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....

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....

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