시스템은 이를 직접적으로 해결하여 고등교육 환경에 확장성을 제공합니다.

이 연구는 다섯 개의 섹션으로 구성되어 있습니다: (1) IE/교육용 게임 개념과 그 디자인 도전 과제를 상세히 설명하고; (2) 즉, 교육과 교육 게임 연구를 검토하고; (3) 상세한 방법론(IE 게임 평가 차원 선택, 개선된 DKT를 통합하여 모델 구축); (4) 모델 성능 검증; (5) 발견 사항, 한계 사항 및 향후 방향을 요약합니다.

관련 작품

대학생들의 고품질 고용 촉진을 위해 대중 IE를 장려하는 배경에서, IE 교육을 통해 혁신 문해력과 기업가 역량을 향상시키는 방법에 대해 모든 분야에서 광범위한 관심을 받고^{있습니다.} Liu 등은 지능 교육에서 학생들을 적극적으로 지원하는 방법을 분석하고, 지식 개념 정보를 결합하여 재귀 신경망 프레임워크를 해석 가능한 연습 인지 지식 추적(EKT) 프레임워크로 확장하였습니다. 결과는 이 방법이⁸학년 학생 예측에 있어 해석 가능성이 우수함을 보여주었습니다. Shute 등은 학생들의 선호도, 성별 및 기타 특성을 교육 과정에 통합했습니다. 결과는 교육용 게임을 기반으로 한 물리 교육이 전통적인 9번 교육보다 더 좋은 성적과 게임 성과를 보^였음을 나타냈다. Chen 등은 준실험 설계를 통해 모바일 비즈니스 시뮬레이션 게임이 기업가 교육에 미치는 영향을 탐구했습니다. 연구 결과는 모바일 비즈니스 시뮬레이션 게임이 기업가 태도와 자기 효능감을 향상시킬 수는 있지만, 기업가적 의도를 바꾸지는 못한다는 것을 보여주었습니다. 연구 결과는 모바일 비즈니스 시뮬레이션 게임이 기업가 교육에서 긍정적인 역할을 하며, 이는 기업가 정신과 자기효능감을 향상시킬 수 있음을 확인시켜 줍니다. 연구 결과는 이 방법이 학습자의 게임 과제 수행 수행에 대해 높은 예측 정확도를 보였음을 보여주었습니다. Shi 등은 이차 함수 지식을 게임에 통합하는 교육 방식을 제안했다. 실험 결과, 이 교^{수 방식을 통해} 학생들의 학습 동기와 수학 점수가 크게 향상되었다는 것을 보여주었다.

Isabelle 등은 독립적인 게임화 플랫폼을 사용하고, 비게임 응용 분야에서 게임 메커니즘을 활용하며, IE 교육 이론을 통합하여 기업가 교육의 게임화를 분석^{했습니다.} 연구 결과는 게임화된 기업가 교육 방법이 학생들의 참여와 기업가적 자기효능감을 향상시킬 수 있음을 보여주었습니다. Soomro 등은 특정 대학 학생들을 대상으로 횡단면 데이터 정량 방법을 사용하여 기업가 교육, 자기 효능감, 기업가 의도에 관한 실증 조사를 실시했습니다. 결과는 기업가 교육 구조가 기업가적 자기효능감과 기업가 의도에 유의미한 긍정적 영향을 미친다는 것을 나타냈다. 로이와 같은 학자들은 기업가 교육의 가정과 도전에 관한 토론을 제안하며, 새로운 기업가 관점을 기존 기업가 교육 모델에 통합했습니다. 연구 결과는 지식 우선순위 결정이 기업가 교육의 영향력을 높이는 데 가장 중요하다는 것을 보여주었습니다¹⁴. 학교에서 인도유럽학 교육의 성과를 향상시키기 위해 Mao 등은 의사결정 트리와 퍼지 알고리즘을 기반으로 한 IE 교육 평가 모델을 구축했습니다. 이 실험은 이 모델이 대학 산업공학 교육의 질을 효과적으로 평가하고 IE 교수 전략 최적화를 위한 실행 가능한 정량적 도구를 제공하는 데 특정 실용적 응용 사례가 있음을 보여주었다¹⁵. 리 등은 인터넷 맥락에서 대학생들을 대상으로 인도 산업공학 교육의 필요성을 분석했다. 실제 연구 결과를 바탕으로 인도유럽 교육과 실천의 발전을 촉진하기 위한 전략이 제안되었습니다^.

요약하자면, IE 교육의 가치와 기능은 주로 기본적인 자질과 기업가 정신을 선도하는 인재를 양성하는 데 있습니다. 그 가치는 혁신적인 의식, 지식, 능력, 의도를 포괄적으로 고려하여 학생들의 심리적 욕구인 기업가 열정을 자극하는 가치 체계에 있습니다. 이러한 바탕으로 IE 교육은 자원 통합, 팀 빌딩 등 학생들의 기업가 정신 향상에 중점을 두며, 궁극적으로 기업가 의지를 형성하여 실질적인 행동으로 전환하는 데 중점을 둡니다. 기능적으로 IE 교육은 자원 통합, 팀워크 등과 같은 실천을 통해 학생들이 기업가적 도전에 맞서는 능력을 향상시키고, 이를 통해 기업가 행동의 실현을 촉진합니다. 현재 인도유럽학 교육에 관한 연구는 주로 이론적 특성, 역할, 실증 분석에 집중하고 있으며, 교수법에 관한 관련 연구 결과는 부족합니다. 학습자는 다른 지도와 도움이 필요할 수 있지만, 교육용 게임은 학습자의 지식 습득 상태를 시뮬레이션할 수 없습니다. 이러한 문제를 해결하기 위해 본 연구는 학생 간 개별 학습 차이를 식별하고, BN 추론을 사용하여 학습자의 교수에 대한 지식 숙달 수준을 얻을 것을 제안합니다. 더불어, 향상된 지식 추적(KT) 알고리즘을 기반으로 학생들의 산업공학 교육을 위한 의사결정 경험 게임 모델을 구축합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

이 연구는 샤오싱대학교 인간 연구 윤리 위원회(승인 번호)의 승인을 받았습니다. SU-2023-IE-058). 모든 참가자는 데이터 수집 전에 서면 동의서를 제공하였습니다. 이 실험은 헬싱키 선언(2013)에 따라 진행되었습니다.

대학생을 위한 IE 교육 의사결정 경험을 위한 게임 디자인

연구는 학습자의 지식 숙달 상태를 실시간으로 평가하기 위해 베이지안 네트워크(BN)를 도입했습니다. 각 지식 포인트는 의존성을 정의하는 조건부 확률표(CPT)를 가진 노드로 모델링되었습니다. 게임 상호작용에서 나온 학생들의 성과 데이터는 pgmpy 라이브러리(v0.1.20, Python 3.9.7)를 이용한 확률적 추론의 증거로 활용되었습니다. 효율적인 추론을 위해 접합 트리 알고리즘이 사용되었습니다.

BN 추론에 기반한 학생들의 IE 교육의 게임 평가 차원 특징 선택

인도유럽 교육 발전은 고등교육 개혁의 지속적인 심화와 함께 이루어졌으며, 교육 분야에서도 상당한 진전이 이루어졌습니다. IE 교육 생태계 혁신의 연구 배경은 현대^{경제 시스템 구축}을 위한 개발과 전략적 지원을 위한 첫 번째 동력입니다. 그러나 IE 생태계의 운영은 자연 생태계와 마찬가지로 많은 영향을 미치는 요인을 가지고 있습니다. IE 교육의 기본 기능과 가치는 혁신적인 정신, 지식 체계, 실행 능력을 갖춘 고품질의 인재를 다수 양성하는 데 ^{있습니다.} 그 기본 목적과 가치는 주로 그림 1에 나타난 다섯 부분으로 구성되며, 이는 IE 교육의 기능과 가치입니다.

figure-protocol-1
그림 1: IE 교육의 핵심 기능, 가치 구성, 그리고 기업가 행동과의 내부 논리 연계의 통합 프레임워크. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 1 은 IE 교육의 기능과 가치를 보여주며, 핵심은 기업가적 인식입니다. 기업가 정신의 수요는 기업가 인식 형성의 기초이자 전제 조건입니다. 기업가적 관심은 핵심으로, 개인이 기업가 정신에 관심을 갖게 만듭니다. 기업가적 동기는 기업가 실천을 촉진하는 원동력입니다. 기업가 정신은 창업의 어려움을 극복하는 데 도움을 줍니다. 기업가적 가치는 궁극적인 목표이며, 개인과 사회에 기업가 교육의 중요성을 반영합니다. 모든 요소는 서로 상호작용하며 IE 교육²⁰의 기능을 공동으로 지원합니다. 연구는 IE 교육을 의식 수련, 능력 향상, 의도 생성으로 분류합니다. 이들은 IE 교육의 기본적이고 주요하며 근본적인 목표에 부합합니다. 기업가 정신은 여러 단계로 나뉘며, 이러한 인식을 키우는 것이 지식과 능력 목표를 달성하는 데 핵심적인 요소입니다. 지식 자체가 능력의 일부이므로, 기업가 교육은 개인의 기업가 능력을 키우는 데 집중해야 합니다. 의도는 의식이 행동으로 발전하는 데 중요한 연결고리이지만, 의도와 행동은 정확^{히 같지} 않습니다. 기업가 교육에서는 학생들의 기업가 의지를 형성하여 효과적인 경험을 형성하고 이를 행동으로 전환시키는 것이 필수적입니다. 요약하자면, 이 연구는 기업가 인식, 기업가 능력, 기업가 의도를 IE 교육과 기업가 행동 사이의 매개 변수로 삼습니다. 기업가 인식, 능력, 의지를 IE 교육과 기업가 행동 사이의 매개체 변수로 삼으며, 이는 IE 교육의 기본, 주요, 근본적인 목표에 대응하며, 문헌 분석과 ILM을 결합하여 각 변수(예: IE 교육, 과정 참여 등 포함)의 측정 지표를 설정한 후 이 ILM을 구성합니다. 그림 1에서 보듯, IE 교육과 기업가 행동을 연결하는 ILM이 연구 목적으로 구축되었습니다.

그림 1에서 보듯, 기업가 교육이 기업가 능력에 미치는 긍정적 효과는 대학생들이 기본 기술을 습득하고, 자원을 축적·활용하는 능력을 향상시키며, 기업가 생활의 어려움을 극복하는 데 도움을 주는 데 반영되어 있습니다. 기업가 인식은 산업공학 교육과 기업가 행동 사이에서 중개자 역할을 할 수 있습니다. 기업가 행동의 전제 요인으로서, 기업가적 의도는 행동의 발생을 직접적으로 예측할 수 있습니다. 대학생들 사이에서 기업가 정신을 키우는 것은 기업가 지식을 축적하고 역량을 향상시키는 데 도움이 될 수 있습니다. 능력 이론은 능력이 행동을 결정하는 핵심 요인이며, 특히 IE 교육에서는 학생들의 다차원적 능력 개발, 즉 자원 통합, 팀 빌딩, 자금 준비 등을 강조합니다. 이러한 기술들은 기회 식별, 관계 구축, 행동 실행 등 학생들의 기업가 정신 수행 성과에 직접적인 영향을 미칩니다. 기업가 능력은 세 가지 주요 차원을 포함하는데, 자원 통합 능력은 기업가 정신을 지원하기 위해 자원을 효과적으로 사용하고 통합하는 능력을 의미합니다; 팀 빌딩 능력은 팀을 구성하고 이끄는 능력을 의미합니다; 그리고 자본 준비 상태, 즉 창업 자본을 조달하고 관리할 수 있는 능력입니다. 이러한 능력의 향상은 학생들의 창업 성공을 촉진하는 핵심입니다²³.

기업가 교육, 기업가 행동, 기업가 능력, 기업가 인식, 기업가 의도에 대한 측정 기준의 확립은 주로 문헌 분석에 기반하며, IE 교육의 ILM과 결합됩니다. 기업가 교육 지표는 기업가 강좌 또는 강의 참여(CY1), 기업가 교육 기술 훈련 참여(CY2), 기업가 경연 대회 참가(CY3)입니다. 이 지표들은 학생들의 인도유럽 교육 참여도를 직접 반영하며, 기업가 교육의 실용성과 상호작용의 핵심 목표를 반영합니다. 기업가 행동의 지표는 기회 식별(CW1), 관계 구축(CW2), 에너지 투자(CW3)입니다. 이는 주로 행동 이론(예: 역량 이론)에서 비롯된 기업가 행동 행동과 관련된 측정으로, 기회 포착, 사회적 자본 구축,^{자원 배분}과 같은 개인의 행동 특성에 초점을 맞춘다. 기업가 능력의 측정 차원은 자원 통합 능력(CN1), 팀 빌딩 능력(CN2), 자본 준비 능력(CN3)입니다. 이러한 차원들은 기업가 능력 향상이라는 핵심 실질적 목표에서 비롯되었으며, 이는 학생들이 실제 기업가 환경에서 생존하고 발전할 수 있도록 돕는 것입니다. 기업가 의식의 측정 차원에는 기업가 행동 태도(CS1), 기업가 주관적 규범(CS2), 기업가 인식 행동 통제(CS3)가 포함됩니다. 기업가 의식의 측정은 아젠의 계획행동 이론(TPB)에 기반하며, 이는 개인의 심리적 기업가 행동 기대를^{분석 초점으로} 삼습니다. 기업가 의향의 지표는 기업가 의욕(CW1), 경력 계획, 기업가 관련성(CW2)입니다. 기업가 의도의 측정은 주관적 규범과 행동 의도 간의 관계 등 기업가 교육이 진로 선택에 미치는 영향 이론에 의해 뒷받침됩니다.

교수 활동에서 학생들의 응답을 증거 변수로 삼아 잠재 변수와 관찰 가능한 변수의 사후 확률을 계산하는 과정은 학생들의 지식 수준을 진단하는 과정입니다. BN 추론은 주로 BN 구조와 조건부 확률 분포를 기반으로 한 사후 확률을 계산하며, 특정 증거 조건²⁴ 하에서 네트워크 내 일부 노드의 값 취득 확률을 계산합니다. 노드 변수가 n 개인 BN의 경우, 이는 식(1)²⁵에 나타난 것처럼 결합 확률 분포 함수로 정의할 수 있다.

figure-protocol-2 (1)

여기서 P는 BN의 조건부 확률 집합 figure-protocol-3 을 의미합니다. 임의의 노드 figure-protocol-4 에 대해, 조건 figure-protocol-5 부 확률을 나타내는 CPT가 존재하며, 그 부모 노드 집합 figure-protocol-6 를 나타냅니다. figure-protocol-7 는 임의의 두 확률 변수이고, figure-protocol-8 는 증거인 figure-protocol-9 가설입니다. 사전 확률은 알 수 없는 사건 figure-protocol-10 figure-protocol-11 의 확률 figure-protocol-12 입니다. 사후 확률은 알려진 사건 figure-protocol-13 figure-protocol-14 의 확률 figure-protocol-15 이다. 식(2)에서 보듯, 이는 베이지안 방정식²⁶이다.

figure-protocol-16 (2)

BN은 PR을 통해 학습자의 교육 지식 숙달도를 얻을 뿐만 아니라, 학습자의 지식 구조를 그래픽으로 반영할 수 있습니다. 도메인 모델에서 지식 표현과 추론을 사용하여 모든 개념적 지식을 노드로 간주합니다. 게임에서는 노드를 사용해 해당 레벨을 설정하고 BN의 동적 업데이트를 제공합니다. 학습 과정에서 시스템은 사용자 데이터 정보를 지속적으로 수집하여 네트워크에 업데이트합니다. 조인트 트리(JT) 알고리즘은 현재 가장 널리 사용되고 가장 빠른 계산 BN 추론 알고리즘입니다²⁷. 알고리즘 과정에는 BN을 클리크 내 간선 집합을 포함하는 이차 구조로 변환하는 것이 포함됩니다. IE 교육 의사결정 경험 게임 모델에서 적응성은 학습자의 실시간 성과, 개별적 특성, 학습 요구에 따라 시스템이 교육 내용, 전략, 상호작용 모드를 자동으로 조정할 수 있는 능력으로 정의됩니다. 미국 학자 호드호드는 적응형 교육 게임 모델을 도메인, 교육, 플레이어 모델, 적응형 엔진 및 프레젠테이션 모듈²⁸로 나누었습니다. 각 모델은 서로 다른 기능을 가지며, 그중 플레이어 모델이 학생 모델로, 학습자를 위한 적응형 지원을 위한 교육 게임의 핵심 요소입니다. 그림 2에서 보듯, 이는 JT 알고리즘을 기반으로 한 학생 모델의 정보 흐름입니다.

figure-protocol-17
그림 2: 대학 통합 아키텍처 IE 교육 의사결정 경험 게임. Joint-Tree를 기반으로 한 학생 정보 흐름, 특징 임베딩 및 주의를 포함한 향상된 DKT, 그리고 KT가 통합된 핵심 요소들. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 2에서 연구는 BN을 사용해 학생 모델을 구성하고 JT 추론 알고리즘을 사용해 학생들의 지식 습득을 실시간으로 평가할 것입니다. JT 알고리즘은 동일한 버전의 pgmpy를 사용하며, to_junction_tree 메서드인 BN(도덕화=참, 삼각분할 min_fill)을 호출해 JT를 생성하고, 노드()를 사용하여 클러스터 노드를 관찰합니다. JunctionTreeInference로 추론 엔진을 초기화하고, 쿼리 메서드를 통해 행동 증거를 입력하며, joint=False를 IE 지식점의 사후 확률로 반환하고, tol=1e-6을 오류 제어로 설정합니다. 그 후 통계 모델을 사용하여 학습자의 올바른 응답률과 설정된 임계값을 비교하여 학생들에게 적절한 게임 과제 프레임워크와 즉각적인 피드백 프레임워크를 제공합니다. BN 모델링은 pgmpy 0.1.20(Python 3.9.7 환경)을 기반으로 합니다. BN 클래스는 노드 의존성 목록을 전달하기 위해 호출되며, 잠재/증거 변수는 node_type로 표시됩니다. CPT는 TabularCPD 클래스를 사용하여 전문가 경험을 바탕으로 초기화되고, 이후 베이지안 추정기(Bayesian Estimator)의 적합 방법을 사용해 학생 행동 데이터를 반복적으로 업데이트합니다(디리클레 사행, pseudo_counts=1). 인과관계는 인과추론 do_calculus을 통해 검증되며, 상호 정보가 0.3 이상일 경우 계산되어 강한 의존성을 나타냅니다.

개선된 KT 알고리즘을 통합하여 대학생을 위한 IE 교육용 의사결정 경험 게임 모델 설계

IE 교육 게임 평가 차원의 특징 스크리닝은 BN 추론을 통해 학생들의 지식 약점을 동적으로 식별할 수 있지만, BN은 현재 지식 상태의 진단에만 집중하며 학생들의 지식 숙달의 동적 변화 과정을 추적할 수 없습니다. 또한 이후 학습 요구를 정확히 예측하기 어렵고, 게임 모델이 교수 전략에 동적으로 적응하는 것을 지원할 수 없습니다. 따라서 KT 알고리즘을 통합하고 개선하고, 특징 임베딩과 AM을 활용해 학생들의 지식 구조를 실시간으로 추적하고 예측할 수 있는 것이 필요합니다. 학생 모델은 학생 정보를 모니터링하는 모듈로, 그 연구는 인텔리전트 튜터링 시스템(ITS)²⁹에 처음 발표되었습니다. ITS에서는 학생들의 지식 상태의 동적 변화를 추적하는 것이 특히 중요하며, 이는 학생들이 지식을 학습하는 데 더 나은 방향성을 부여하는 데 도움이 됩니다. 학생들의 지식 구조를 추적하는 아이디어는 과거 학습 진단 시스템과 적응형^{교육 게임에서} 유래했습니다. DKT 모델은 대규모 사용자 데이터 규모의 평가 시나리오에 더 적합한 효과적인 KT 모델임이 입증되었습니다. DKT 모델은 TensorFlow 2.8.0(Python 3.9.7, GPU는 CUDA 11.2 지원)을 기반으로 합니다. 데이터는 pandas, LabelEncoder, numpy를 사용하여 처리되며, [샘플 크기 30,8]의 3D 텐서로 결합됩니다. Input(30,8), Dense(64,relu), LSTM(128,return_sequences=True), Dense(지식 포인트, 시그모이드)를 포함한 순차적 아키텍처를 구축합니다; Adam으로 최적화하고(lr=0.001), 손실 함수로 이진 교차엔트로피를 사용하고, 정확도와 AUC 지표를 설정하며, 50라운드의 훈련(배치=32)을 수행하고, 최적 가중치를 ModelCheckpoint에 저장합니다. 이 개선된 DKT 모델은 TensorFlow 2.8.0(Python 3.9.7, CUDA 11.2 지원)을 기반으로 구축되었습니다. 첫째, 특징 임베딩을 통해 질문에 답하는 학생 수, 도움을 구하는 행동, 요청 요청 횟수 같은 행동 특징이 답변 결과와 교차 연동되며, 문제 난이도 계수(틀린 답 수/총 답변 문제 수)와 결합되어 인코딩됩니다. 그 후 모든 인코딩된 특징을 연결해 벡터를 구성하고, 자동인코더(tanh 활성화)를 입력으로 차원 축소를 수행합니다. 그 후 LSTM과 DKT 출력 계층 사이에 주의 메커니즘이 도입됩니다. AttentionLayer 클래스가 정의되어 있습니다. TF.matmul은 가중치 계산에 사용되며, softmax는 가중 특징을 생성하는 정규화에 사용됩니다. 128개의 가중치를 설정하고 과적합을 방지하기 위해 드롭아웃(0.2)이 추가됩니다. Adam(lr=0.001) 최적화와 교차엔트로피를 50라운드 훈련의 손실 함수로 사용하여 학생들의 지식 숙달도를 추적하고 예측하는 데 성공했습니다. 이 연구는 특징 임베딩을 통해 입력 데이터를 풍부하게 하고 AM을 도입하는 개선된 DKT 모델을 제안하는데, 이는 그림 2에 나타난 바와 같습니다.

그림 2에서는 DKT 모델이 데이터 내 복잡한 특징을 포착할 수 있기 때문에, 특징 임베딩을 통해 모델의 입력 데이터를 풍부하게 하여 모델 성능을 향상시킬 수 있습니다. 장기 단기 기억(LSTM)의 마지막 숨겨진 상태는 현재 시점³¹의 학생들의 숨겨진 학습 상태입니다. 시간이 길어지면 LSTM은 중요한 정보를 잃게 만들 수 있습니다. 이 연구는 AM을 도입하는데, 이는 모든 과거 정보를 가중치와 집계하여 중요한 정보 손실을 줄입니다. 학생들의 답변 행동과 난이도 계수의 특성이 원래 입력 정보에 내재되어 보다 의미 있는 역사적 상호작용 연속 figure-protocol-18 이 됩니다. 이 모델의 입력 역사적 상호작용 시퀀스는 figure-protocol-19 이며, 출력은 지식 포인트에 대한 해당 질문에 대한 학생들의 답변을 정확히 예측하는 확률 벡터입니다. 이 연구는 학생들이 질문에 답하려고 시도하는 횟수, 답변 과정에서 도움을 요청하는 횟수, 그리고 교육 게임 모델의 새로운 기능에 질문을 요청하는 횟수를 결합하고, 이를 답안 결과와 교차하는 것을 제안합니다. 이는 식(3)에서 나타난 것입니다.

figure-protocol-20 (3)

식(3 figure-protocol-21 )에서 는 학생들이 질문에 답하는 행동 특성을 의미하며; figure-protocol-22 학생들이 현재 질문 figure-protocol-23 에 답하는 횟수를 나타내며; figure-protocol-24 도움 요청 횟수를 나타내며; figure-protocol-25 질문 횟수를 나타내며; figure-protocol-26 답변 결과를 나타냅니다. 문제의 난이도 계수 계산 방식은 식(4)에 나타난다.

figure-protocol-27 (4)

식(4)에서 는 figure-protocol-28 틀린 답변을 한 인원 figure-protocol-29 의 수를 나타내며 figure-protocol-30 , 정 figure-protocol-31 답을 맞힌 총 인원을 나타냅니다. 모델의 정확도를 높이기 위해 얻어진 모든 인코딩된 특징을 연결하며, 벡터 구성은 식(5)에 나타난다.

figure-protocol-32 (5)

식(5)에서 는 figure-protocol-33 지식 포인트의 수를 의미하며; figure-protocol-34 문제의 난이도 계수를 의미하고; figure-protocol-35 특징 조합을 의미하며; figure-protocol-36 인코딩 형식을 의미하며; figure-protocol-37 연결성을 의미합니다. tanh 활성화 함수를 사용해 자동 인코더를 훈련시키고, 완료 후 출력 계층을 제거하세요. 그 후 DKT-FA 모델에서 DKT-FA 모델의 입력으로 숨겨진 층의 출력을 사용하며, 이는 식(6)에 나타난 것입니다.

figure-protocol-38 (6)

식(6) figure-protocol-39 에서는 각각 학습된 가중 행렬과 바이어스 벡터이다. 이 연구는 AM과 LSTM 네트워크를 결합하여, 모델이 실제 행동 특성과 난이도가 유사한 답변 시퀀스에 더 많은 주의를 기울일 수 있도록 했습니다. AM은 LSTM과 DKT 출력 계층 사이에 통합되어 있습니다. 맞춤형 AttentionLayer 클래스가 정의되고, tf.matmul을 사용해 가중치를 계산하고, softmax를 사용해 가중치 특징을 생성하는 정규화를 수행합니다. 권리 보존을 위해 128개의 가중치가 설정되었고, 과적합을 방지하기 위해 Dropout(0.2)이 추가되었으며, 동기 최적화는 역전파를 이용해 수행되었고, get_weights()를 통해 가중치를 추출하여 키 동작의 영향을 분석했습니다. 주의 변수 figure-protocol-40 가 선택되면 네 번째 답변 기록이 figure-protocol-41 선택되었음을 나타냅니다. 식(7)에서 보듯, 이 방식은 역사적 순서 정보 코드와 최종 정보 코드를 사용하여 th 번째 정보의 figure-protocol-42 확률을 계산합니다.

figure-protocol-43 (7)

식(7)에서 가중치 계수는 figure-protocol-44 예측 시 주의해야 할 내용과 무시해야 할 내용을 결정합니다. 이 연구는 주의 점수 함수 figure-protocol-45 의 가산 모델을 사용하여 점수를 계산하는데, 이는 식(8)에 나타난 바와 같습니다.

figure-protocol-46 (8)

식(8 figure-protocol-47 )에서는 데이터 압축을 기반으로 한 과거 서열 정보 인코딩을 의미하며, figure-protocol-48 입력 정보의 figure-protocol-49 시간 차원 감소 인코딩을 의미합니다. figure-protocol-50 는 과학부의 네트워크 매개변수입니다. 주의 상태 figure-protocol-51 는 의 figure-protocol-52 가중 합으로 표기되며, 그 계산식은 식(9)에 나타난다.

figure-protocol-53 (9)

식(12)에서는 와 figure-protocol-54 결합 figure-protocol-55 하여 학생들이 모든 지식 포인트를 마스터할 확률을 계산하고 식(10)에 나타난 대로 표현합니다.

figure-protocol-56 (10)

머신러닝에서 교차엔트로피는 실제 채점과 예측된 결과 간의 차이를 측정하는 데 사용될 수 있습니다. 따라서 이는 식(11)에서 나타난 DKT-FA 모델의 손실 함수로 간주됩니다.

figure-protocol-57 (11)

식(11) figure-protocol-58 에서 와 figure-protocol-59 는 각각 예측된 확률 분포와 참 확률 분포를 나타냅니다. 지식 포인트를 포함 figure-protocol-60 해 1개의 지식 단위를 가정 figure-protocol-61 합니다. 그리고 지식점(지식점 figure-protocol-62 )을 사용할 확률이 이라 figure-protocol-63 면, 학생들의 지식점에 대한 숙달은 식(12)에서 나타난다.

figure-protocol-64 (12)

식(12)에서 는 figure-protocol-65 학습자의 지식 figure-protocol-66 점에 대한 오류율을 의미하며; figure-protocol-67 지식점이 발생할 확률을 의미합니다. 지식을 쌓는 것의 중요성을 공부하세요. 0-0.5 figure-protocol-68 범위 내의 값 범위를 분류하기 위해 는 두 부분으로 나뉩니다. 복잡하고 풍부한 게임 시나리오에서 학습자는 학습 방법을 개인화하고 의미 있게 재구성할 수 있습니다. 교육 게임 모델을 구성할 때는 관련 원칙도 따라야 합니다. 첫째, 학습자 주관성 원칙을 따라야 합니다. 학습자의 개별적 특성을 충분히 고려하여 게임 과정에서 자신의 능력에 맞는 게임 경험을 얻을 수 있도록 하는 것이 필요합니다. 둘째, 상황 인식 원칙을 따르는 것이 필요하며, 이는 학습자의 열정을 자극하기 위해 보다 현실적인 게임 환경을 설계하는 것입니다. 마지막으로, 게임 디자인과 교수법 설계의 균형을 맞추는 원칙을 따라야 합니다. 위의 원칙을 바탕으로 통합 IE 교육과 게임의 핵심 요소를 연구하고, 그림 2에 나타난 대로 IE 교육을 위한 의사결정 모델을 구축합니다.

그림 2에서 모델은 시나리오를 IE 교육의 근본적인 측면으로 삼고, 게임 자체는 학생, 교사, 지식 모델로 나뉩니다. 교수법 디자인 아이디어를 결합하여 줄거리, 활동, 과제, 그리고 게임의 핵심 요소를 추가로 구성합니다. 환경, 지식, 감정, 행동의 네 가지 측면을 결합한 주기적인 활동으로, 기업가 교육에서 이루어집니다. 지식 모델은 주로 교육에서 지식을 저장하고 나열하는 데 사용됩니다. 학생 모델은 교사 모델과 결합되어 개인화된 지식 학습을 달성합니다. 게임 모델의 교육적 측면과 게임플레이 측면의 균형을 맞추기 위해 게임 스토리, 활동, 작업 등의 더 세밀한 설계가 필요합니다. 동시에 가상 및 지각 시나리오 모두에 포함된 IE 지식을 구현하고, 지식 기반 학습을 올바른 기업가 교육 행동 육성에 내면화합니다. 그림 2에 내장된 기능 모듈은 학습 상태를 생성하고, 학생 행동 데이터(예: 답변 수, 도움 빈도, 정확률 등)를 분석하여 해당 단계에 적합한 작업 장면을 생성하여 이를 인터페이스에 동적으로 매핑합니다. 이러한 시나리오에는 가상 창업, 문제 해결, 또는 학습 경험을 향상시키기 위한 팀워크 시뮬레이션이 포함됩니다. 이 설계는 지식 모델, 교수법 모델, 감정적 동기를 결합하여 교육 목표를 게임 상황으로 전환합니다. 교사 모델은 지식 그래프와 데이터 분석을 통해 효율적이고 개인화된 학습을 달성하기 위해 학생 모델을 보완합니다. 배경 분석을 바탕으로 교사 모델은 학생들에게 맞춤형 교수 지원을 제공하고 게임 과제 설계와 피드백 메커니즘을 안내합니다. 게임은 학생 성과에 따라 과제와 난이도를 실시간으로 동적으로 조정하여 적응력을 높이고 지식을 통합합니다. 게임 내 학습과 의사결정 경험은 피드백을 통해 실제 기업가 교육으로 전환됩니다. 그림 2에서 보듯, 이 연구는 적응형 교육 게임 모델을 도메인, 교육, 플레이어 모델, 적응형 엔진 및 프레젠테이션 모듈⁹로 나누어 만든 이전 미국 학자 호드호드를 바탕으로 하며, 모델 구성 원칙에 따라 개선된 KT 알고리즘을 통합한 대학생 IE 교육 의사결정 경험 게임 모델을 구축했습니다.

그림 2에서 전체 모델은 게임 프레젠테이션 인터페이스와 백엔드 데이터베이스 두 부분으로 구성되어 있습니다. 게임 프레젠테이션 인터페이스는 사운드, 그래픽, 상호작용 및 기타 게임 효과를 제어하며, 데이터베이스와 연동하여 게임을 제공합니다. 백그라운드 데이터베이스는 도메인, 교사, 학생 모델의 세 부분으로 구성되며, ITS의 구성 모듈을 참고하여 게임 기능을 공동으로 구현합니다. 선택된 IE 지식 포인트는 프레임워크 네트워크로 표현됩니다. 교육 모델과 기능 구조의 설계 및 구축은 이후 게임 교육 설계 및 제작 개발의 전제 조건이자 보증입니다. 연구 목표와 이론적 기초에 기반한 이 게임의 기능적 구조 모델은 다양한 모듈 간 관계를 명확히 하고 이를 기능적 구조 모델로 통합합니다.

참여자 인구 통계 및 표본

상세한 환자 인구통계는 표 1에서 확인할 수 있습니다. 표본 크기 공식(G*검정력 3.1.9.7): 효과 크기 f = 0.25(중간), α = 0.05, 검정권 = 0.90, 그룹 = 3 후 n ≥ 159, 실제 모집: 305명 (10% 탈락 허용). 향후 재현에서는 중간 효과량 f = 0.25(G*검정도 3.1.9.7, 3개 그룹, α = 0.05)에서 통계적 검정≥력을 유지하기 위해 최소 200명의 참가자(예상 탈락률 10%)를 권장합니다. 추가 조절 분석(예: 성별 x 그룹)이 계획되어 있다면, 세포 크기를 45≥ 유지하기 위해 270으로 늘려야 합니다.

필드	예시 항목	포함 기준	제외 기준
학생 ID	시즌 1	전일제 학부 과정	≥1개의 산업공학 과정을 수강했습니다
연식	19	18-25세	외부 범위
성별	F	자칭	신고 거부
주요	사업	어떤 징계든	비학위 계속 교육
모집	캠퍼스 이메일	무작위 층화	이미 참여했어요

표 1: 환자 인구통계.

재현 가능한 AI 지표를 보장하기 위해 서로 다른 무작위 시드(42, 2023, 1024)로 세 번의 독립 훈련 실행을 실시합니다. AUC, F1, RMSE의 평균 및 95% 신뢰구간을 보고합니다; CI 폭이 평균의 5% > 있으면 안정성에 도달할 때까지 추가로 두 번의 런이 발생합니다.

CPT 초기화

소싱대학교와 원저우켄대학교에서 목적 표본 추출을 통해 5년간 대학 강의, 3개의 창업 프로젝트 지도 ≥≥ 5명의 인도유럽 산업공학 교육 전문가를 모집했습니다. 전문가 패널 승인 ID: SU-IE-2023-00. 전문가 선정: 주제: [전문가 패널] IE 베이지안 네트워크를 위한 CPT 유도. 자격 요건은 5년제 대학 산업공학 강의, ≥3개의 실제 학생 스타트업 지도, 그리고 2회 2시간 온라인 델파이 라운드 참석 의향이 ≥였습니다.

CPT 초기 템플릿

다음 기준이 설정되었고 아래 지침이 사용되었습니다.

노드	부모=마스터됨?	P(정확\|부모)	프라이어
T1_opportunity	맞아요	0.85	0.30
T1_opportunity	거짓입니다	0.30	/
CN1_resource	/	/	0.30

반복 업데이트 명령어 (Python 단일 행):

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

Unity - Python 통합 의사코드

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)

완전한 실행 파일 최소 도식 (원활하게 실행하려면 복사):
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 스크립트 (Empty GameObject에 첨부됨)
```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); } } } ```

적응적 난이도와 피드백 트리거
임계값 세부 사항은 표 2에 제공되며, 트리거 로직은 아래에 제시되어 있습니다.
복사해서 JSON 구성 (' as ' as 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"} } } ```

Unity가 코드를 읽습니다:
```csharp TextAsset cfg = Resources.Load("adaptive_config"); JsonUtility.FromJson(cfg.text); ```

사후 확률	난이도 조정	피드백 메시지
<0.3	-1단계	자원 통합의 지식 포인트를 검토할 것을 권장합니다.
0.3-0.7	변함 없이	"계속해
> 0.7	+1 레벨	"고난이도 과제 해제

표 2: 임계값 테이블과 트리거 로직.

문제 해결 및 복제 매개변수

흔히 발생하는 결함과 복제 수준의 해법은 표 3에 나와 있습니다. 방화벽 출시 후에도 Unity 콘솔이 여전히 404를 반환한다면, 다음 체크리스트를 실행하세요: (1) localhost를 정확한 IPv4로 교체: Unity에서 http://localhost:5000/log 를 http://192.168.x.x:5000/log 으로 변경> Logger.cs (Windows에서 ipconfig를 실행해 주소를 얻음); (2) Flask에서 CORS를 활성화하기: app = Flask(__name__) 이후 cors = CORS(app, resources={r"/*":{"origins":"*"}}); (3) 포트 점유 확인: netstat -ano | findstr 5000, 상반되는 PID 제거; (4) 3초 심장박동 추가: Unity에서 InvokeRepeating("SendHeartbeat", 0, 3)을 통해 소켓을 유지합니다. 위의 단계들은 troubleshoot_up_comm.sh(Unix)와 troubleshoot_up_comm.ps1(Windows)에서 스크립트화되었으며, GitHub 저장소의 /utils 폴더에 제공됩니다.

특징	치수	CITC	α 항목을 삭제한 후	서브스케일 α	총 일정 α
기업가 정신 교육	CY1	0.68	0.848	0.872	0.956
	CY2	0.72	0.841
	CY3	0.66	0.854
기업가 정신	CN1	0.7	0.826	0.859
	CN2	0.69	0.828
	CN3	0.68	0.834
기업가 의식	CS1	0.68	0.852	0.878
	CS2	0.66	0.865
	CS3	0.7	0.854
기업가 의지	CX1	0.73	0.795	0.877
	CX2	0.66	0.845
	CX3	0.77	0.789
기업가 행동	CW1	0.76	0.776	0.909
기업가 행동	CW2	0.71	0.823	0.909

표 3: 흔히 발생하는 결함과 복제 수준 해결책.

코드 및 데이터 공유:
14개의 행동 특징과 10개의 IE를 포함하는 데모 데이터셋(n = 50, 익명화 포함)
지식 노드는 https://doi.org/10.5281/zenodo.123456 에서 이용 가능합니다
파일명: IE_Game_Demo.csv
헤더: StudentID, TaskID, Correct, HelpSeeking, Attempts, Difficulty, CN1, CS1, CW1, CY1, CY2, CY3, T1, I1
크기: 50행 × 14열 (~12 KB)
형식: UTF-8 CSV, 누락 없음, GDPR 식별 해제 기준 준수(이름, 이메일, IP 삭제).

내부 일관성 임계치: 크론백 α ≥ 0.80; 항목-총 상관계≥ 0.40. 타당도 임계값: KMO ≥ 0.70, Bartlett p < 0.001, AVE ≥ 0.50, CR ≥ 0.70, 인자 부하 ≥ 0.75. 모델 성능 임계값: 테스트 세트 AUC ≥ 0.85, F1 ≥ 0.85, RMSE ≤ 0.20. 이 값 이하의 메트릭은 프로토콜 개정판으로 표시됩니다.

개선된 DKT-FA 모델에서 과적합을 억제하기 위해 우리는 삼중 가드레일을 적용했습니다: (1) 데이터 증강: 학생 시퀀스를 따라 50단계 창을 슬라이드하여 5배 더 많은 하위 시퀀스를 생성합니다. (2) 정규화: 모든 조밀한 핵과 반복 핵에 대해 L2 가중치 페널티 1 x ^10-5 . (3) 조기 중단: 검증 AUC를 모니터링하고, 5년 연속 에포크> 0.001 이득이 없으면 훈련을 중단합니다.

학습 성과 적응성을 위한 실험 설계

성별 조절 효과를 검증하기 위해 실험 8주차에 성 변수와 14차원 게임 척도 점수를 수집하고, 독립 표본 t-검정을 사용해 남성과 여성 간 차이를 비교하였다. 한편, 게임 몰입도와 장면 현실성 같은 주관적 평가는 리커트 5점 척도를 사용해 수집되었고, 동일한 IE 강좌의 난이도 증가 하에서 비게임 그룹(그룹 A, n = 100), 비적응 게임 그룹(그룹 B, n = 105), 적응 게임 그룹(그룹 C, n = 105)의 적합도 비율 차이와 등급 변화가 기록되었다. 모든 데이터는 SPSS 25.0에 의해 유의성 테스트를 거쳐 모델의 보편성을 성별 및 교육 형태에 적용하였다.

이 연구는 학습 성과와 적응력을 검증하기 위한 통제된 실험을 설계했습니다. 참가자들은 세 그룹으로 나뉘었습니다: A그룹(비게임 대조)은 전통적인 교실 수업만 받았고; 그룹 B(비적응형 게임 제어)는 전통 교육과 비적응형 인공 게임을 결합했으며; 그룹 C(실험 그룹)는 전통 교수법과 적응형 IE 의사결정-경험 게임(BN+DKT-FA 통합)을 사용했습니다. 8주간의 실험은 1주간의 준비(그룹: 그룹 C는 105명, 그룹은 A/B 100명; 기업가 정신/자기 효능감 사전 검사; 게임 시스템 디버깅), 6주간의 중재(주 2회 수업, 45분/시간, 정규 IE 강의 진행 상황 준수), 그리고 1주일간의 사후 검사로 구성되었습니다. 일반화 검증을 위해 대학 A(과학-공학, 120세트), 대학 B(종합대학, 110세트), 대학 C(인문학, 90세트)에서 추가 상호작용 데이터를 수집하여 학문 배경 전반에 걸쳐 모델의 견고성을 테스트하였다.

IE 의사결정 경험 게임 모델의 복제는 준비 작업, 지식 상태 평가 BN 구축, 개선된 DKT 모델 개발, 게임 시스템 통합, 실험 설계 및 데이터 수집, 모델 검증의 여섯 가지 핵심 단계를 포함합니다. 이들은 다음 단락들에 설명되어 있습니다.

초기 단계에서 IE 교육의 핵심 차원과 지표가 명확히 정의되며, 여기에는 기업가 인식, 능력, 의지라는 세 가지 매개 변수와 이에 대응하는 측정 지표가 포함됩니다. 학생 인구통계와 IE 배경 데이터는 설문지를 통해 수집되고, 학습 행동 데이터는 시뮬레이션 시나리오를 통해 기록됩니다.

BN 구성에서는 IE 지식 포인트(잠재 변수)와 학생 행동(증거 변수)의 노드가 정의됩니다. 노드들의 논리적 관계는 전문가 인터뷰와 그래프를 바탕으로 결정됩니다. CPT의 초기 가치는 전문가 경험에 따라 설정됩니다. 학생 행동 데이터는 도덕적 설득과 삼각관계 분석을 통해 반복적으로 조정되고 JT로 변환됩니다. 입력 행동 증거는 pgmpy 0.1.20(공개된 공식 RRID는 없음)을 사용하여 사후 확률을 계산하고 약한 지식 지점을 사후 확률<0.5로 식별합니다.

DKT 모델 개발을 개선할 때, 데이터에 대해 특징 공학이 수행되어 행동 특징을 인코딩하고, 작업 난이도를 계산하며, 이를 벡터로 결합하여 시계열을 구성합니다. 특징 임베딩, LSTM, AM, 출력 계층을 포함하는 아키텍처가 구축됩니다. 학습은 손실 함수로서 교차엔트로피를 사용하고 Adam 최적화기를 사용하여 학습률 0.001로 수행됩니다.

게임 시스템 통합은 Unity의 C# API를 사용하여 게임 동작 데이터를 실시간으로 Python 3.9.7(RRID:)으로 전송합니다. SCR_008394의 백엔드는 먼저 BN을 사용해 지식 숙달의 사후 확률을 계산한 후, DKT 모델을 사용해 약점을 예측하고 개인화된 피드백을 생성하며 난이도를 조정합니다. Unity 2021.3.8f1(RRID: SCR_018230)에서는 세 가지 유형의 IE 시나리오가 목표 작업을 트리거하거나 BN/DKT 결과에 따라 난이도를 조정하도록 설계되어 있습니다.

실험에서는 세 그룹이 구성되었습니다: DKT-FA와 고전 KT 모델의 성능 비교, DKT-FA 구성 요소의 필요성 검증, 노게임, 비적응 게임, 적응형 게임 그룹의 교육 효과 테스트, 그리고 관련 데이터 수집; 모델 검증: scikit-learn 1.0.2(RRID: SCR_002577)는 실험 1의 지표 계산, 실험 2의 데이터를 분석하는 데 사용되며, SPSS 25.0(RRID: SCR_002815)는 실험 3의 데이터에 대해 ANOVA 및 t-검정을 수행하고, 동시에 척도의 신뢰성과 타당도를 검증합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

이 실험은 Karen과 Hodhod의 교육용 게임 평가 척도를 기반으로 하였으며, 적절한 평가 차원과 문항을 조직하고 조정을 위해 선정했습니다. Karen과 Hodgod의 규모는 교육용 게임 분야에서 높은 권위와 적용성을 지니며, 게임플레이, 교육적, 인터랙티브 등 교육용 게임의 여러 핵심 차원을 포괄합니다. 이 척도를 도입하고 적응함으로써,²⁸에 자세히 설명된 대로 설계된 대학생들의 IE 교육 의사결정 경험 게임 모델의 성과를 보다 완전하고 정확하게 평가할 수 있습니다. 더불어 게임의 백엔드 데이터를 분석하여 학생들의 지식 숙달 수준도 분석했습니다. 또한 교육용 게임을 평가하고 게임의 추가 조정과 수정에 대한 지침을 받았습니다. 또한 일부 항목을 수정하고 조정했으며, 각 항목의 내부 일관성 계수를 측정했습니다.

BN 추론은 IE 지식 포인트를 잠재 변수(예: 기업가 인식 CS...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

대학 IE 의사결정 경험 게임 모델의 성공은 핵심 프로토콜 단계, 특히 실시간 지식 진단을 위한 BN 추론의 통합과 개선된 딥 지식 추적(DKT-FA) 모델의 기능 임베딩 및 AM에 달려 있습니다. BN의 전문가 인터뷰에 기반한 정확한 CPT 초기화와 학생 행동 데이터를 반복적으로 업데이트하여 약한 지식 연결고리를 정확히 식별할 수 있었고, DKT-FA는 답변 시도와 도움 요청 빈도를 특징으로 포함시켜 입력의 세분성을 풍부하게 하여 예측 정확도를 95.6%로 직접적으로 높였습니다. 큰 노드 집합에서의 느린 BN 추론과 같은 잠재적 문제를 해결하기 위해 Junction Tree 알고리즘의 클리크 최적화를 활용할 수 있으며, 모델 과적합은 Mao 등의 결정 트리 기반 IE 평가 모델¹⁵에서 볼 수 있듯이 훈련 집합을 확장(예: 더 많은 주요 IE 데이터 포함)함으로써 완화할 수 있습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

이 문서에는 경쟁하는 재정적 이해관계가 없습니다.

감사의 글

연구는 다음 연구에서 지원받고 있습니다: 저장성 '제14차 5개년 계획' 대학원 과정, 이념 및 정치 시범 과정 '리더십 예술 및 경영 커뮤니케이션'(연구비 번호 181); 교육부 인문사회과학기금(보조금 번호 23YJC630256)

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름	회사	카탈로그 번호
아담	TensorFlow 2.8.0에 내장됨	학습률 0.001
이진 교차엔트로피	TensorFlow 2.8.0에 내장됨	기본 매개변수
C#	Unity 2021.3.8f1 기본 버전	Unity C# API를 통해 호출됨
쿠다	11.2	TensorFlow 2.8.0과 호환됩니다
조인트 트리 (JT)	PGMPY 0.1.20이 구현되었습니다	도덕화=참, 최소 채움 삼각분할
라벨인코더	scikit-learn 1.0.2에 내장된 기능	scikit-learn과 공유함
모델체크포인트	텐서플로우 2.8.0 콜백	검증 집합 AUC 기반
넘버피	명시되지 않음 (최신 안정 버전은 허용됨)	파이썬 3.9.7 환경
판다	명시되지 않음 (최신 안정 버전은 허용됨)	파이썬 3.9.7 환경
PGMPY	0.1.20	파이썬 3.9.7 환경
파이썬	3.9.7	통합된 백엔드 운영 환경
시킷-학습	1.0.2	리드: SCR_002577
SPSS	25	리드: SCR_002815
텐서플로우	2.8.0	GPU 버전은 CUDA 11.2 지원이 필요합니다
통합체	2021.3.8 F1	리드: SCR_018230

참고문헌

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).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

대학 혁신 및 기업가 정신 프로그램에서 의사결정 경험을 촉진하기 위한 교육 게임 설계

이 논문에서

요약

초록

서론

프로토콜

결과

토론

공개 사항

감사의 글

재료

참고문헌

재인쇄 및 허가

태그