Educatieve spellen ontwerpen om beslissingservaring te bevorderen in innovatie- en ondernemerschapsprogramma's op universiteiten

Samenvatting

Deze studie stelt een spelgebaseerd model voor dat Bayesiaanse netwerken gebruikt om innovatie- en ondernemerschapsonderwijs te verbeteren, met kennistracking, leerenthousiasme en aanpassingsvermogen. De resultaten tonen een hoge nauwkeurigheid (95,6%) en betere resultaten vergeleken met traditionele lesmethoden.

Samenvatting

Educatieve spellen dompelen leerlingen onder in situationele omgevingen om de betrokkenheid te vergroten, wat gaten aanpakt in het monitoren van kennisbeheersing en het behouden van enthousiasme in universitaire innovatie- en ondernemerschapscursussen (IE). Deze studie construeert een intern logisch mechanisme dat IE-onderwijs en gedrag verbindt, waarbij Bayesiaanse netwerken (BN) voor probabilistisch redeneren (PR) worden gebruikt om de kennisbeheersing van leerlingen te beoordelen. Gebaseerd op educatieve game-frameworks voor kennisstructuurtracking, stelt het een college IE beslissings-ervaring gamemodel voor, versterkt met een verbeterd Deep Knowledge Tracing (DKT)-algoritme (waarbij feature embedding en attention mechanismen worden geïntegreerd). De resultaten tonen aan dat de score van het ondernemerschapsonderwijs en de voorspellingsnauwkeurigheid van het model beide 95,6% bereiken (het hoogste onder de geteste modellen), waarbij alle evaluatieschaalitems een sterke informatiedekking laten zien. De gemiddelde indicatorscores overschrijden de 4, wat effectieve feedback weerspiegelt. De aanpassingsvermogen van studenten aan het spelgebaseerde model is 2%-11% hoger dan aan traditioneel onderwijs. De ingebouwde realtime evaluatie brengt leerprestaties in lijn met instructiedoelen, waardoor strategische aanpassing mogelijk wordt. De waarde van IE-onderwijs ligt in het bevorderen van ondernemerschapsbewustzijn, capaciteit en bereidheid, terwijl de functie praktische vaardigheden zoals integratie van middelen versterkt. Het model verbetert leerenthousiasme, aanpassingsvermogen en efficiëntie, en biedt inzichten voor het ontwerp van gepersonaliseerde IE-onderwijs op hogescholen.

Inleiding

Innovatie- en ondernemerschapsonderwijs (IE) heeft als doel talenten te ontwikkelen met ondernemende geletterdheid en baanbrekende persoonlijkheden, met de nadruk op gefaseerde training van innovatief denken en ondernemerschapsvaardigheden. Het huidige IE-onderwijs mist echter praktische en interactieve curricula, waarbij het sterk leunt op theorie en praktische probleemoplossende vaardigheden verwaarloost. Educatieve spellen – met hoge interactiviteit en scenario-simulatie – kunnen deze kloof dichten door besluitvorming en teamwork te bevorderen, waardoor ze een veelbelovend hulpmiddel zijn voor gepersonaliseerd IE-leren¹.

Om de efficiëntie van IE-onderwijs te verbeteren, hebben eerdere studies spellen geïntegreerd in IE, maar ze ondervinden twee belangrijke beperkingen: leerlingen negeren vaak kritieke kennispunten, en traditionele spellen volgen kennisverwerving^{niet dynamisch 2,3}. Om deze te adresseren, stellen we de volgende hypothese voor: Een IE beslissings-ervaringsspel dat Bayesiaanse netwerken (BN) redeneringen voor realtime kennisdiagnose integreert en een verbeterd Deep Knowledge Tracking (DKT)-algoritme zal een hogere voorspellingsnauwkeurigheid en aanpassingsvermogen van studenten bereiken dan traditioneel onderwijs of bestaande KT-modellen (BKT, DKVMN, EKT)⁴. De dubbele innovaties van deze studie vullen hiaten in eerder werk op: in tegenstelling tot bestaande modellen die alleen statische kennisbeoordeling uitvoeren, gebruiken we BN-redenering – het modelleren van kennispunten als knooppunten met Conditional Probability Tables (CPT's) – om leerzwaktes in realtime te diagnosticeren via game performance data⁵. Deze studie verbetert DKT door IE-dimensionale kenmerken (ondernemerschapsbewustzijn, vermogen en intentie) en aandachtsmechanismen (AM's) in te bedden – waarmee het lange-sequentie-informatieverlies in standaard DKT wordt opgelost – en beperkte modellen zoals BKT, DKVMN en EKT⁶ overtreft.

De kern van IE-onderwijs ligt in het cultiveren van ondernemerschapsbewustzijn, -vermogen en -intentie – drie bemiddelende variabelen tussen IE en ondernemerschap die overeenkomen met de basis-, primaire en fundamentele doelen – maar bestaande tools slagen er niet in hun dynamische ontwikkeling te volgen. Dit benadrukt een cruciale praktische behoefte: het huidige IE-onderwijs mist adaptieve, datagedreven hulpmiddelen. Ons gamified systeem, met realtime feedback, pakt dit direct aan en biedt schaalbaarheid voor contexten van hoger onderwijs.

Deze studie bestaat uit vijf onderdelen: (1) werkt IE/educatieve gameconcepten en hun ontwerpuitdagingen uit; (2) overzicht van IE-onderwijs en educatief gameonderzoek; (3) details over methodologie (selectie van IE-game-evaluatiedimensies, integratie van verbeterde DKT om het model te bouwen); (4) valideert de modelprestaties; (5) vat bevindingen, beperkingen en toekomstige richtingen samen.

Gerelateerde werken

Tegen de achtergrond van het bevorderen van massale IE om hoogwaardige werkgelegenheid voor studenten te bevorderen, heeft het verbeteren van hun innovatie, geletterdheid en ondernemerschapsvaardigheden via IE-onderwijs brede aandacht gekregen in^{alle sectoren}. Liu et al. analyseerden de methoden om studenten actief te dienen in intelligent onderwijs, combineerden kennisconceptinformatie en breidden het recursieve neurale netwerkkader uit naar het interpreteerbare Exercise-aware Knowledge Tracing (EKT) kader. De resultaten toonden aan dat deze methode een betere interpreteerbaarheid had bij het voorspellen van leerlingen in de^8e klas. Shute et al. integreerden de voorkeuren, het geslacht en andere kenmerken van studenten in het onderwijs. De resultaten gaven aan dat natuurkundeonderwijs op basis van educatieve spellen betere cijfers en spelprestaties had dan traditioneel onderwijs⁹. Chen et al. onderzochten het effect van mobiele bedrijfssimulatiespellen in ondernemerschapsonderwijs via een quasi-experimenteel ontwerp. Onderzoeksresultaten gaven aan dat mobiele bedrijfssimulatiespellen ondernemerschapshoudingen en zelfeffectiviteit konden verbeteren, maar dat ze de intenties van ondernemerschap niet konden veranderen. De onderzoeksresultaten bevestigen de positieve rol van mobiele bedrijfssimulatiespellen in ondernemerschapsonderwijs, die de ondernemersmentaliteit en ondernemerschapse kunnen versterken¹⁰. Onderzoeksresultaten gaven aan dat deze methode een hoge voorspellende nauwkeurigheid had voor de prestaties van leerlingen bij speltaken. Shi et al. stelden een lesmethode voor die kennis van kwadratische functies in spellen integreerde. Het experiment toonde aan dat de leermotivatie en wiskundescores van leerlingen aanzienlijk zijn verbeterd door deze lesmethode¹¹.

Isabelle et al. analyseerden de gamificatie van ondernemerschap door gebruik te maken van een onafhankelijk gamificatieplatform, spelmechanismen in niet-game toepassingen te gebruiken en IE-onderwijstheorieën te integreren¹². Uit onderzoek bleek dat gamified ondernemerschapsonderwijsmethoden de participatie en ondernemerschapse zelfeffectiviteit van studenten kunnen vergroten. Soomro et al. voerden een empirisch onderzoek uit naar ondernemerschaponderwijs, zelfeffectiviteit en ondernemersintentie onder studenten van een bepaalde universiteit met behulp van een dwarsdoorsnede-kwantitatieve methode. De resultaten gaven aan dat de structuur van ondernemend onderwijs een significant positief effect had op ondernemerschap en ondernemersintentie¹³. Wetenschappers zoals Loi stelden een debat voor over de aannames en uitdagingen in ondernemersonderwijs, waarbij nieuwe ondernemersperspectieven werden geïntegreerd in bestaande ondernemende onderwijsmodellen. Uit onderzoek bleek dat het bepalen van kennisprioriteiten het belangrijkst was om de impact van ondernemerschapsonderwijs^{te vergroten 14}. Om de prestaties van IE-onderwijs op scholen te verbeteren, hebben Mao et al. een evaluatiemodel voor IE-onderwijs opgebouwd op basis van beslissingsbomen en fuzzy-algoritmen. Het experiment toonde aan dat het model bepaalde praktische toepassingen had bij het effectief evalueren van de kwaliteit van IE-onderwijs op hogescholen en het bieden van operationele kwantitatieve tools om IE-onderwijsstrategieën^{te optimaliseren 15}. Li et al. analyseerden de noodzaak van het geven van IE-onderwijs voor studenten in de context van het internet. Op basis van daadwerkelijke onderzoeksresultaten zijn strategieën voorgesteld om de ontwikkeling van IE-onderwijs en -praktijk^{te bevorderen 16}.

Samenvattend liggen de waarde en functie van IE-onderwijs vooral in het ontwikkelen van talenten met basiskwaliteit en een baanbrekende ondernemerschapsmentaliteit. De waarde ligt in het waardensysteem dat innovatief bewustzijn, kennis, vermogen en intentie volledig meeneemt, met als doel de ondernemerspassie van studenten te stimuleren, wat een psychologische vereiste is. Op deze basis richt IE-onderwijs zich op het verbeteren van het ondernemerschap van studenten, inclusief integratie van middelen, teambuilding, enzovoort, en uiteindelijk het vormen van ondernemersintenties en het omzetten daarvan in praktische acties. Functioneel verbetert IE-onderwijs het vermogen van studenten om ondernemerschapsuitdagingen aan te gaan door middel van oefening, zoals integratie van middelen, teamwork, enzovoort, om de realisatie van ondernemerschap te bevorderen. Huidig onderzoek naar IE-onderwijs richt zich voornamelijk op theoretische kenmerken, rollen en empirische analyse, zonder relevante onderzoeksresultaten over onderwijsmethoden. Leerlingen kunnen andere begeleiding en ondersteuning nodig hebben, maar educatieve spellen kunnen de kennisverwervingsstaat van de leerlingen niet simuleren. Om dergelijke problemen op te lossen, is deze studie bedoeld om individuele leerverschillen bij leerlingen te identificeren en stelt voor om BN-redenering te gebruiken om het kennisbeheersingsniveau van leerlingen in het onderwijs te bereiken. Bovendien bouwt het een beslissingservaringsspelmodel voor het IE-onderwijs van studenten op basis van een verbeterd Knowledge Tracking (KT)-algoritme.

Protocol

Deze studie werd goedgekeurd door de Human Research Ethics Committee van Shaoxing University (Goedkeuring nr. SU-2023-IE-058). Alle deelnemers gaven schriftelijke geïnformeerde toestemming voorafgaand aan gegevensverzameling. Het experiment werd uitgevoerd in overeenstemming met de Verklaring van Helsinki (2013).

Gamedesign voor de keuze-ervaring van IE-onderwijs voor studenten

Het onderzoek implementeerde een Bayesiaans Netwerk (BN) voor realtime beoordeling van de kennisbeheersing van leerlingen. Elk kennispunt werd gemodelleerd als een knoop met Conditionele Kanstabellen (CPT's) die afhankelijkheden definieerden. Prestatiegegevens van studenten uit spelinteracties dienden als bewijs voor probabilistische inferentie met behulp van de pgmpy-bibliotheek (v0.1.20, Python 3.9.7). Het Junction Tree-algoritme werd gebruikt voor efficiënte inferentie.

Selectie van de dimensies van spelevaluatie van het IE-onderwijs van studenten op basis van BN-redenering

De ontwikkeling van IE-onderwijs ging gepaard met de voortdurende verdieping van hervormingen in het hoger onderwijs, en er is aanzienlijke vooruitgang geboekt in het onderwijs. De onderzoeksachtergrond van het IE-onderwijsecosysteem is innovatie de eerste drijvende kracht voor ontwikkeling en de strategische ondersteuning voor het opbouwen van een modern economisch systeem^17,18. De werking van het IE-ecosysteem, net als het natuurlijke ecosysteem, heeft echter ook veel invloedende factoren. De basisfunctie en waarde van IE-onderwijs ligt in het cultiveren van een groot aantal innovatieve talenten (een groot aantal hoogwaardige talenten met innovatieve geest, kennissysteem en actievermogen)¹⁹. Het basisdoel en de waarde ervan bestaan voornamelijk uit vijf onderdelen, zoals weergegeven in Figuur 1, die de functies en waarden van IE-onderwijs zijn.

Figuur 1: Geïntegreerd kader van de kernfuncties van IE-onderwijs, waardecompositie en interne logica met ondernemend gedrag.Klik hier om een grotere versie van deze figuur te bekijken. 

Figuur 1 toont de functies en waarden van IE-onderwijs, met als kern ondernemerschapsbewustzijn. Ondernemersvraag vormt de basis en vormt een voorwaarde voor het vormen van ondernemersbewustzijn. Ondernemersinteresse is de kern en drijft mensen ertoe om aandacht te besteden aan ondernemerschap. Ondernemersmotivatie is de drijvende kracht achter ondernemerschap. Ondernemerschap biedt ondersteuning om moeilijkheden bij het starten van een bedrijf te overwinnen. De ondernemende waarde is het uiteindelijke doel en weerspiegelt het belang van ondernemende educatie voor individuen en de samenleving. Alle elementen werken met elkaar samen en ondersteunen gezamenlijk het functioneren van IE Education²⁰. De studie categoriseert IE-onderwijs als bewustzijnskweek, vaardigheidsverbetering en intentiegeneratie. Ze komen overeen met de basis-, hoofd- en fundamentele doelen van IE-onderwijs. Ondernemersbewustzijn is verdeeld in meerdere niveaus, en het cultiveren van dit bewustzijn is een belangrijke factor om kennis- en vaardigheidsdoelen te bereiken. Kennis zelf is een onderdeel van vaardigheid, dus ondernemerschapsonderwijs moet zich richten op het ontwikkelen van individuele ondernemersvaardigheden. Intentie is een cruciale schakel in de ontwikkeling van bewustzijn naar gedrag, maar intentie en handeling zijn niet^{precies hetzelfde}. In ondernemend onderwijs is het noodzakelijk om de ondernemerswil van studenten te stimuleren, zodat effectieve ervaringen ontstaan en deze worden omgezet in gedrag. Samenvattend neemt de studie ondernemersbewustzijn, ondernemersvermogen en ondernemersintentie als bemiddelende variabelen tussen IE-onderwijs en ondernemersgedrag. Door ondernemersbewustzijn, -vermogen en -bereidheid als de bemiddelende variabelen tussen IE-onderwijs en ondernemend gedrag te nemen, overeenkomend met de basis-, hoofd- en fundamentele doelen van IE-onderwijs, gecombineerd met literatuuranalyse en ILM, stel je de meetindicatoren van elke variabele vast (zoals IE-onderwijs, inclusief cursusdeelname, enz.), en construeer vervolgens deze ILM. Zoals te zien is in Figuur 1, is er een ILM geconstrueerd die IE-onderwijs en ondernemerschapsgedrag verbindt voor onderzoeksdoeleinden.

Zoals te zien is in Figuur 1, wordt het positieve effect van ondernemerschap op ondernemersvermogen weerspiegeld in het vermogen om studenten te helpen basisvaardigheden te beheersen, hun vermogen om middelen te verzamelen en te benutten te verbeteren, en moeilijkheden in ondernemerschap te overwinnen. Ondernemersbewustzijn kan een bemiddelende rol spelen tussen IE-onderwijs en ondernemerschapsgedrag. Als een pre-factor van ondernemersgedrag kan ondernemende intentie direct het optreden van gedrag voorspellen. Het bevorderen van ondernemerschapsbewustzijn onder studenten kan bedrijven helpen om ondernemerskennis te vergaren en hun ondernemersvaardigheden te verbeteren. De vaardigheidstheorie stelt dat vaardigheid de kernfactor is die gedrag bepaalt, vooral in IE-onderwijs, dat de nadruk legt op het ontwikkelen van de multidimensionale capaciteit van leerlingen, inclusief integratie van middelen, teambuilding en fondsvoorbereiding²². Deze vaardigheden hebben direct invloed op de prestaties van studenten in ondernemerschap, zoals het identificeren van kansen, het opbouwen van relaties en het uitvoeren van acties. Ondernemersvermogen omvat drie hoofddimensies: het vermogen om hulpbronnenintegratie te integreren, wat verwijst naar het effectief gebruik en integreren van middelen ter ondersteuning van ondernemerschap; Teambuildingvermogen verwijst naar het vermogen om een team te vormen en te leiden; en kapitaalgereedheid, dat wil zeggen het vermogen om startkapitaal op te trekken en te beheren. De verbetering van deze vaardigheden is de sleutel tot het bevorderen van het succes van het ondernemerschap van studenten²³.

De vaststelling van meetstandaarden voor ondernemerschaponderwijs, ondernemerschap, ondernemerschapcapaciteit, ondernemersbewustzijn en ondernemersintentie is voornamelijk gebaseerd op literatuuranalyse en gecombineerd met de ILM van IE-onderwijs. De indicatoren van ondernemerschapsonderwijs zijn deelname aan ondernemerschapscursussen of -colleges (CY1), deelname aan ondernemerskundigheidstraining (CY2) en deelname aan ondernemerschapswedstrijden (CY3). Deze indicatoren weerspiegelen direct de deelname van studenten aan IE-onderwijs en weerspiegelen de kerndoelstellingen van ondernemerschap en interactie¹⁰. De indicatoren van ondernemerschap zijn kansidentificatie (CW1), relatieopbouw (CW2) en energie-investering (CW3). Dit is de maatstaf die gerelateerd is aan ondernemerschap, die voornamelijk afkomstig is van gedragstheorieën (zoals competentietheorie) en zich richt op individuele actiekenmerken, zoals kansengrijp, sociaal kapitaal en^{resourceallocatie}. De meetdimensies van ondernemerschap zijn resource-integratievermogen (CN1), teambuildingvermogen (CN2) en kapitaalvoorbereidingsvermogen (CN3). Deze dimensies zijn afgeleid van het kernpraktische doel van het verbeteren van ondernemersvaardigheden, namelijk het verbeteren van het vermogen van studenten om te overleven en zich te ontwikkelen in een echte ondernemersomgeving. De meetdimensies van ondernemersbewustzijn omvatten ondernemend gedragshouding (CS1), ondernemende subjectieve normen (CS2) en ondernemende waarnemingsgedragscontrole (CS3). De meting van ondernemersbewustzijn is gebaseerd op Ajzen's Planned Behavior Theory (TPB), die individuele psychologische verwachtingen van ondernemerschap als analysefocus^neemt. De indicatoren van ondernemersintentie zijn ondernemersverlangen (CW1), loopbaanplanning en ondernemende relevantie (CW2). De meting van ondernemende intentie wordt ondersteund door de theorie over de impact van ondernemerschap op carrièrekeuze, zoals de relatie tussen subjectieve normen en gedragsintentie.

Bij onderwijsactiviteiten is het proces van het nemen van de antwoorden van studenten als bewijsvariabelen om de posterieure kans van latente en waarneembare variabelen te berekenen het proces van het diagnosticeren van het kennisniveau van studenten. BN-redeneren berekent posterior kans, die voornamelijk gebaseerd is op de BN-structuur en conditionele kansverdeling, en berekent de waardenemende kans van sommige knooppunten in het netwerk onder specifieke bewijsvoorwaarden²⁴. Voor een BN met n knoopvariabelen kan het worden gedefinieerd als een gezamenlijke kansverdelingsfunctie, zoals weergegeven in vergelijking (1)²⁵.

(1)

Waar P de voorwaardelijke kansverzameling van BN betekent. Voor elke knoop is er een CPT om de voorwaardelijke kans van en de ouderknoopset te representeren. Duiden willekeurige twee willekeurige variabelen aan, en is de hypothese, die bewijs is. De prior-kans is de kans op gebeurtenis wanneer onbekend is. De posterior kans is de kans op het evenement wanneer bekend is. Zoals aangetoond in vergelijking (2), is het de Bayesiaanse vergelijking²⁶.

(2)

BN kan niet alleen het kennisbeheersingsniveau van leerlingen in het onderwijs via PR verkrijgen, maar ook de kennisstructuur van leerlingen grafisch weergeven. Met behulp van de kennisrepresentatie en redenering in het domeinmodel wordt elke conceptuele kennis beschouwd als een knooppunt. In games worden nodes gebruikt om de bijbehorende levels in te stellen en dynamische updates van BN te geven. Tijdens het leren verzamelt het systeem continu gebruikersgegevens en werkt deze bij op het netwerk. Het Joint Tree (JT) algoritme is momenteel het meest gebruikte en snelste computationele BN-redeneeralgoritme²⁷. Het algoritmeproces omvat het transformeren van de BN in een kwadratische structuur met een verzameling randen in de clique. In het IE educatieve beslissingservaringsspelmodel wordt adaptiviteit gedefinieerd als het vermogen van het systeem om automatisch de educatieve inhoud, strategieën en interactiemodi aan te passen op basis van de realtime prestaties van leerlingen, individuele kenmerken en leerbehoeften. De Amerikaanse geleerde Hodhod verdeelde het adaptieve onderwijsspelmodel in domein, onderwijs, spelersmodellen en adaptieve engine en presentatiemodule²⁸. Elk model heeft verschillende functies, waarvan het spelersmodel het studentenmodel is, dat een belangrijk onderdeel is van educatieve spellen om adaptieve ondersteuning voor leerlingen te bereiken. Zoals getoond in Figuur 2, is het de informatiestroom van het studentenmodel gebaseerd op het JT-algoritme.

Figuur 2: Unified architecture van het universitaire IE onderwijsvaardigheidsspel. Gezamenlijke Tree-gestuurde informatiestroom van leerlingen, verbeterde DKT met feature embedding en aandacht, en KT-geïntegreerde kernelementen. Klik hier om een grotere versie van deze figuur te bekijken.

In Figuur 2 zal de studie BN gebruiken om leerlingmodellen te construeren en JT-redeneeralgoritmen gebruiken om de kennisverwerving van studenten in realtime te evalueren. Het JT-algoritme maakt gebruik van dezelfde versie van pgmpy, roept de to_junction_tree-methode van BN aan (moralize=True, min_fill triangulatie) om JT te genereren, en gebruikt nodes () om de clusterknopen te bekijken. Initialiseer de inferentiemotor met JunctionTreeInference, voer het gedragsbewijs in via de querymethode, stel joint=False om de posterieure kans van IE-kennispunten terug te geven, en stel tol=1e-6 om de fout te beheersen. Vervolgens wordt het statistische model gebruikt om het correcte responspercentage van de leerling te vergelijken met de ingestelde drempelwaarde, zodat studenten een passend kader voor speltaken en een kader voor snelle feedback krijgen. BN-modellering is gebaseerd op pgmpy 0.1.20 (Python 3.9.7 omgeving). De BN-klasse wordt aangeroepen om de lijst van node-afhankelijkheden door te geven, en de latente/bewijsvariabelen worden gemarkeerd met node_type. De CPT wordt geïnitialiseerd op basis van deskundige ervaring door gebruik te maken van de TabularCPD-klasse, en vervolgens iteratief bijgewerkt met leerlinggedragsgegevens met behulp van de fit-methode van BayesianEstimator (dirichlet prior, pseudo_counts=1). De causale relatie wordt geverifieerd via do_calculus van CausalInference, en wederzijdse informatie wordt berekend (groter dan 0,3 duidt op sterke afhankelijkheid) om een redelijke structuur te waarborgen.

Ontwerp van een beslissingservaringsspelmodel voor IE-onderwijs voor studenten op de universiteit, met integratie van verbeterde KT-algoritmen

Hoewel de feature-screening van IE educatieve game-evaluatiedimensies wordt uitgevoerd via BN-redenering, die dynamisch zwakke punten in kennis van studenten kan identificeren, richt BN zich alleen op de diagnose van de huidige kennisstaat en kan het het dynamische veranderingsproces van de kennisbeheersing van studenten niet volgen. Het is ook moeilijk om latere leerbehoeften nauwkeurig te voorspellen, en het kan de dynamische aanpassing van het spelmodel aan onderwijsstrategieën niet ondersteunen. Daarom is het noodzakelijk om het KT-algoritme te integreren en te verbeteren, en door gebruik te maken van de feature embedding en AM, realtime tracking en voorspelling van de kennisstructuur van studenten te bereiken. Het studentenmodel is een module die de informatie van studenten monitort, en het onderzoek ervan verscheen voor het eerst in het Intelligent Tutoring System (ITS)²⁹. In ITS is het bijhouden van de dynamische veranderingen in de kennisstaat van studenten bijzonder belangrijk, omdat het het model kan helpen studenten beter te begeleiden bij het leren van kennis. Het idee om de kennisstructuur van studenten in spellen te volgen, komt voort uit eerdere diagnosesystemen en adaptieve onderwijsspellen³⁰. Het DKT-model is bewezen een effectief KT-model te zijn, dat beter geschikt is voor evaluatiescenario's met grote gebruikersdataschalen. Het DKT-model is gebaseerd op TensorFlow 2.8.0 (Python 3.9.7, GPU ondersteunt CUDA 11.2). Data wordt verwerkt met pandas, LabelEncoder en numpy, en gecombineerd tot 3D-tensoren van [steekproefgrootte, 30,8]. Bouw de architectuur met Sequential, inclusief Input (30,8), Dense (64,relu), LSTM (128,return_sequences=True) en Dense (kennispunten, sigmoid); Optimaliseer met Adam (lr=0,001), neem BinaryCrossentropy als verliesfunctie, stel de nauwkeurigheid en AUC-metrieken in, voer 50 trainingsrondes uit (batch=32), en sla het optimale gewicht op bij het ModelCheckpoint. Dit verbeterde DKT-model is gebaseerd op TensorFlow 2.8.0 (Python 3.9.7, ondersteuning voor CUDA 11.2). Ten eerste worden door feature embedding gedragskenmerken zoals het aantal studenten dat vragen beantwoordt, het gedrag van hulp zoeken en het aantal promptverzoeken gekoppeld aan de antwoordresultaten, en gecodeerd in combinatie met de moeilijkheidsgraad van de vraag (het aantal foute antwoorden/het totaal aantal antwoorden beantwoorden). Verbind vervolgens alle gecodeerde features om een vector te construeren en gebruik de auto-encoder (tanh-geactiveerd) voor dimensionaliteitsreductie als input. Vervolgens wordt een aandachtsmechanisme geïntroduceerd tussen de LSTM en de uitgangslaag van DKT. De AttentionLayer-klasse is gedefinieerd. tf.matmul wordt gebruikt om de gewichten te berekenen, en softmax wordt gebruikt voor normalisatie om gewogen kenmerken te genereren. Er worden 128 gewichten ingesteld en Dropout (0,2) wordt toegevoegd om overfitting te voorkomen. Met Adam (lr=0,001) optimalisatie en kruis-entropie als verliesfunctie voor 50 trainingsrondes, werden het volgen en voorspellen van de kennisbeheersing van studenten bereikt. De studie stelt een verbeterd DKT-model voor dat de invoerdata van het model verrijkt door feature embedding en AM's introduceert, zoals getoond in Figuur 2.

In figuur 2 kan feature-embedding dankzij het vermogen van het DKT-model om complexe kenmerken in de data vast te leggen worden gebruikt om de invoergegevens van het model te verrijken, waardoor de prestaties van het model verbeteren. De laatste verborgen toestand van het lange kortetermijngeheugen (LSTM) is de verborgen leertoestand van studenten op het huidige^{moment 31}. Als de tijd verstrijkt, kan LSTM ervoor zorgen dat belangrijke informatie verloren gaat. De studie introduceert de AM, die alle historische informatie wegt en aggregeert om het verlies van belangrijke informatie te verminderen. De kenmerken van het antwoordgedrag en de moeilijkheidscoëfficiënten van studenten zijn ingebed in de oorspronkelijke invoerinformatie, waardoor het een betekenisvollere historische interactiesequentie wordt. De historische interactiesequentie van dit model is , en de output is de kansvector die de antwoorden van de studenten op de bijbehorende vragen van de kennispunten correct voorspelt. De studie stelt voor om het aantal keren dat studenten proberen vragen te beantwoorden, of ze hulp vragen tijdens het beantwoordproces, en het aantal keren dat ze prompts vragen, te combineren tot een nieuwe functie in het educatieve spelmodel, en dit te combineren met de antwoordresultaten, zoals weergegeven in vergelijking (3).

(3)

In vergelijking (3) betekent dit de gedragskenmerken van studenten die vragen beantwoorden; geeft het aantal keren aan dat studenten op dat moment vragen beantwoorden; geeft het verzoek om hulp aan; geeft het aantal opdrachten aan; verwijst naar het antwoordresultaat. De berekeningsuitdrukking van de moeilijkheidscoëfficiënt van de vraag wordt weergegeven in vergelijking (4).

(4)

In vergelijking (4) staat het voor het aantal mensen dat de vraag verkeerd heeft beantwoord en vertegenwoordigt het het totale aantal mensen dat de vraag correct heeft beantwoord. Om de nauwkeurigheid van het model te verbeteren, worden alle verkregen gecodeerde kenmerken verbonden en wordt de vectorconstructie weergegeven in vergelijking (5).

(5)

In vergelijking (5) betekent het aantal kennispunten; verwijst naar de moeilijkheidscoëfficiënt van het probleem; betekent feature-combinatie; staat voor encoding format; betekent verbinding. Train de automatische encoder met behulp van de tanh-activatiefunctie en verwijder de uitvoerlaag na voltooiing. Vervolgens gebruikt het de output van de verborgen laag als input in het DKT-FA-model, zoals getoond in vergelijking (6).

(6)

In vergelijking (6) zijn respectievelijk de geleerde gewichtsmatrix en de biasvector. De studie combineert AM met een LSTM-netwerk om het model in staat te stellen meer aandacht te besteden aan antwoordreeksen met vergelijkbare gedragskenmerken en moeilijkheden in de praktijk. De AM is geïntegreerd tussen de LSTM- en uitgangslagen van DKT. Een aangepaste AttentionLayer-klasse wordt gedefinieerd, tf.matmul wordt gebruikt om gewichten te berekenen, en softmax wordt gebruikt voor normalisatie om gewogen features te genereren. 128 gewichten werden ingesteld om rechten te behouden, Dropout (0,2) werd toegevoegd om overfitting te voorkomen, synchrone optimalisatie werd uitgevoerd met backpropagatie, en gewichten werden geëxtraheerd via get_weights() om de impact van sleutelgedrag te analyseren. Wanneer de aandachtsvariabele is geselecteerd, geeft dit aan dat het de te antwoordrecord is geselecteerd. Zoals getoond in vergelijking (7), berekent het de kans van de de informatie met behulp van de historische orde-informatiecode en de uiteindelijke informatiecode.

(7)

In vergelijking (7) bepaalt de weegfactor de inhoud waar aandacht aan besteed moet worden of genegeerd moet worden tijdens de voorspelling. De studie gebruikt een additief model van de aandachtsscorefunctie om de score te berekenen, zoals getoond in vergelijking (8).

                             (8)

In vergelijking (8) staat voor de codering van historische sequentie-informatie op basis van datacompressie; betekent de dimensionaliteitsreductie-codering van invoerinformatie op tijdstip. is een netwerkparameter van de afdeling Wetenschap. De aandachtstoestand wordt aangeduid als de gewogen som van , en de berekeningsuitdrukking ervan wordt weergegeven in vergelijking (9).

(9)

In vergelijking (12) wordt door te combineren met , de kans berekend en uitgedrukt zoals weergegeven in vergelijking (10).

(10)

In machine learning kan kruis-entropie worden gebruikt om het verschil te meten tussen daadwerkelijke markering en voorspelde resultaten. Daarom wordt het beschouwd als de verliesfunctie van het DKT-FA-model, zoals getoond in vergelijking(11).

(11)

In vergelijking (11) geven en respectievelijk de voorspelde en ware kansverdelingen aan. Het gaat ervan uit dat er 1 kenniseenheid is, inclusief kennispunten. En als de kans om het kennispunt te gebruiken is , dan wordt de beheersing van het kennispunt van de leerlingen getoond in vergelijking (12).

               (12)

In vergelijking (12) betekent het foutpercentage van de leerling op het kennispunt ; verwijst naar de kans op het optreden van kennispunten. Bestudeer het belang van het gebruik ervan als kennispunt. Het classificeren van het bereik van waarden binnen het bereik van 0-0,5, wordt verdeeld in twee delen. In complexe en rijke spelscenario's kunnen leerlingen een gepersonaliseerde en betekenisvolle reconstructie van leermethoden bereiken. Bij het opstellen van educatieve spelmodellen moeten ook overeenkomstige principes worden gevolgd. Ten eerste moet het principe van subjectiviteit van de leerling worden gevolgd. Het is noodzakelijk om de individuele kenmerken van leerlingen volledig te overwegen, zodat zij een game-ervaring kunnen krijgen die aansluit bij hun eigen vaardigheden tijdens het spelproces. Ten tweede is het noodzakelijk om het principe van situationeel bewustzijn te volgen, dat wil zeggen een realistischere speelomgeving te ontwerpen om het enthousiasme van leerlingen te stimuleren. Tot slot is het noodzakelijk het principe te volgen van het balanceren van spelontwerp en instructieontwerp. Op basis van bovenstaande principes bestudeert het de belangrijkste elementen van geïntegreerde IE-onderwijs en spellen, en bouwt het een beslissingsmodel voor IE-onderwijs, zoals getoond in Figuur 2.

In Figuur 2 neemt het model het scenario als het fundamentele aspect van IE-onderwijs, en is het spel zelf onderverdeeld in studenten-, leraren- en kennismodellen. Door instructieontwerpideeën te combineren, bouwt het verder het plot, de activiteiten, taken en belangrijke elementen van het spel op. Een periodieke activiteit die de vier aspecten van omgeving, kennis, emotie en actie combineert in ondernemerschapsonderwijs. Het kennismodel wordt voornamelijk gebruikt voor het opslaan en opsommen van kennis in het onderwijs. Het leerlingmodel wordt gecombineerd met het lerarenmodel om gepersonaliseerd leren van kennis te bereiken. Het vereist een verder gedetailleerd ontwerp van het spelplot, activiteiten, taken, enzovoort, om de educatieve en gameplay-aspecten van het spelmodel in balans te brengen. Tegelijkertijd implementeert het IE-kennis die zowel in virtuele als perceptuele scenario's is opgenomen, en internaliseert kennisgebaseerd leren in de ontwikkeling van correct ondernemerschaponderwijsgedrag. De feature embedded module in Figuur 2 genereert de leertoestand en koppelt deze dynamisch aan de interface door de gedragsgegevens van studenten te analyseren (zoals het aantal antwoorden, de frequentie van hulp, het correcte percentage, enz.) om de taakscène te genereren die geschikt is voor de fase van de fase. Deze scenario's omvatten virtueel ondernemerschap, probleemoplossing of teamworksimulaties die zijn ontworpen om de leerervaring te verbeteren. Het ontwerp combineert een kennismodel, een lesmodel en emotionele motivatie om educatieve doelen om te zetten in spelsituaties. Het leraarmodel vult het leerlingenmodel aan om efficiënt en gepersonaliseerd leren te bereiken via een kennisgrafiek en data-analyse. Op basis van achtergrondanalyse biedt het docentmodel gepersonaliseerde onderwijsondersteuning voor leerlingen en begeleidt het het ontwerp van speltaken en feedbackmechanismen. Spellen passen taken en moeilijkheidsgraad dynamisch aan op basis van de prestaties van leerlingen in realtime, wat de aanpassingsvermogen verbetert en kennis consolideert. De leer- en besluitvormingservaring in het spel wordt vertaald naar praktijkgericht ondernemerschapsonderwijs via feedback. Zoals te zien is in Figuur 2, is de studie gebaseerd op de vorige Amerikaanse geleerde Hodhod, die het adaptieve onderwijsspelmodel onderverdeelde in domein, onderwijs, spelersmodellen en adaptieve engine en presentatiemodule⁹, en op basis van modelconstructieprincipes een beslissingsspelmodel voor IE-onderwijservaring van universiteitsstudenten construeert dat verbeterde KT-algoritmen integreert.

In Figuur 2 bestaat het totale model uit twee delen: de interface voor de spelpresentatie en de backend-database. De presentatie-interface van het spel beheert de presentatie van geluid, graphics, interactie en andere effecten van het spel, en werkt samen met de database om het spel te presenteren. De achtergronddatabase bestaat uit drie delen, namelijk domein-, docent- en leerlingmodellen, waarbij de componentmodule van ITS als referentie wordt gebruikt om gezamenlijk de spelfunctie te realiseren. De geselecteerde IE-kennispunten worden weergegeven door een frameworknetwerk. Het ontwerp en de bouw van onderwijsmodellen en functionele structuren zijn de vereiste en garantie voor het daaropvolgende ontwerp- en productieproces van game-onderwijs. Onder leiding van onderzoeksdoelstellingen en theoretische fundamenten verduidelijkt het functionele structuurmodel van dit spel de relaties tussen verschillende modules en integreert dit in een functioneel structuurmodel.

Demografie en steekproef van deelnemers

Gedetailleerde patiëntendemografie is te vinden in Tabel 1. Steekproefgrootteformule (G*Power 3.1.9.7): Effectgrootte f = 0,25 (medium), α = 0,05, power = 0,90, groepen = 3 en dan n ≥ 159, Werkelijke rekrutering: 305 (10% uitval toegestaan). Voor toekomstige replicaties raden we een minimale steekproef van 200 deelnemers aan (10% verwacht verloop) om statistische kracht ≥ 0,90 te behouden bij middelmatige effectgrootte f = 0,25 (G*Power 3.1.9.7, drie groepen, α = 0,05). Als aanvullende moderatieanalyses (bijv. geslacht x-groep) gepland zijn, verhoog dan naar 270 om celgroottes ≥ 45 te waarborgen.

Veld	Voorbeeldvermelding	Inclusiecriteria	Exclusiecriteria
StudentID	S001	Voltijdse bachelor	Heeft ≥1 cursus IE gevolgd
Leeftijd	19	18-25 jaar	Buitenbedekking
Geslacht	F	Zelfgeïdentificeerd	Weiger te melden
Belangrijk	Zakelijk	Elke discipline	Niet-graadgerichte voortzettingsopleiding
Werving	Campus-e-mail	Willekeurig gestratificeerd	Al deelgenomen

Tabel 1: Patiëntendemografie.

Om reproduceerbare AI-metrics te garanderen, voer drie onafhankelijke trainingsruns uit met verschillende willekeurige seeds (42, 2023, 1024). Rapporteer het gemiddelde en 95% BI van AUC, F1 en RMSE; elke CI-breedte > 5% van het gemiddelde activeert nog twee extra runs totdat stabiliteit is bereikt.

CPT-initialisatie

Vijf IE-onderwijsexperts (≥ 5 jaar universitair onderwijs, ≥ 3 ondernemersprojecten begeleid) werden via doelgerichte steekproeven van Shaoxing University en Wenzhou-Kean University gerekruteerd. Goedkeuring van het expertpanel ID: SU-IE-2023-00. Expertselectie: Onderwerp: [Expertpanel] CPT-uitnodiging voor IE Bayesian Network. De toelatingscriteria waren ≥ vijfjarige universitaire IE-les, begeleid ≥3 echte studentenstart-ups en bereidheid om 2 x 2 uur durende online Delphi-rondes bij te wonen.

CPT-initiële sjabloon

De volgende criteria werden vastgesteld en de onderstaande instructies werden gebruikt.

Node	Ouder = beheerst?	P(correct|ouder)	Prior
T1_opportunity	WAAR	0.85	0.30
T1_opportunity	FALSE	0.30	/
CN1_resource	/	/	0.30

Iteratie-update-instructie (Python enkele regel):

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-integratiepseudocode

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)

Voltooi uitvoerbare minimumschema (kopieer om soepel te verlopen):
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 (gekoppeld aan Empty GameObject)
```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);
    }
  }
}
```

Adaptieve moeilijkheidsgraad en feedbacktriggers
De drempeldetails zijn weergegeven in Tabel 2, en de triggerlogica wordt hieronder gegeven.
Kopieer en gebruik de JSON-configuratie (opslaan als' 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 leest de code:
```csharp
TextAsset cfg = Resources.Load("adaptive_config");
JsonUtility.FromJson(cfg.text);
```

Posterieure kans	Moeilijkheidsaanpassing	Feedbackbericht
<0.3	-1 niveau	Het wordt aanbevolen om de kennispunten van resource-integratie te herzien.
0.3-0.7	Blijf ongewijzigd	"Ga door
> 0,7	+1 niveau	"Ontgrendel taken met hoge moeilijkheidsgraden

Tabel 2: Drempeltabel en triggerlogica.

Probleemoplossing en replicatieparameters

De veelvoorkomende fouten en replicatieniveauoplossingen worden weergegeven in Tabel 3. Als de Unity-console na de firewallrelease nog steeds 404 teruggeeft, voer dan de volgende checklist uit: (1) Vervang localhost door exact IPv4: in Unity > Logger.cs http://localhost:5000/log wijzigen naar http://192.168.x.x:5000/log (voer ipconfig uit in Windows om het adres te verkrijgen); (2) CORS inschakelen in Flask: na app = Flask(__name__) cors toevoegen = CORS(app, resources={r"/*":{"origins":"*"}}); (3) Verifieer poortbezetting: netstat -ano | findstr 5000, het doden van conflicterende PID; (4) Voeg 3-seconden hartslag toe: InvokeRepeating("SendHeartbeat", 0, 3) in Unity om de socket levend te houden. De bovenstaande stappen zijn gescript in troubleshoot_up_comm.sh (Unix) en troubleshoot_up_comm.ps1 (Windows) die worden geleverd in de /utils-map van de GitHub-repository.

Kenmerk	Dimensie	CITC	α na het verwijderen van het item	Subscale α	Totaal schema α
Ondernemerschapsonderwijs	CY1	0.68	0.848	0.872	0.956
	CY2	0.72	0.841
	CY3	0.66	0.854
Ondernemersvermogen	CN1	0.7	0.826	0.859
	CN2	0.69	0.828
	CN3	0.68	0.834
Ondernemersbewustzijn	CS1	0.68	0.852	0.878
	CS2	0.66	0.865
	CS3	0.7	0.854
Ondernemersintentie	CX1	0.73	0.795	0.877
	CX2	0.66	0.845
	CX3	0.77	0.789
Ondernemersgedrag	CW1	0.76	0.776	0.909
	CW2	0.71	0.823

Tabel 3: Veelvoorkomende fouten en replicatieniveauoplossingen.

Code- en gegevensdeling:
Demodataset (n = 50, geanonimiseerd) met 14 gedragskenmerken en 10 IE
Knowledge Nodes is beschikbaar op https://doi.org/10.5281/zenodo.123456
Bestandsnaam: IE_Game_Demo.csv
Headers: StudentID, TaskID, Correct, HelpSeeking, Pogingen, Moeilijkheid, CN1, CS1, CW1, CY1, CY2, CY3, T1, I1
Grootte: 50 rijen × 14 kolommen (~12 KB)
Formaat: UTF-8 CSV, geen ontbrekende waarden, voldoet aan de AVG-de-identificatiestandaard (naam, e-mail, IP verwijderd).

Drempel voor interne consistentie: Cronbach α ≥ 0,80; Item-totale correlatie ≥ 0,40. Validiteitsdrempels: KMO ≥ 0,70, Bartlett p < 0,001, AVE ≥ 0,50, CR ≥ 0,70, factorbelasting ≥ 0,75. Modelprestatiedrempel: testset AUC ≥ 0,85, F1 ≥ 0,85, RMSE ≤ 0,20. Elke metriek onder deze waarden markeert een protocolwijziging.

Om overfitting in het verbeterde DKT-FA-model te voorkomen, hebben we een drievoudige vangrail toegepast: (1) Data-augmentatie: schuif een venster van 50 stappen langs de leerlingenreeks om 5x meer subsequenties te genereren. (2) Regularisatie: L2-gewichtsstraf 1 x ^10-5 op alle dichte en terugkerende korrels. (3) Vroege stop: monitorvalidatie-AUC, stop training als er geen winst > 0,001 gedurende 5 opeenvolgende epochs.

Experimenteel ontwerp voor leerdoelen en aanpassingsvermogen

Om het gendermodererende effect te testen, werden geslachtsvariabelen en 14-dimensionale spelschaalscores verzameld in de 8e week van het experiment, en werd de onafhankelijke steekproef t-test gebruikt om de verschillen tussen mannen en vrouwen te vergelijken. Ondertussen werden subjectieve evaluaties zoals spelimmersie en scenerealisme verzameld met behulp van de Likert vijfpuntsschaal, en werden de verschillen in fitnesspercentage en cijferveranderingen van de niet-spelgroep (Groep A, n = 100), de niet-adaptieve spelgroep (Groep B, n = 105) en de adaptieve spelgroep (Groep C, n = 105) onder dezelfde toenemende moeilijkheidsgraad van IE-cursussen geregistreerd. Alle gegevens werden getest op significantie met SPSS 25.0 om de universaliteit van het model voor verschillende geslachten en onderwijsvormen te verifiëren.

Deze studie ontwierp een gecontroleerd experiment om leerresultaten en aanpassingsvermogen te verifiëren. Deelnemers werden verdeeld in drie groepen: Groep A (niet-spelcontrole) kreeg alleen traditioneel klassikaal onderwijs; Groep B (niet-adaptieve spelcontrole) combineerde traditioneel onderwijs met niet-adaptieve IE-spellen; Groep C (experimentele groep) gebruikte traditioneel onderwijs plus het adaptieve IE beslissings-ervaringsspel (integratie van BN+DKT-FA). Het 8-weekse experiment omvatte 1 week voorbereiding (groepering: 105 in Groep C, 100 in Groep A/B; pre-testing van ondernemerschapshouding/zelfeffectiviteit; debugging van het spelsysteem), 6 weken interventie (2 lessen per week, 45 min/u, overeenkomend met de reguliere voortgang van de IE-cursus), en 1 week post-testing. Voor generalisatieverificatie werden aanvullende interactiegegevens verzameld van Universiteit A (science-engineering, 120 sets), Universiteit B (uitgebreid, 110 sets) en Universiteit C (liberal arts, 90 sets) om de robuustheid van het model over disciplinaire achtergronden heen te testen.

De replicatie van het IE decision experience gamemodel omvat zes kernfasen: voorbereidend werk, constructie van de kennistoestandbeoordeling BN, ontwikkeling van een verbeterd DKT-model, integratie van spelsystemen, experimenteel ontwerp en gegevensverzameling, en modelvalidatie. Deze worden beschreven in de volgende paragrafen.

In de vroege fase zijn de kerndimensies en indicatoren van IE-onderwijs duidelijk gedefinieerd, inclusief drie bemiddelende variabelen: ondernemersbewustzijn, -vermogen en -bereidheid, samen met de bijbehorende meetindicatoren. Studentendemografie en achtergrondgegevens voor IE worden verzameld via vragenlijsten en leergedragsgegevens worden vastgelegd via gesimuleerde scenario's.

In de BN-constructie worden de knooppunten van IE-kennispunten (latente variabelen) en het gedrag van studenten (bewijsvariabelen) gedefinieerd. De logische relatie tussen de knooppunten wordt bepaald op basis van deskundige interviews en het plot. De beginwaarden van de CPT worden vastgesteld op basis van deskundige ervaring. De gegevens over het gedrag van leerlingen worden iteratief aangepast en omgezet in een JT door middel van moralisatie en triangulatie. Het inputgedragsbewijs gebruikt pgmpy 0.1.20 (zonder openbaar beschikbare officiële RRID) om de posterior probability te berekenen en de zwakke kennispunten met een posterior probability <0,5 te identificeren.

Bij het verbeteren van de ontwikkeling van het DKT-model wordt feature engineering uitgevoerd op de data, waarbij gedragskenmerken worden gecodeerd, taakmoeilijkheidscoëfficiënten worden berekend en deze worden gecombineerd tot vectoren om een tijdreeks te construeren. Er wordt een architectuur opgebouwd met feature embedding, LSTM, AM en outputlaag. Training wordt uitgevoerd met cross-entropie als verliesfunctie en Adam-optimizer, met een leersnelheid van 0,001.

Gamesysteemintegratie gebruikt Unity's C# API om gamegedragsgegevens in realtime over te dragen naar Python 3.9.7 (RRID:). De back-end van SCR_008394 gebruikt eerst BN om de posterior kans op kennisbeheersing te berekenen, daarna gebruikt het DKT-model om zwakke punten te voorspellen, gepersonaliseerde feedback te genereren en moeilijkheidsaanpassing te maken. In Unity 2021.3.8f1 (RRID: SCR_018230) zijn drie typen IE-scenario's ontworpen om gerichte taken te activeren, of de moeilijkheidsgraad wordt aangepast op basis van de BN/DKT-resultaten.

Drie groepen worden opgericht in het experiment: het vergelijken van de prestaties van DKT-FA en het klassieke KT-model, het verifiëren van de noodzaak van DKT-FA-componenten, het testen van de educatieve effecten van de no-game, non-adaptive game en adaptive game groepen, en het verzamelen van relevante gegevens; Modelvalidatie: scikit-learn 1.0.2(RRID: SCR_002577) wordt gebruikt om de indicatoren van Experiment 1 te berekenen, de data van Experiment 2 te analyseren, en SPSS 25.0(RRID: SCR_002815) wordt gebruikt om ANOVA en t-tests uit te voeren op de gegevens van Experiment 3, en tegelijkertijd de betrouwbaarheid en validiteit van de schaal te testen.

Resultaten

Het experiment was gebaseerd op de evaluatieschaal van educatieve spellen van Karen en Hodhod, en passende evaluatiedimensies en items werden georganiseerd en geselecteerd voor aanpassing. De schaal van Karen en Hodgod heeft een hoge autoriteit en toepasbaarheid op het gebied van educatieve spellen, en omvat meerdere belangrijke dimensies van educatieve spellen, zoals gameplay, pedagogisch, interactief, enzovoort. Door deze schaal te introduceren en aan te passen, kan het de prestaties v...

Discussie

Het succes van het college IE decision experience gamemodel hangt af van kritieke protocolstappen, met name de integratie van BN-redenering voor realtime kennisdiagnose en de verbeterde Deep Knowledge Tracing (DKT-FA) model met feature embedding en AM's. BN's precieze CPT-initialisatie – gebaseerd op deskundige interviews en iteratief bijgewerkt met gegevens over het gedrag van leerlingen – zorgde voor nauwkeurige identificatie van zwakke kennislinks, terwijl DKT-FA's opname van antwoord...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Adam	Ingebouwd in TensorFlow 2.8.0	Leertempo 0,001
BinaryCrossentropy	Ingebouwd in TensorFlow 2.8.0	Standaardparameters
C#	Unity 2021.3.8f1 standaardversie	Aangeroepen via de Unity C# API
CUDA	11.2	Het is compatibel met TensorFlow 2.8.0
Joint Tree (JT)	pgmpy 0.1.20 is geïmplementeerd	moralize=True, min-fill triangulatie
LabelEncoder	Ingebouwd in scikit-learn 1.0.2	Gedeelde scikit-learn
ModelCheckpoint	TensorFlow 2.8.0 callback	Gebaseerd op de validatieset AUC
NumPy	Niet gespecificeerd (de nieuwste stabiele versie is acceptabel)	Python 3.9.7 omgeving
pandas	Niet gespecificeerd (de nieuwste stabiele versie is acceptabel)	Python 3.9.7 omgeving
pgmpy	0.1.20	Python 3.9.7 omgeving
Python	3.9.7	Een verenigde back-end werkomgeving
scikit-learn	1.0.2	RRID: SCR_002577
SPSS	25	RRID: SCR_002815
TensorFlow	2.8.0	De GPU-versie vereist CUDA 11.2 ondersteuning
Unity	2021.3.8 f1	RRID: SCR_018230