Projektowanie gier edukacyjnych, które wspierają doświadczenie podejmowania decyzji w programach innowacji i przedsiębiorczości na uczelniach

Podsumowanie

Niniejsze badanie proponuje model oparty na grach wykorzystujący sieci bayesowskie do zwiększenia edukacji w zakresie innowacji i przedsiębiorczości, poprawiając śledzenie wiedzy, entuzjazm do nauki oraz zdolność adaptacji. Wyniki wykazują wysoką dokładność (95,6%) i lepsze wyniki w porównaniu z tradycyjnymi metodami nauczania.

Streszczenie

Gry edukacyjne zanurzają uczniów w środowiskach sytuacyjnych, aby zwiększyć zaangażowanie, co wypełnia luki w monitorowaniu opanowania wiedzy i utrzymywaniu entuzjazmu na kursach Innowacji i Przedsiębiorczości (IE) na uczelni. Niniejsze badanie tworzy wewnętrzny mechanizm logiczny łączący edukację IE z zachowaniem, wykorzystując sieci bayesowskie (BN) do rozumowania probabilistycznego (PR) do oceny opanowania wiedzy uczniów. Opierając się na edukacyjnych frameworkach gier do śledzenia struktury danych, proponuje model gry decyzyjnej i doświadczenia na poziomie akademickim, wzbogacony o ulepszony algorytm Deep Knowledge Tracing (DKT) (integrujący mechanizmy osadzania cech i uwagi). Wyniki pokazują, że wynik modelu edukacji przedsiębiorczości oraz dokładność predykcji osiągają 95,6% (najwyższy poziom spośród testowanych modeli), a wszystkie elementy skali oceny wykazują silne pokrycie informacjami. Średnie wyniki wskaźników przekraczają 4, co odzwierciedla efektywną informację zwrotną. Zdolność uczniów do adaptacji modelu opartego na grach jest o 2%-11% wyższa niż do tradycyjnego nauczania. Wbudowana ocena w czasie rzeczywistym dostosowuje wyniki w nauce do celów dydaktycznych, umożliwiając dostosowanie strategii. Wartość edukacji innej polega na rozwijaniu świadomości, zdolności i gotowości przedsiębiorczości, a jej funkcja rozwija praktyczne umiejętności, takie jak integracja zasobów. Model ten zwiększa entuzjazm do nauki, elastyczność i efektywność, oferując wskazówki do spersonalizowanego projektowania edukacji innej na poziomie college'u.

Wprowadzenie

Edukacja w zakresie innowacji i przedsiębiorczości (IE) ma na celu kształcenie talentów o przedsiębiorczości i pionierskich osobowościach, koncentrując się na etapowym szkoleniu innowacyjnego myślenia i zdolności przedsiębiorczych. Jednak obecna edukacja przemysłowa nie jest praktyczna i interaktywna, opierając się w dużej mierze na teorii, zaniedbując praktyczne umiejętności rozwiązywania problemów. Gry edukacyjne – o wysokiej interaktywności i symulacji scenariuszy – mogą wypełnić tę lukę, wspierając podejmowanie decyzji i pracę zespołową, czyniąc je obiecującym narzędziem do spersonalizowanej nauki IE¹.

Aby poprawić efektywność nauczania IE, wcześniejsze badania integrowały gry z IE, ale napotykają dwa kluczowe ograniczenia: uczniowie często pomijają kluczowe punkty wiedzy, a tradycyjne gry nie śledzą dynamicznie przyswajania wiedzy ^2,3. Aby je rozwiązać, proponujemy następującą hipotezę: IE gra decyzyjne-doświadczenie, integrująca rozumowanie sieci bayesowskie (BN) do diagnostyki wiedzy w czasie rzeczywistym oraz ulepszony algorytm Deep Knowledge Tracking (DKT) zapewni wyższą dokładność predykcji i elastyczność uczniów niż tradycyjne nauczanie lub istniejące modele KT (BKT, DKVMN, EKT⁾⁴. Podwójne innowacje tego badania uzupełniają luki w wcześniejszych badaniach: w przeciwieństwie do istniejących modeli, które przeprowadzają wyłącznie statyczną ocenę wiedzy, my używamy punktów wiedzy BN z rozumowania i modelowania jako węzłów z Tabelami Warunkowego Prawdopodobieństwa (CPT) – do diagnozowania słabości w uczeniu się w czasie rzeczywistym na podstawie danych o wydajności gry⁵. Badanie to wzmacnia DKT poprzez osadzanie cech wymiarowych IE (świadomość przedsiębiorczości, zdolność i intencja) oraz mechanizmy uwagi (AM) – rozwiązując długą sekwencję utraty informacji w standardowym DKT – i przewyższając ograniczone modele, takie jak BKT, DKVMN i EKT⁶.

Sednem edukacji IE jest rozwijanie świadomości, zdolności i intencji przedsiębiorczości – trzech zmiennych pośredniczących między IE a zachowaniami przedsiębiorczymi, które odpowiadają jej podstawowym, podstawowym i fundamentalnym celom – jednak istniejące narzędzia nie śledzą ich dynamicznego rozwoju. To podkreśla kluczową praktyczną potrzebę: obecna edukacja przemysłowa nie posiada adaptacyjnych, opartych na danych narzędzi. Nasz system grywalizacji, z informacją zwrotną w czasie rzeczywistym, bezpośrednio odpowiada na ten problem, oferując skalowalność w kontekście szkolnictwa wyższego.

Badanie to składa się z pięciu sekcji: (1) rozwija koncepcje gier IE/edukacyjnych oraz ich wyzwania projektowe; (2) przegląda edukację i badania nad grami edukacyjnymi w IE; (3) metodologia szczegółowa (wybór wymiarów oceny gier IE, integracja ulepszonego DKT do budowy modelu); (4) waliduje wydajność modelu; (5) podsumowuje ustalenia, ograniczenia i przyszłe kierunki.

Powiązane dzieła

Na tle promowania masowego IE w celu zapewnienia wysokiej jakości zatrudnienia studentom, sposób podnoszenia ich innowacyjności, umiejętności czytania i przedsiębiorczości poprzez edukację IE wzbudził szerokie zainteresowanie ze wszystkich sektorów⁷. Liu i in. analizowali metody aktywnej służby studentom w inteligentnej edukacji i połączyli informacje z koncepcji wiedzy, rozszerzając ramy rekurencyjnej sieci neuronowej o interpretowalny system Exercise-aware Knowledge Tracing (EKT). Wyniki wykazały, że metoda ta wykazuje lepszą interpretowalność w przewidywaniu 8 klas uczniów^. Shute i in. włączyli preferencje, płeć i inne cechy uczniów do gry edukacyjnej. Wyniki wskazywały, że nauczanie fizyki oparte na grami edukacyjnych miało lepsze oceny i wyniki w grach niż tradycyjne nauczanie⁹. Chen i in. badali wpływ mobilnych gier symulacyjnych biznesu na edukację przedsiębiorczą poprzez quasi-eksperymentalny projekt. Wyniki badań wskazują, że mobilne gry symulacyjne biznesu mogą poprawić postawy przedsiębiorcze i poczucie własnej skuteczności, ale nie mogą zmienić jego intencji. Wyniki badań potwierdzają pozytywną rolę mobilnych gier symulacyjnych biznesu w edukacji przedsiębiorczej, które mogą wzmacniać nastawienie przedsiębiorcze i poczucie własnej skuteczności¹⁰. Wyniki badań wykazały, że metoda ta wykazuje wysoką dokładność predykcyjną dla wyników uczniów w zadaniach w grach. Shi i in. zaproponowali tryb nauczania integrujący wiedzę o funkcjach kwadratowych w grach. Eksperyment wykazał, że motywacja uczniów do nauki i wyniki z matematyki znacząco się poprawiły dzięki temu trybowi nauczania¹¹.

Isabelle i in. analizowali grywalizację edukacji przedsiębiorczej poprzez wykorzystanie niezależnej platformy grywalifikacyjnej, mechanizmy gry w aplikacjach niezwiązanych z grami oraz integrację teorii edukacji IE¹². Wyniki badań wskazują, że gamifikowane metody edukacji przedsiębiorczej mogą zwiększyć udział uczniów oraz ich przedsiębiorczą skuteczność. Soomro i in. przeprowadzili empiryczne badanie dotyczące edukacji przedsiębiorczej, poczucia własnej skuteczności oraz intencji przedsiębiorczości wśród studentów z danego uniwersytetu, wykorzystując przekrojowe dane ilościowe. Wyniki wskazywały, że struktura edukacji przedsiębiorczej miała istotny pozytywny wpływ na przedsiębiorczą skuteczność i intencje przedsiębiorcze¹³. Naukowcy tacy jak Loi zaproponowali debatę na temat założeń i wyzwań w edukacji przedsiębiorczej, integrując nowe perspektywy przedsiębiorcze do istniejących modeli nauczania przedsiębiorczości. Wyniki badań wskazują, że określenie priorytetów wiedzy jest najważniejsze dla zwiększenia wpływu edukacji przedsiębiorczej¹⁴. Aby poprawić wydajność edukacji indoinżynierskiej w szkołach, Mao i in. stworzyli model oceny edukacji indyjskiej oparty na drzewach decyzyjnych i algorytmach rozmytych. Eksperyment wykazał, że model ma pewne praktyczne zastosowania, skutecznie oceniając jakość edukacji IE na uczelniach oraz dostarczając funkcjonalnych narzędzi ilościowych do optymalizacji strategii nauczania IE¹⁵. Li i in. analizowali konieczność prowadzenia edukacji przemysłowej dla studentów uczelni w kontekście Internetu. Na podstawie rzeczywistych wyników badań zaproponowano strategie promujące rozwój edukacji i praktyki IE¹⁶.

Podsumowując, wartość i funkcja edukacji przemysłowej polegają głównie na kształtowaniu talentów o podstawowej jakości oraz pionierskiej przedsiębiorczości. Jej wartość polega na systemie wartości, który kompleksowo uwzględnia innowacyjną świadomość, wiedzę, zdolności i intencje, dążąc do pobudzenia przedsiębiorczej pasji studentów, co jest wymogiem psychologicznym. Na tej podstawie edukacja IE koncentruje się na doskonaleniu przedsiębiorczości studentów, w tym integracji zasobów, budowaniu zespołu itp., a w końcu na kształtowaniu intencji przedsiębiorczych i przekształcaniu ich w praktyczne działania. Funkcjonalnie edukacja IE poprawia zdolność uczniów do stawiania czoła wyzwaniom przedsiębiorczym poprzez praktykę, taką jak integracja zasobów, praca zespołowa itp., aby promować realizację zachowań przedsiębiorczych. Obecne badania nad edukacją IE koncentrują się głównie na cechach teoretycznych, rolach i analizie empirycznej, nie wykazując istotnych wyników badań nad metodami nauczania. Uczniowie mogą potrzebować innego wsparcia i wsparcia, ale gry edukacyjne nie są w stanie symulować stanu zdobywania wiedzy przez uczniów. Aby rozwiązać takie problemy, celem tego badania jest identyfikacja indywidualnych różnic w uczeniu się uczniów i proponuje wykorzystanie rozumowania BN do osiągnięcia poziomu opanowania wiedzy w nauczaniu. Ponadto tworzy model gry opartej na doświadczeniu decyzyjnym dla edukacji IE studentów na podstawie ulepszonego algorytmu Knowledge Tracking (KT).

Protokół

To study was approved by the Shaoxing University Human Research Ethics Committee (Approval No. SU-2023-IE-058). All participants provided written informed consent prior to data collection. The experiment was conducted in accordance with the Declaration of Helsinki (2013).

Game design for the decision experience of IE education for college students

The research implemented a Bayesian Network (BN) for real-time assessment of learners' knowledge mastery. Each knowledge point was modeled as a node with Conditional Probability Tables (CPTs) defining dependencies. Student performance data from game interactions served as evidence for probabilistic inference using the pgmpy library (v0.1.20, Python 3.9.7). The Junction Tree algorithm was employed for efficient inference.

Feature selection of game evaluation dimensions of college students' IE education based on BN reasoning

The development of IE education has been accompanied by the continuous deepening of reforms in higher education, and significant progress has been made in education. The research background of the IE education ecosystem innovation is the first driving force for development and the strategic support for building a modern economic system^17,18. However, the operation of the IE ecosystem, like the natural ecosystem, also has many influencing factors. The basic function and value of IE education lie in cultivating a large number of innovative talents (a large number of high-quality talents with innovative spirit, knowledge system, and action ability)¹⁹. Its basic purpose and value mainly include five parts, as shown in Figure 1, which are the functions and values of IE education.

Figure 1: Integrated framework of IE education's core functions, value composition, and internal logic linkage with entrepreneurial behavior. Please click here to view a larger version of this figure.

Figure 1 demonstrates the functions and values of IE education, with the core being entrepreneurial awareness. Entrepreneurial demand is the foundation, providing a prerequisite for the formation of entrepreneurial awareness. Entrepreneurial interest is the core, driving individuals to pay attention to entrepreneurship. Entrepreneurial motivation is the driving force that propels entrepreneurial practice. Entrepreneurship will provide support to help overcome difficulties in starting a business. The entrepreneurial value is the ultimate goal, reflecting the significance of entrepreneurial education for individuals and society. All elements interact with each other and jointly support the functioning of IE education²⁰. The study categorizes IE education as consciousness cultivation, ability enhancement, and intention generation. They correspond to the basic, main, and fundamental goals of IE education. Entrepreneurial awareness is divided into multiple levels, and cultivating this awareness is a key factor in achieving knowledge and ability goals. Knowledge itself is a part of ability, so entrepreneurial education should focus on cultivating individual entrepreneurial abilities. Intention is a crucial link in the development of consciousness into behavior, but intention and action are not exactly the same²¹. In entrepreneurial education, it is necessary to generate students' entrepreneurial willingness, thus forming effective experiences and transforming them into behaviors. In summary, the study takes entrepreneurial awareness, entrepreneurial ability, and entrepreneurial intention as mediating variables between IE education and entrepreneurial behavior. Taking entrepreneurial awareness, ability, and willingness as the mediating variables between IE education and entrepreneurial behavior, corresponding to the basic, main, and fundamental goals of IE education, combined with literature analysis and ILM, set the measurement indicators of each variable (such as IE education, including course participation, etc.), and then construct this ILM. As shown in Figure 1, an ILM linking IE education and entrepreneurial behavior was constructed for research purposes.

As shown in Figure 1, the positive effect of entrepreneurial education on entrepreneurial ability is reflected in its ability to help college students master basic skills, improve their ability to accumulate and utilize resources, and overcome difficulties in entrepreneurship. Entrepreneurial awareness can play a mediating role between IE education and entrepreneurial behavior. As a pre-factor of entrepreneurial behavior, entrepreneurial intention can directly predict the occurrence of behavior. Cultivating entrepreneurial awareness among college students can help enterprises accumulate entrepreneurial knowledge and improve their entrepreneurial abilities. Ability theory holds that ability is the core factor that determines behavior, especially in IE education, which emphasizes the cultivation of students' multidimensional ability, including resource integration, team building, and fund preparation²². These skills directly affect students' performance in entrepreneurship, such as opportunity identification, relationship building, and action implementation. Entrepreneurial ability covers three main dimensions, namely resource integration ability, which refers to the effective use and integration of resources to support entrepreneurship; team building ability refers to the ability to form and lead a team; and capital readiness, that is, the ability to raise and manage start-up capital. The improvement of these abilities is the key to promoting the success of students' entrepreneurship²³.

The establishment of measurement standards for entrepreneurial education, entrepreneurial behavior, entrepreneurial ability, entrepreneurial awareness, and entrepreneurial intention is mainly based on literature analysis, and combined with the ILM of IE education. The indicators of entrepreneurial education are participation in entrepreneurial courses or lectures (CY1), participation in entrepreneurial education skills training (CY2), and participation in entrepreneurial competitions (CY3). These indicators directly reflect students' participation in IE education and reflect the core objectives of entrepreneurial education's practicality and interaction¹⁰. The indicators of entrepreneurial behavior are opportunity identification (CW1), relationship building (CW2), and energy investment (CW3). This is the measurement related to entrepreneurial behavior, which mainly comes from behavioral theories (such as competence theory) and focuses on individual action characteristics, such as opportunity grasp, social capital construction, and resource allocation¹¹. The measurement dimensions of entrepreneurial ability are resource integration ability (CN1), team building ability (CN2), and capital preparation ability (CN3). These dimensions are derived from the core practical goal of entrepreneurial ability improvement, that is, to improve students' ability to survive and develop in a real entrepreneurial environment. The measurement dimensions of entrepreneurial consciousness include entrepreneurial behavior attitude (CS1), entrepreneurial subjective norms (CS2), and entrepreneurial perception behavior control (CS3). The measurement of entrepreneurial consciousness is based on Ajzen's Planned Behavior Theory (TPB), which takes individual psychological expectation of entrepreneurial behavior as the analysis focus¹³. The indicators of entrepreneurial intention are entrepreneurial desire (CW1), career planning, and entrepreneurial relevance (CW2). The measurement of entrepreneurial intention is supported by the theory of the impact of entrepreneurial education on career choice, such as the relationship between subjective norms and behavioral intention.

In teaching activities, the process of taking students' responses as evidence variables to calculate the posterior probability of latent and observable variables is the process of diagnosing students' knowledge level. BN reasoning calculates posterior probability, which is mainly based on the BN structure and conditional probability distribution, and calculates the value taking probability of some nodes in the network under specific evidence conditions²⁴. For a BN with n node variables, it can be defined as a joint probability distribution function, as shown in equation (1)²⁵.

 (1)

Where P means the Conditional probability set  of BN. For any node

Wyniki

Eksperyment opierał się na skali oceny edukacyjnej gier Karen i Hodhoda, a odpowiednie wymiary i elementy oceny zostały zorganizowane i wybrane do korekty. Skala Karen i Hodgoda ma wysoki autorytet i zastosowanie w dziedzinie gier edukacyjnych, obejmując wiele kluczowych wymiarów gier edukacyjnych, takich jak rozgrywka, pedagogika, interaktywność itd. Wprowadzając i dostosowując tę skalę, można ona pełniej i dokładniej ocenić wydajność zaprojektowanego modelu gry edukacyjnej IE Decyzyjnej dla studentów, jak szczegółowo o...

Dyskusja

Sukces modelu gry na poziomie decyzyjnym IE zależy od kluczowych kroków protokołu, w szczególności integracji rozumowania BN do diagnostyki wiedzy w czasie rzeczywistym oraz ulepszonego modelu Deep Knowledge Tracing (DKT-FA) z osadzenia funkcji i AM. Precyzyjna inicjalizacja CPT w BN – oparta na wywiadach z ekspertami i iteracyjny aktualizowana o dane o zachowanie uczniów – zapewniła dokładną identyfikację słabych powiązań z wiedzą, podczas gdy włączenie prób odpowiedzi i częstotliwość poszukiwań pomocy w DKT-FA wzbogaci...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Adam	Wbudowany w TensorFlow 2.8.0	Szybkość uczenia się 0,001
BinaryCrossentropy	Wbudowany w TensorFlow 2.8.0	Domyślne parametry
C#	Domyślna wersja Unity 2021.3.8f1	Wywoływane przez API Unity C#
CUDA	11.2	Jest kompatybilny z TensorFlow 2.8.0
Drzewo Złączeń (JT)	Zaimplementowana jest pgmpy 0.1.20	moralize=True, min-fill triangulation
LabelEncoder	Wbudowany scikit-learn 1.0.2	Udostępnione ze scikit-learn
ModelCheckpoint	Ponowne wezwanie do TensorFlow 2.8.0	Na podstawie zestawu walidacyjnego AUC
NumPy	Nie określono (najnowsza wersja stabilna jest akceptowalna)	Środowisko Python 3.9.7
Pandy	Nie określono (najnowsza wersja stabilna jest akceptowalna)	Środowisko Python 3.9.7
pgmpy	0.1.20	Środowisko Python 3.9.7
Python	3.9.7	Zunifikowane środowisko operacyjne back-end
scikit-learn	1.0.2	RRID: SCR_002577
SPSS	25	RRID: SCR_002815
TensorFlow	2.8.0	Wersja GPU wymaga wsparcia dla CUDA 11.2
Jedność	2021.3.8 F1	RRID: SCR_018230