Projetando Jogos Educacionais para Fomentar a Experiência de Decisão em Programas de Inovação e Empreendedorismo Universitário

Resumo

Este estudo propõe um modelo baseado em jogos usando redes bayesianas para aprimorar a educação em inovação e empreendedorismo, aprimorando o acompanhamento do conhecimento, o entusiasmo por aprendizagem e a adaptabilidade. Os resultados mostram alta precisão (95,6%) e melhores resultados em comparação com métodos tradicionais de ensino.

Resumo

Jogos educacionais imergem os alunos em ambientes situacionais para aumentar o engajamento, o que resolve lacunas no monitoramento do domínio do conhecimento e na manutenção do entusiasmo nos cursos de Inovação e Empreendedorismo (IE) da faculdade. Este estudo constrói um mecanismo lógico interno que liga educação e comportamento IE, utilizando Redes Bayesianas (BN) para Raciocínio Probabilístico (PR) para avaliar o domínio do conhecimento dos aprendizes. Baseando-se em estruturas educacionais de jogos para acompanhamento de estruturas de conhecimento, propõe um modelo de jogo de decisão e experiência de IE universitário, aprimorado por um algoritmo aprimorado de Deep Knowledge Tracing (DKT) (integrando mecanismos de embedding de características e atenção). Os resultados mostram que a pontuação e a precisão da previsão em educação empreendedora do modelo atingem 95,6% (a maior entre os modelos testados), com todos os itens da escala de avaliação demonstrando forte cobertura de informações. As pontuações médias dos indicadores ultrapassam 4, refletindo um feedback eficaz. A adaptabilidade dos alunos ao modelo baseado em jogos é 2% a 11% maior do que ao ensino tradicional. A avaliação incorporada em tempo real alinha o desempenho da aprendizagem com os objetivos instrucionais, permitindo o ajuste da estratégia. O valor da educação em IE está em fomentar a consciência empreendedora, a capacidade e a disposição, enquanto sua função aprimora habilidades práticas como a integração de recursos. O modelo melhora o entusiasmo pelo aprendizado, a adaptabilidade e a eficiência, oferecendo insights para o design personalizado da educação universitária em IE.

Introdução

A educação em inovação e empreendedorismo (IE) visa cultivar talentos com alfabetização empreendedora e personalidades pioneiras, com foco no treinamento faseado de pensamento inovador e capacidades empreendedoras. No entanto, a educação atual em Engenharia Industrial carece de praticidade e currículos interativos, dependendo fortemente da teoria enquanto negligencia habilidades práticas de resolução de problemas. Jogos educacionais — com alta interatividade e simulação de cenários — podem preencher essa lacuna promovendo a tomada de decisão e o trabalho em equipe, tornando-se uma ferramenta promissora para o aprendizado personalizado de Engenharia^{Industrial 1}.

Para melhorar a eficiência do ensino de IE, estudos anteriores integraram jogos ao IE, mas enfrentam duas limitações principais: os aprendizes frequentemente deixam de lado pontos críticos de conhecimento, e jogos tradicionais falham em acompanhar dinamicamente a aquisição^{de conhecimento 2,3}. Para abordar esses aspectos, propomos a seguinte hipótese: Um jogo de decisão e experiência de IE integrando raciocínio de Redes Bayesianas (BN) para diagnóstico de conhecimento em tempo real e um algoritmo aprimorado de Deep Knowledge Tracking (DKT) alcançará maior precisão de previsão e adaptabilidade do aluno do que o ensino tradicional ou os modelos KT existentes (BKT, DKVMN, EKT⁾⁴. As inovações duplas deste estudo preenchem lacunas em trabalhos anteriores: ao contrário dos modelos existentes que realizam apenas avaliação estática de conhecimento, usamos pontos de raciocínio BN — modelagem — pontos de conhecimento como nós com Tabelas de Probabilidade Condicional (CPTs) — para diagnosticar fraquezas de aprendizagem em tempo real via dados de desempenho do^{jogo 5}. Este estudo aprimora a DKT ao incorporar características de dimensão IE (consciência empreendedora, habilidade e intenção) e mecanismos de atenção (AMs) — resolvendo a perda de informação de sequência longa no DKT padrão — e superando modelos limitados como BKT, DKVMN e^{EKT 6}.

O núcleo da educação em Engenharia Industrial está em cultivar a consciência empreendedora, a capacidade e a intenção — três variáveis mediadoras entre a IE e o comportamento empreendedor que correspondem aos seus objetivos básicos, primários e fundamentais — mas as ferramentas existentes não acompanham seu desenvolvimento dinâmico. Isso destaca uma necessidade prática crítica: a educação atual em Engenharia Industrial carece de ferramentas adaptativas e orientadas por dados. Nosso sistema gamificado, com feedback em tempo real, aborda isso diretamente, oferecendo escalabilidade para contextos de ensino superior.

Este estudo compreende cinco seções: (1) elabora conceitos de jogos IE/educativos e seus desafios de design; (2) revisa educação em IE e pesquisa educacional em jogos; (3) metodologia detalhada (seleção das dimensões de avaliação de jogos IE, integração de DKT aprimorado para construir o modelo); (4) valida o desempenho do modelo; (5) resume descobertas, limitações e direções futuras.

Obras relacionadas

Tendo como pano de fundo a promoção em massa do IE para promover empregos de alta qualidade para estudantes universitários, como aprimorar sua alfabetização em inovação e habilidades empreendedoras por meio da educação em IE tem gerado ampla preocupação em todos os^setores. Liu et al. analisaram os métodos de atuação ativa dos estudantes na educação inteligente e, combinando informações de conceitos de conhecimento, estenderam a estrutura de rede neural recursiva para a estrutura interpretável de Rastreamento de Conhecimento Consciente do Exercício (EKT). Os resultados demonstraram que esse método tinha interpretabilidade superior na previsão do^8º ano dos alunos. Shute et al. integraram as preferências, gênero e outras características dos alunos no jogo educacional. Os resultados indicaram que o ensino de física baseado em jogos educacionais teve notas e desempenho melhores em jogos do que o ensino^{tradicional 9}. Chen et al. exploraram o efeito dos jogos de simulação de negócios móveis na educação empreendedora por meio de um design quase experimental. Os resultados da pesquisa indicaram que jogos de simulação de negócios móveis poderiam melhorar as atitudes empreendedoras e a autoeficácia, mas não poderiam mudar as intenções empreendedoras. Os resultados da pesquisa confirmam o papel positivo dos jogos de simulação de negócios móveis na educação empreendedora, o que pode aprimorar a atitude empreendedora e a autoeficácia^{empreendedora 10}. Resultados de pesquisas indicaram que esse método tinha alta precisão preditiva para o desempenho dos aprendizes em tarefas de jogos. Shi et al. propuseram um modo de ensino que integrava o conhecimento de funções quadráticas nos jogos. O experimento mostrou que a motivação de aprendizagem e as pontuações de matemática dos alunos melhoraram significativamente ao longo desse modo^{de ensino 11}.

Isabelle et al. analisaram a gamificação da educação empreendedora utilizando uma plataforma independente de gamificação, utilizando mecanismos de jogos em aplicações não relacionadas a jogos e integrando as teorias da educação indoeuropea¹². Resultados de pesquisas indicaram que métodos gamificados de educação empreendedora poderiam aumentar a participação dos estudantes e a autoeficácia empreendedora. Soomro et al. realizaram uma pesquisa empírica sobre educação empreendedora, autoeficácia e intenção empreendedora entre estudantes de determinada universidade, utilizando um método quantitativo de dados transversais. Os resultados indicaram que a estrutura da educação empreendedora teve um impacto positivo significativo na autoeficácia e intenção^{empreendedora 13}. Estudiosos como Loi propuseram um debate sobre as suposições e desafios na educação empreendedora, integrando novas perspectivas empreendedoras aos modelos de ensino empreendedor existentes. Os resultados das pesquisas indicaram que determinar prioridades de conhecimento era o mais importante para aumentar o impacto da educação^{empreendedora 14}. Para melhorar o desempenho da educação em IE nas escolas, Mao et al. construíram um modelo de avaliação para a educação IE baseado em árvores de decisão e algoritmos difusos. O experimento mostrou que o modelo tinha certas aplicações práticas, avaliando efetivamente a qualidade da educação universitária em Engenharia Industrial e fornecendo ferramentas quantitativas operacionais para otimizar estratégias de ensino^{em IE 15}. Li et al. analisaram a necessidade de realizar educação em IE para estudantes universitários no contexto da Internet. Com base em resultados reais de pesquisas, estratégias foram propostas para promover o desenvolvimento da educação e prática de IE¹⁶.

Em resumo, o valor e a função da educação em IE estão principalmente incorporados no cultivo de talentos com qualidade básica e uma personalidade pioneira no empreendedorismo. Seu valor reside no sistema de valores que considera de forma abrangente a consciência, conhecimento, habilidade e intenção inovadoras, visando estimular a paixão empreendedora dos estudantes, que é uma exigência psicológica. Com base nisso, a educação em IE foca em aprimorar a capacidade empreendedora dos estudantes, incluindo integração de recursos, construção de equipes, etc., e finalmente formar intenções empreendedoras e transformá-las em ações práticas. Funcionalmente, a educação em Engenharia Industrial melhora a capacidade dos estudantes de enfrentar desafios empreendedores por meio da prática, como integração de recursos, trabalho em equipe, etc., para promover a realização do comportamento empreendedor. A pesquisa atual sobre educação em Engenharia Industrial foca principalmente em características teóricas, papéis e análise empírica, faltando resultados relevantes sobre métodos de ensino. Os aprendizes podem precisar de orientações e assistências diferentes, mas jogos educacionais não conseguem simular o estado de aquisição de conhecimento do aluno. Para resolver esses problemas, este estudo visa identificar diferenças individuais de aprendizagem entre os alunos e propõe o uso do raciocínio BN para obter o nível de domínio do conhecimento dos aprendizes no ensino. Além disso, constrói um modelo de jogo de experiência de decisão para a educação de Engenharia Industrial dos estudantes, baseado em um algoritmo aprimorado de Acompanhamento de Conhecimento (KT).

Protocolo

Este estudo foi aprovado pelo Comitê de Ética em Pesquisa Humana da Universidade de Shaoxing (Aprovação nº SU-2023-IE-058). Todos os participantes forneceram consentimento informado por escrito antes da coleta dos dados. O experimento foi conduzido de acordo com a Declaração de Helsinque (2013).

Design de jogos para a experiência de decisão da educação em Engenharia Industrial para estudantes universitários

A pesquisa implementou uma Rede Bayesiana (BN) para avaliação em tempo real do domínio do conhecimento dos aprendizes. Cada ponto de conhecimento foi modelado como um nó com Tabelas de Probabilidade Condicional (CPTs) definindo dependências. Dados de desempenho dos alunos provenientes das interações em jogos serviram como evidência para inferência probabilística usando a biblioteca pgmpy (v0.1.20, Python 3.9.7). O algoritmo da Árvore de Junção foi empregado para inferência eficiente.

Seleção de recursos das dimensões de avaliação de jogos da educação IE de estudantes universitários com base no raciocínio BN

O desenvolvimento da educação em IE tem sido acompanhado pelo contínuo aprofundamento das reformas no ensino superior, e progressos significativos foram feitos na educação. A formação de pesquisa sobre a inovação do ecossistema educacional IE é a primeira força motriz para o desenvolvimento e o apoio estratégico para a construção de um sistema econômico^{moderno 17,18}. No entanto, o funcionamento do ecossistema IE, assim como o ecossistema natural, também tem muitos fatores de influência. A função básica e o valor da educação em IE estão em cultivar um grande número de talentos inovadores (um grande número de talentos de alta qualidade com espírito inovador, sistema de conhecimento e capacidade de ação⁾¹⁹. Seu propósito e valor básicos incluem principalmente cinco partes, como mostrado na Figura 1, que são as funções e valores da educação em IE.

Figura 1: Estrutura integrada das funções centrais da educação em IE, composição de valores e ligação lógica interna com o comportamento empreendedor. Por favor, clique aqui para ver uma versão ampliada desta figura.

A Figura 1 demonstra as funções e valores da educação em Engenharia Industrial, sendo o núcleo a consciência empreendedora. A demanda empreendedora é a base, fornecendo um pré-requisito para a formação da consciência empreendedora. O interesse empreendedor é o núcleo, impulsionando as pessoas a prestarem atenção ao empreendedorismo. A motivação empreendedora é a força motriz que impulsiona a prática empreendedora. O empreendedorismo oferece suporte para ajudar a superar dificuldades na criação de um negócio. O valor empreendedor é o objetivo final, refletindo a importância da educação empreendedora para indivíduos e para a sociedade. Todos os elementos interagem entre si e apoiam conjuntamente o funcionamento da educação^{IE 20}. O estudo categoriza a educação indo-europeia como cultivo da consciência, aprimoramento de habilidades e geração de intenções. Eles correspondem aos objetivos básicos, principais e fundamentais da educação em Engenharia Industrial. A consciência empreendedora é dividida em vários níveis, e cultivá-la é um fator-chave para alcançar metas de conhecimento e habilidades. O conhecimento em si faz parte da habilidade, portanto, a educação empreendedora deve focar no cultivo das habilidades empreendedoras individuais. Intenção é um elo crucial no desenvolvimento da consciência em comportamento, mas intenção e ação não são exatamente a mesma²¹. Na educação empreendedora, é necessário gerar a disposição empreendedora dos estudantes, formando assim experiências eficazes e transformando-as em comportamentos. Em resumo, o estudo toma a consciência empreendedora, a capacidade empreendedora e a intenção empreendedora como variáveis mediadoras entre a educação em Engenharia Industrial e o comportamento empreendedor. Tomar a consciência, habilidade e disposição empreendedoras como variáveis mediadoras entre a educação em IE e o comportamento empreendedor, correspondentes aos objetivos básicos, principais e fundamentais da educação em IE, combinados com análise bibliográfica e ILM, definir os indicadores de medição de cada variável (como educação em IE, incluindo participação em cursos, etc.) e então construir essa ILM. Como mostrado na Figura 1, foi construído um ILM que liga educação em IE ao comportamento empreendedor para fins de pesquisa.

Como mostrado na Figura 1, o efeito positivo da educação empreendedora sobre a capacidade empreendedora se reflete em sua capacidade de ajudar estudantes a dominar habilidades básicas, melhorar sua capacidade de acumular e utilizar recursos e superar dificuldades no empreendedorismo. A consciência empreendedora pode desempenhar um papel mediador entre a educação em Engenharia Industrial e o comportamento empreendedor. Como um fator pré-agente do comportamento empreendedor, a intenção empreendedora pode prever diretamente a ocorrência do comportamento. Cultivar a consciência empreendedora entre os estudantes universitários pode ajudar as empresas a acumular conhecimento empreendedor e aprimorar suas habilidades empreendedoras. A teoria da habilidade sustenta que a habilidade é o fator central que determina o comportamento, especialmente na educação de Engenharia Industrial, que enfatiza o cultivo da habilidade multidimensional dos alunos, incluindo integração de recursos, construção de equipes e preparação^{de fundos 22.} Essas habilidades afetam diretamente o desempenho dos estudantes no empreendedorismo, como identificação de oportunidades, construção de relacionamentos e implementação de ações. A habilidade empreendedora abrange três dimensões principais: a habilidade de integração de recursos, que se refere ao uso e integração eficazes de recursos para apoiar o empreendedorismo; Habilidade de construção de equipe refere-se à capacidade de formar e liderar uma equipe; e prontidão de capital, ou seja, a capacidade de captar e gerenciar capital inicial. O aprimoramento dessas habilidades é fundamental para promover o sucesso do empreendedorismo^{estudantil 23}.

O estabelecimento de padrões de medição para educação empreendedora, comportamento empreendedor, capacidade empreendedora, consciência empreendedora e intenção empreendedora baseia-se principalmente na análise bibliográfica e combinado com a ILM da educação em IE. Os indicadores da educação empreendedora são a participação em cursos ou palestras empreendedoras (YEAR1), participação em treinamento de habilidades em educação empreendedora (YEAR2) e participação em competições empreendedoras (CY3). Esses indicadores refletem diretamente a participação dos estudantes na educação em IE e refletem os objetivos centrais da praticidade e interação da educação^{empreendedora 10}. Os indicadores de comportamento empreendedor são identificação de oportunidades (CW1), construção de relacionamentos (CW2) e investimento em energia (CW3). Esta é a medição relacionada ao comportamento empreendedor, que vem principalmente de teorias comportamentais (como a teoria da competência) e foca em características individuais de ação, como compreensão de oportunidades, construção de capital social e alocação^{de recursos 11}. As dimensões de medição da capacidade empreendedora são capacidade de integração de recursos (CN1), capacidade de construção de equipes (CN2) e capacidade de preparação de capital (CN3). Essas dimensões derivam do objetivo prático central do aprimoramento da capacidade empreendedora, ou seja, aprimorar a capacidade dos estudantes de sobreviver e se desenvolver em um ambiente empreendedor real. As dimensões de medição da consciência empreendedora incluem atitude comportamental empreendedora (CS1), normas subjetivas empreendedoras (CS2) e controle comportamental perceptivo empreendedor (CS3). A medição da consciência empreendedora baseia-se na Teoria do Comportamento Planejado (TPB) de Ajzen, que toma a expectativa psicológica individual do comportamento empreendedor como foco^{da análise 13}. Os indicadores da intenção empreendedora são desejo empreendedor (CW1), planejamento de carreira e relevância empreendedora (CW2). A medição da intenção empreendedora é apoiada pela teoria do impacto da educação empreendedora na escolha de carreira, como a relação entre normas subjetivas e intenção comportamental.

Em atividades de ensino, o processo de considerar as respostas dos alunos como variáveis de evidência para calcular a probabilidade posterior de variáveis latentes e observáveis é o processo de diagnóstico do nível de conhecimento dos alunos. O raciocínio BN calcula a probabilidade posterior, que é baseada principalmente na estrutura BN e na distribuição condicional de probabilidade, e calcula a probabilidade de tomada de valor de alguns nós na rede sob condições específicas^{de evidência 24}. Para um BN com n variáveis de nós, pode ser definido como uma função de distribuição de probabilidade conjunta, como mostrado na equação (1)²⁵.

(1)

Onde P significa o conjunto de probabilidade condicional de BN. Para qualquer nó , existe um CPT para representar a probabilidade condicional de e seu conjunto de nós pai . denotam quaisquer duas variáveis aleatórias, e é a hipótese, que é evidência. A probabilidade a priori é a probabilidade de evento quando é desconhecida. A probabilidade posterior é a probabilidade do evento quando é conhecida. Como mostrado na equação (2), é a equação^{bayesiana 26}.

(2)

O BN não só pode obter o nível de domínio do conhecimento dos aprendizes no ensino por meio de RP, mas também refletir graficamente a estrutura de conhecimento dos alunos. Usando a representação e raciocínio do Conhecimento no modelo de Domínio, todo conhecimento conceitual é considerado um nó. Em jogos, nós são usados para definir níveis correspondentes e fornecer atualizações dinâmicas do BN. Durante o aprendizado, o sistema coletará continuamente informações de dados do usuário e as atualizará na rede. O algoritmo Joint Tree (JT) é atualmente o algoritmo de raciocínio BN computacional mais amplamente utilizado e^{mais rápido 27}. O processo do algoritmo inclui transformar o BN em uma estrutura quadrática contendo um conjunto de arestas na panela. No modelo de jogo de experiência de tomada de decisão educacional do IE, adaptividade é definida como a capacidade do sistema de ajustar automaticamente o conteúdo educacional, estratégias e modos de interação com base no desempenho em tempo real dos aprendizes, características individuais e necessidades de aprendizagem dos alunos. O estudioso americano Hodhod dividiu o modelo de jogo de educação adaptativa em domínio, ensino, modelos de jogador e módulo adaptativo de motor e apresentação²⁸. Cada modelo possui funções diferentes, entre as quais o modelo do jogador é o modelo do aluno, que é um componente fundamental dos jogos educacionais para alcançar suporte adaptativo aos aprendizes. Como mostrado na Figura 2, é o fluxo de informação do modelo estudante baseado no algoritmo JT.

Figura 2: Arquitetura unificada do jogo universitário de experiência de tomada de decisão educacional em IE. Fluxo de informações estudantis impulsionado por árvores conjuntas, DKT aprimorado com incorporação de recursos e atenção, e elementos centrais integrados por KT. Por favor, clique aqui para ver uma versão ampliada desta figura.

Na Figura 2, o estudo usará BN para construir modelos de alunos e usar algoritmos de raciocínio JT para avaliar a aquisição de conhecimento dos estudantes em tempo real. O algoritmo JT se baseia na mesma versão do pgmpy, chama o método to_junction_tree BN (moralize=True, min_fill triangulation) para gerar JT e usa nós () para visualizar os nós do cluster. Inicialize o motor de inferência com JunctionTreeInference, insira as evidências comportamentais pelo método de consulta, defina joint=False para retornar a probabilidade posterior dos pontos de conhecimento IE, e defina tol=1e-6 para controlar o erro. Em seguida, o modelo estatístico é usado para comparar a taxa de resposta correta do aprendiz com o valor limiar estabelecido, fornecendo aos alunos uma estrutura adequada para tarefas de jogo e uma estrutura de feedback para prompts. A modelagem BN é baseada no pgmpy 0.1.20 (ambiente Python 3.9.7). A classe BN é chamada para passar na lista de dependências de nós, e as variáveis latentes/evidência são marcadas com node_type. O CPT é inicializado com base na experiência de especialistas usando a classe TabularCPD, e então atualizado iterativamente com dados de comportamento dos alunos usando o método de ajuste do BayesianEstimator (dirichlet prior, pseudo_counts=1). A relação causal é verificada por meio de do_calculus de Inferência Causal, e informações mútuas são calculadas (maior que 0,3 indica forte dependência) para garantir uma estrutura razoável.

Design de um modelo de jogo de experiência de decisão para educação em Engenharia Industrial para estudantes universitários, integrando algoritmos KT aprimorados

Embora a triagem de características das dimensões de avaliação de jogos educacionais do IE seja realizada por meio do raciocínio BN, que pode identificar dinamicamente os pontos fracos do conhecimento dos alunos, o BN foca apenas no diagnóstico do estado atual do conhecimento e não pode acompanhar o processo de mudança dinâmica do domínio do conhecimento dos alunos. Também é difícil prever com precisão as necessidades de aprendizagem subsequentes, e não pode suportar a adaptação dinâmica do modelo de jogo às estratégias de ensino. Portanto, é necessário integrar e melhorar o algoritmo KT e, aproveitando seu embedding de características e AM, alcançar o acompanhamento e a previsão em tempo real da estrutura de conhecimento dos alunos. O modelo estudantil é um módulo que monitora informações dos alunos, e sua pesquisa apareceu pela primeira vez no Intelligent Tutoring System (ITS⁾²⁹. Em TI, acompanhar as mudanças dinâmicas nos estados de conhecimento dos alunos é particularmente importante, pois pode ajudar o modelo a orientar melhor os alunos na aprendizagem do conhecimento. A ideia de acompanhar a estrutura do conhecimento dos alunos em jogos tem origem em sistemas de diagnóstico de aprendizagem anteriores e jogos de educação^{adaptativa 30}. O modelo DKT já se mostrou um modelo KT eficaz, mais adequado para cenários de avaliação com grandes escalas de dados de usuário. O modelo DKT é baseado no TensorFlow 2.8.0 (Python 3.9.7, GPU suporta CUDA 11.2). Os dados são processados usando pandas, LabelEncoder e numpy, e combinados em tensores 3D de [tamanho da amostra, 30,8]. Construa a arquitetura com Sequencial, incluindo Input (30,8), Dense (64,relu), LSTM (128,return_sequences=True) e Dense (pontos de conhecimento, sigmoide); Otimize com Adam (lr=0,001), use BinaryCrossentropy como função de perda, defina as métricas de precisão e AUC, realize 50 rodadas de treinamento (lote=32) e armazene o peso ótimo no ModelCheckpoint. Esse modelo DKT aprimorado é construído com base no TensorFlow 2.8.0 (Python 3.9.7, suportando CUDA 11.2). Primeiramente, por meio da incorporação de características, as características comportamentais, como o número de alunos respondendo perguntas, o comportamento de buscar ajuda e o número de solicitações de prompt, são interligadas com os resultados das respostas e codificadas em combinação com o coeficiente de dificuldade da questão (o número de respostas incorretas/número total de perguntas respondidas). Depois, conecto todas as características codificadas para construir um vetor e use o autoencoder (ativado por tanh) para redução de dimensionalidade como entrada. Em seguida, um mecanismo de atenção é introduzido entre o LSTM e a camada de saída do DKT. A classe AttentionLayer é definida. O TF.Matmul é usado para calcular os pesos, e o softmax é usado para normalização e gerar características ponderadas. 128 cargas são ajustadas e o Dropout(0,2) é adicionado para evitar sobreposição. Com a otimização Adam (lr=0,001) e a cruz-entropia como função de perda para 50 rodadas de treinamento, o acompanhamento e a previsão do domínio do conhecimento dos alunos foram alcançados. O estudo propõe um modelo DKT aprimorado que enriquece os dados de entrada do modelo por meio de embedding de características e introduz os AMs, como mostrado na Figura 2.

Na Figura 2, devido à capacidade do modelo DKT de capturar características complexas nos dados, a incorporação de características pode ser usada para enriquecer os dados de entrada do modelo, melhorando assim o desempenho do modelo. O último estado oculto da memória de longo prazo (LSTM) é o estado oculto de aprendizagem dos alunos no momento^{atual 31}. Quando o tempo é longo, o LSTM pode causar a perda de informações importantes. O estudo introduz o AM, que pondera e agrega todas as informações históricas para reduzir a perda de informações importantes. As características do comportamento de resposta e dos coeficientes de dificuldade dos alunos estão incorporadas à informação original de entrada, tornando-se uma sequência histórica de interação mais significativa. A sequência histórica de interação de entrada desse modelo é , e a saída é o vetor de probabilidade que prevê corretamente as respostas dos alunos às perguntas correspondentes dos pontos de conhecimento. O estudo propõe combinar o número de vezes que os alunos tentam responder perguntas, se solicitam ajuda durante o processo de resposta e o número de vezes que solicitam prompts para um novo recurso no modelo educacional do jogo, cruzando isso com os resultados das respostas, conforme mostrado na equação (3).

(3)

Na equação (3), significa as características comportamentais dos alunos respondendo perguntas; indica o número de vezes que os alunos respondem a perguntas no momento; denota o pedido de ajuda; indica o número de prompts; refere-se ao resultado da resposta. A expressão de cálculo do coeficiente de dificuldade da pergunta é mostrada na equação (4).

(4)

Na equação (4), representa o número de pessoas que responderam errado à pergunta e representa o número total de pessoas que responderam corretamente. Para melhorar a precisão do modelo, todas as características codificadas obtidas são conexas, e a construção vetorial é mostrada na equação (5).

(5)

Na equação (5), significa o número de pontos de conhecimento; refere-se ao coeficiente de dificuldade do problema; significa combinação de características; significa formato de codificação; significa conexão. Treine o codificador automático usando a função de ativação tanh e remova a camada de saída após a conclusão. Depois, ele usa a saída da camada oculta como entrada no modelo DKT-FA, como mostrado na equação (6).

(6)

Na equação (6), estão a matriz de pesos aprendida e o vetor de viés, respectivamente. O estudo combina AM com uma rede LSTM para permitir que o modelo preste mais atenção a sequências de respostas com características comportamentais semelhantes e dificuldade na prática. O AM é integrado entre as camadas LSTM e de saída do DKT. Uma classe AttentionLayer personalizada é definida, e tf.matmul é usado para calcular pesos, e softmax é usado para normalização e gerar características ponderadas. 128 pesos foram definidos para preservar direitos, Dropout (0,2) foi adicionado para evitar sobreajuste, otimização síncrona foi realizada usando retropropagação, e pesos foram extraídos via get_weights() para analisar o impacto dos comportamentos chave. Quando a variável de atenção é selecionada, indica que o registro de resposta foi selecionado. Como mostrado na equação (7), ele calcula a probabilidade da informação ésima usando o código histórico de informação da ordem e o código final de informação.

(7)

Na equação (7), o fator de peso determina o conteúdo que deve ser prestado atenção ou ignorado durante a previsão. O estudo utiliza um modelo aditivo da função de pontuação de atenção para calcular sua pontuação, conforme mostrado na equação (8).

                             (8)

Na equação (8), significa a codificação de informações históricas de sequência com base na compressão de dados; significa a codificação de redução de dimensionalidade das informações de entrada no tempo. é um parâmetro de rede do Departamento de Ciência. O estado de atenção é denotado como a soma ponderada de , e sua expressão de cálculo é mostrada na equação (9).

(9)

Na equação (12), combinando com , a probabilidade de os alunos dominarem todos os pontos de conhecimento é calculada e expressa conforme mostrado na equação (10).

(10)

No aprendizado de máquina, a entropia cruzada pode ser usada para medir a diferença entre a marcação real e os resultados previstos. Portanto, é considerado como a função de perda do modelo DKT-FA, conforme mostrado na equação(11).

(11)

Na equação (11), e indicam as distribuições de probabilidade prevista e verdadeira, respectivamente. Assume que é 1 unidade de conhecimento, incluindo pontos de conhecimento. E se a probabilidade de usar o ponto de conhecimento for , então o domínio dos alunos sobre o ponto de conhecimento é mostrado na equação (12).

               (12)

Na equação (12), significa a taxa de erro do aprendiz no ponto de conhecimento ; refere-se à probabilidade da ocorrência de pontos de conhecimento. Estude a importância de usá-la como um ponto de conhecimento. Para classificar a faixa de valores dentro da faixa de 0 a 0,5, é dividida em duas partes. Em cenários de jogos complexos e ricos, os aprendizes podem alcançar uma reconstrução personalizada e significativa dos métodos de aprendizagem. Ao construir modelos educativos de jogos, os princípios correspondentes também devem ser seguidos. Primeiramente, o princípio da subjetividade do aprendiz deve ser seguido. É necessário considerar plenamente as características individuais dos aprendizes para que possam obter uma experiência de jogo que combine com suas próprias habilidades durante o processo de jogo. Em segundo lugar, é necessário seguir o princípio da consciência situacional, ou seja, projetar um ambiente de jogo mais realista para estimular o entusiasmo dos alunos. Por fim, é necessário seguir o princípio de equilibrar design de jogos e design instrucional. Com base nos princípios acima, estuda os elementos-chave da educação integrada e dos jogos em IE, e constrói um modelo de decisão para a educação em IE, como mostrado na Figura 2.

Na Figura 2, o modelo assume o cenário como o aspecto fundamental da educação em IE, e o próprio jogo é dividido em modelos de aluno, professor e de conhecimento. Combinando ideias de design instrucional, ele constrói ainda mais a trama, as atividades, as tarefas e os elementos-chave do jogo. Uma atividade periódica que combina os quatro aspectos de meio ambiente, conhecimento, emoção e ação na educação empreendedora. O modelo de conhecimento é usado principalmente para armazenar e listar conhecimento na educação. O modelo do aluno é combinado com o modelo do professor para alcançar a aprendizagem personalizada do conhecimento. É necessário um design mais detalhado da trama do jogo, atividades, tarefas, etc., para equilibrar os aspectos educacionais e de jogabilidade do modelo do jogo. Simultaneamente, implementa o conhecimento de IE contido tanto em cenários virtuais quanto perceptivos, internaliza a aprendizagem baseada em conhecimento para o cultivo de comportamentos corretos de educação empreendedora. O módulo incorporado em recursos na Figura 2 gera o estado de aprendizagem e o mapeia dinamicamente para a interface analisando os dados de comportamento dos alunos (como número de respostas, frequência de ajuda, taxa de correção, etc.) para gerar a cena da tarefa adequada à sua etapa. Esses cenários incluem empreendedorismo virtual, resolução de problemas ou simulações de trabalho em equipe projetadas para aprimorar a experiência de aprendizagem. O design combina um modelo de conhecimento, um modelo de ensino e motivação emocional para transformar objetivos educacionais em situações de jogo. O modelo do Professor complementa o modelo do aluno para alcançar um aprendizado eficiente e personalizado por meio de um grafo de conhecimento e análise de dados. Com base em análise de antecedentes, o modelo Professor oferece suporte personalizado ao ensino para os alunos e orienta o design de tarefas do jogo e mecanismos de feedback. Os jogos ajustam dinamicamente as tarefas e a dificuldade com base no desempenho dos alunos em tempo real, aumentando a adaptabilidade e consolidando o conhecimento. A experiência de aprendizado e tomada de decisão dentro do jogo é traduzida em educação empreendedora real por meio de feedback. Como mostrado na Figura 2, o estudo se baseia no anterior estudioso americano Hodhod, que dividiu o modelo de jogo de educação adaptativa em domínio, ensino, modelos de jogadores, e módulo de motor adaptativo e apresentação⁹, e, com base em princípios de construção de modelos, constrói um modelo universitário de experiência de decisão em educação em IE que integra algoritmos KT aprimorados.

Na Figura 2, o modelo geral consiste em duas partes: a interface de apresentação do jogo e o banco de dados backend. A interface de apresentação do jogo controla a apresentação do som, gráficos, interação e outros efeitos do jogo, e trabalha em conjunto com o banco de dados para apresentar o jogo. O banco de dados de fundo é composto por três partes, a saber, modelos de domínio, professor e aluno, usando o módulo componente do ITS como referência, para realizar conjuntamente a função do jogo. Os pontos de conhecimento selecionados do IE são representados por uma rede framework. O design e a construção de modelos de ensino e estruturas funcionais são pré-requisitos e garantias para o design e desenvolvimento de produção subsequentes do ensino de jogos. Sob a orientação de objetivos de pesquisa e fundamentos teóricos, o modelo de estrutura funcional deste jogo esclarece as relações entre vários módulos e os integra em um modelo estrutural funcional.

Demografia dos participantes e amostragem

A demografia detalhada dos pacientes pode ser encontrada na Tabela 1. Fórmula do tamanho da amostra (G*Power 3.1.9.7): Tamanho do efeito f = 0,25 (médio), α = 0,05, power = 0,90, grupos = 3 e depois n ≥ 159, Recrutamento real: 305 (10% de atrito permitido). Para replicações futuras, recomendamos uma amostra mínima de 200 participantes (10% de atrito esperado) para manter o poder estatístico ≥ 0,90 com tamanho de efeito médio f = 0,25 (G*Power 3.1.9.7, três grupos, α = 0,05). Se análises adicionais de moderação (por exemplo, gênero x grupo) forem planejadas, aumente para 270 para garantir que o tamanho das células ≥ 45.

Campo	Entrada de exemplo	Critérios de inclusão	Critérios de exclusão
StudentID	S001	Graduação em tempo integral	Fez ≥1 curso de Engenharia Industrial
Idade	19	18-25 anos	Área externa
Gênero	F	Autoidentificado	Recusar-se a se apresentar
Major	Negócios	Qualquer disciplina	Educação continuada sem diploma
Recrutamento	E-mail do campus	Estratificado aleatório	Já participei

Tabela 1: Demografia dos pacientes.

Para garantir métricas de IA reproduzíveis, realize três treinamentos independentes com diferentes sementes aleatórias (42, 2023, 1024). Informe a média e o IC 95% de AUC, F1 e RMSE; qualquer largura de IC > 5% da média aciona mais duas execuções até que a estabilidade seja alcançada.

Inicialização CPT

Cinco especialistas em educação em Engenharia Industrial (≥ 5 anos de ensino universitário ≥ 3 projetos empreendedores orientados) foram recrutados por meio de amostragem intencional da Universidade Shaoxing e da Universidade Wenzhou-Kean. Credencial de aprovação do painel de especialistas ID: SU-IE-2023-00. Seleção de especialistas: Assunto: [Painel de Especialistas] Elicitação CPT para a Rede Bayesiana IE. O critério de elegibilidade foi ≥ ensino universitário de Engenharia Industrial de 5 anos, orientar ≥3 startups reais de estudantes e estar disposto a participar de 2 turnos online de 2 horas em Delphi.

Modelo inicial CPT

Os seguintes critérios foram definidos e as instruções seguintes foram usadas.

Nó	Pai= dominado?	P(correto|pai)	Prior
T1_opportunity	VERDADE	0.85	0.30
T1_opportunity	FALSO	0.30	/
CN1_resource	/	/	0.30

Instrução de atualização de iteração (linha única em Python):

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

Unity - Pseudocódigo de integração em Python

Code box P1:
csharp
// Unity C# - send behavior log
void SendLog(string studentID, string taskID, bool correct, int attempts, bool help){
string url = "
  WWWForm form = new WWWForm();
  form.AddField("sid", studentID);
  form.AddField("tid", taskID);
  form.AddField("correct", correct ? 1 : 0);
  form.AddField("attempts", attempts);
  form.AddField("help", help ? 1 : 0);
  UnityWebRequest.Post(url, form).SendWebRequest();
}
Code box P2:
Python
# Python Flask - receive & infer
from flask import Flask, request
app = Flask(__name__)
@app.route('/log', methods=['POST'])
def log():
  data = request.form
  update_bn(data) # update CPT
  weak = query_dkt(data) # DKT-FA prediction
  return {"next_task": select_task(weak)}
if __name__ == '__main__':
    app.run(port=5000)

Esquema mínimo executável completo (Copiar para rodar suavemente):
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)
```

Script Unity C# Send (anexado ao GameObject Vazio)
```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);
    }
  }
}
```

Dificuldade adaptativa e gatilhos de feedback
Os detalhes do limiar são fornecidos na Tabela 2, e a lógica do gatilho é apresentada abaixo.
Copie e use a configuração JSON (salvar como' 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 lê código:
```csharp
TextAsset cfg = Resources.Load("adaptive_config");
JsonUtility.FromJson(cfg.text);
```

Probabilidade posterior	Ajuste de dificuldade	Mensagem de feedback
<0,3	-1 nível	Sugere-se revisar os pontos de conhecimento da integração de recursos.
0.3-0.7	Permanecem inalterados	"Continue
> 0,7	Nível +1	"Desbloquear tarefas de Alta Dificuldade

Tabela 2: Tabela de limiar e lógica de gatilho.

Solução de problemas e parâmetros de replicação

As falhas comuns encontradas e as soluções em nível de replicação são apresentadas na Tabela 3. Se o console Unity ainda devolver 404 após o lançamento do firewall, execute a seguinte lista de verificação: (1) Substituir localhost por IPv4 exato: no Unity > Logger.cs mudar http://localhost:5000/log para http://192.168.x.x:5000/log (executar ipconfig no Windows para obter o endereço); (2) Ativar o CORS no Flask: após app = Flask(__name__) adicionar cors = CORS(app, resources={r"/*":{"origins":"*"}}); (3) Verificar ocupação de porta: netstat -ano | encontrar 5000 de profundidade, eliminar PID conflitante; (4) Adicionar batimentos cardíacos de 3 segundos: Invocar Repetição ("SendHeartbeat", 0, 3) em Unity para manter o socket vivo. Os passos acima são scriptados em troubleshoot_up_comm.sh (Unix) e troubleshoot_up_comm.ps1 (Windows) fornecidos na pasta /utils do repositório do GitHub.

Característica	Dimensão	CITC	α após excluir o item	Subescala α	Agenda total α
Educação em empreendedorismo	CY1	0.68	0.848	0.872	0.956
	CY2	0.72	0.841
	CY3	0.66	0.854
Habilidade empreendedora	CN1	0.7	0.826	0.859
	CN2	0.69	0.828
	CN3	0.68	0.834
Consciência empreendedora	CS1	0.68	0.852	0.878
	CS2	0.66	0.865
	CS3	0.7	0.854
Intenção empreendedora	CX1	0.73	0.795	0.877
	CX2	0.66	0.845
	CX3	0.77	0.789
Comportamento empreendedor	CW1	0.76	0.776	0.909
	CW2	0.71	0.823

Tabela 3: Falhas comuns encontradas e soluções em nível de replicação.

Compartilhamento de Código e Dados:
Conjunto de dados demo (n = 50, anonimizado) contendo 14 características comportamentais e 10 IE
Knowledge Nodes está disponível em https://doi.org/10.5281/zenodo.123456
Nome do arquivo: IE_Game_Demo.csv
Cabeçalhos: StudentID, TaskID, Correto, HelpSeeking, Tentativas, Dificuldade, CN1, CS1, CW1, CY1, CY2, CY3, T1, I1
Tamanho: 50 linhas × 14 colunas (~12 KB)
Formato: CSV UTF-8, sem valores faltando, compatível com o padrão de desidentificação GDPR (nome, e-mail, IP removidos).

Limiar de consistência interna: Cronbach α ≥ 0,80; Correlação total de itens ≥ 0,40. Limiares de validade: KMO ≥ 0,70, Bartlett p < 0,001, AVE ≥ 0,50, CR ≥ 0,70, carga fatoral ≥ 0,75. Limiar de desempenho do modelo: conjunto de teste AUC ≥ 0,85, F1 ≥ 0,85, RMSE ≤ 0,20. Qualquer métrica abaixo desses valores sinaliza uma revisão do protocolo.

Para suprimir o sobreajuste no modelo aprimorado DKT-FA, aplicamos um triplo guardrail: (1) Aumento de dados: deslizar uma janela de 50 passos ao longo da sequência do estudante para gerar 5x mais subsequências. (2) Regularização: penalidade de peso L2 1 x ^10-5 em todos os grãos densos e recorrentes. (3) Parada antecipada: monitorar validação - AUC, interromper o treinamento se não houver ganho > 0,001 por 5 épocas consecutivas.

Desenho experimental para resultados de aprendizagem e adaptabilidade

Para testar o efeito moderador de gênero, variáveis de gênero e pontuações da escala de jogo em 14 dimensões foram coletadas na 8ª semana do experimento, e o teste t da amostra independente foi usado para comparar as diferenças entre homens e mulheres. Enquanto isso, avaliações subjetivas como imersão no jogo e realismo da cena foram coletadas usando a escala de cinco pontos de Likert, e as diferenças percentuais de aptidão e mudanças de nota do grupo não-jogo (Grupo A, n = 100), do grupo não adaptativo (Grupo B, n =105) e do grupo de jogo adaptativo (Grupo C, n = 105) sob a mesma dificuldade crescente dos cursos de IE foram registradas. Todos os dados foram testados quanto à significância pelo SPSS 25.0 para verificar a universalidade do modelo para diferentes gêneros e formas de ensino.

Este estudo projetou um experimento controlado para verificar os resultados de aprendizagem e a adaptabilidade. Os participantes foram divididos em três grupos: Grupo A (controle não relacionado ao jogo) recebeu apenas ensino tradicional em sala de aula; O Grupo B (controle de jogo não adaptativo) combinava ensino tradicional com jogos IE não adaptativos; O Grupo C (grupo experimental) usou ensino tradicional além do jogo adaptativo de decisão e experiência de IE (integrando BN+DKT-FA). O experimento de 8 semanas incluiu 1 semana de preparação (agrupamento: 105 no Grupo C, 100 no Grupo A/B; pré-teste de atitude empreendedora/autoeficácia; depuração do sistema do jogo), 6 semanas de intervenção (2 aulas h/semana, 45 min/h, acompanhando o progresso regular do curso de Engenharia Intuitiva) e 1 semana de pós-teste. Para verificação generalizada, dados adicionais de interação foram coletados da Universidade A (ciência-engenharia, 120 conjuntos), Universidade B (abrangente, 110 conjuntos) e Universidade C (artes liberais, 90 conjuntos) para testar a robustez do modelo em diferentes contextos disciplinares.

A replicação do modelo de experiência de decisão do IE envolve seis etapas principais: trabalho preparatório, construção do BN de avaliação do estado do conhecimento, desenvolvimento de um modelo DKT aprimorado, integração do sistema de jogo, design experimental e coleta de dados, e validação do modelo. Esses textos são descritos nos parágrafos a seguir.

No estágio inicial, as dimensões e indicadores centrais da educação em IE são claramente definidos, incluindo três variáveis mediadoras: consciência empreendedora, capacidade e disposição, juntamente com seus respectivos indicadores de medição. Os dados demográficos dos alunos e de base do Engenho Industrial são coletados por meio de questionários, e os dados de comportamento de aprendizagem são registrados por meio de cenários simulados.

Na construção BN, os nós dos pontos de conhecimento do IE (variáveis latentes) e dos comportamentos dos alunos (variáveis de evidência) são definidos. A relação lógica dos nós é determinada com base em entrevistas com especialistas e no gráfico. Os valores iniciais do CPT são definidos de acordo com a experiência de especialistas. Os dados de comportamento dos alunos são ajustados iterativamente e transformados em um JT por meio de moralização e triangulação. A evidência de comportamento de entrada usa pgmpy 0.1.20 (sem RRID oficial público) para calcular a probabilidade posterior e identificar os pontos fracos de conhecimento com probabilidade posterior <0,5.

Ao melhorar o desenvolvimento do modelo DKT, a engenharia de características é realizada nos dados, codificando características comportamentais, calculando coeficientes de dificuldade de tarefas e combinando-os em vetores para construir uma série temporal. Uma arquitetura incluindo embedding de características, LSTM, AM e camada de saída é estabelecida. O treinamento é realizado com a entropia cruzada como função de perda e otimizador Adam, com taxa de aprendizado de 0,001.

A integração do sistema de jogos utiliza a API C# do Unity para transferir dados de comportamento do jogo em tempo real para Python 3.9.7 (RRID:). O back-end do SCR_008394 inicialmente usa BN para calcular a probabilidade posterior de domínio do conhecimento, depois usa o modelo DKT para prever pontos fracos, gerar feedback personalizado e ajustar a dificuldade. No Unity 2021.3.8f1(RRID: SCR_018230), três tipos de cenários de IE são projetados para disparar tarefas direcionadas, ou a dificuldade é ajustada com base nos resultados do BN/DKT.

Três grupos são estabelecidos no experimento: comparando o desempenho do DKT-FA com o modelo clássico KT, verificando a necessidade dos componentes do DKT-FA, testando os efeitos educacionais dos grupos de jogos sem jogo, não adaptativo e adaptativo, e coletando dados relevantes; Validação do modelo: scikit-learn 1.0.2(RRID: SCR_002577) é usado para calcular os indicadores do Experimento 1, analisar os dados do Experimento 2, e o SPSS 25.0 (RRID: SCR_002815) é usado para realizar testes ANOVA e t nos dados do Experimento 3, e simultaneamente testar a confiabilidade e validade da escala.

Resultados

O experimento foi baseado na escala de avaliação educacional de jogos de Karen e Hodhod, e dimensões e itens de avaliação apropriados foram organizados e selecionados para ajuste. A escala de Karen e Hodgod possui alta autoridade e aplicabilidade no campo de jogos educacionais, abrangendo múltiplas dimensões-chave dos jogos educacionais, como jogabilidade, pedagógico, interatividade, etc. Ao introduzir e adaptar essa escala, é possível avaliar de forma mais completa e precisa o desempenh...

Discussão

O sucesso do modelo de jogo de experiência de decisão do IE universitário depende de etapas críticas do protocolo, especialmente a integração do raciocínio BN para diagnóstico de conhecimento em tempo real e o modelo aprimorado de Deep Knowledge Tracing (DKT-FA) no embedding de recursos e AMs. A inicialização precisa do CPT do BN — fundamentada em entrevistas com especialistas e atualizada iterativamente com dados de comportamento dos alunos — garantiu a identificação precisa dos elos fr...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Adam	Integrado ao TensorFlow 2.8.0	Taxa de aprendizado 0,001
BináriaCrossentropia	Integrado ao TensorFlow 2.8.0	Parâmetros padrão
C#	Unity 2021.3.8f1 versão padrão	Chamado pela API C# do Unity
CUDA	11.2	É compatível com o TensorFlow 2.8.0
Árvore de Juntas (JT)	A PGMPY 0.1.20 é implementada	moralize=Verdadeiro, triangulação min-fill
LabelEncoder	Integrado no scikit-learn 1.0.2	Compartilhado com o scikit-learn
ModelCheckpoint	Retorno de chamada TensorFlow 2.8.0	Com base no conjunto de validação AUC
NumPy	Não especificado (a versão estável mais recente é aceitável)	Ambiente Python 3.9.7
Pandas	Não especificado (a versão estável mais recente é aceitável)	Ambiente Python 3.9.7
PGMPY	0.1.20	Ambiente Python 3.9.7
Python	3.9.7	Um ambiente operacional unificado de back-end
scikit-learn	1.0.2	RRID: SCR_002577
SPSS	25	RRID: SCR_002815
TensorFlow	2.8.0	A versão da GPU requer suporte ao CUDA 11.2
Unidade	2021.3.8 F1	RRID: SCR_018230