Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Исследовательская статья

Разработка образовательных игр для развития опыта принятия решений в программах инноваций и предпринимательства в колледже

457 просмотров

⸱

DOI:

10.3791/69269

⸱

16 декабря 2025 г.

 ,  ,  , 
1Modern Business School, Zhejiang Agricultural Business College, 2College of Liberal Arts, Wenzhou-Kean University, 3Medical School, Shaoxing University, 4Business School, Shaoxing University

В этой статье

Краткое содержание

В данном исследовании предлагается модель, основанная на играх, с использованием байесовских сетей для улучшения образования в области инноваций и предпринимательства, улучшения отслеживания знаний, энтузиазма обучения и адаптивности. Результаты показывают высокую точность (95,6%) и лучшие результаты по сравнению с традиционными методами преподавания.

Аннотация

Образовательные игры погружают учащихся в ситуативную среду для повышения вовлечённости, что устраняет пробелы в контроле владения знаниями и поддержании энтузиазма на курсах по инновациям и предпринимательству (IE) в колледже. Это исследование строит внутренний логический механизм, связывающий образование в IE и поведение, используя байесовские сети (BN) для вероятностного рассуждения (PR) для оценки овладения знаниями учащихся. Опираясь на образовательные игровые фреймворки для отслеживания структуры знаний, он предлагает модель игры для колледжей IE с опытом принятия решений, усовершенствованную улучшенным алгоритмом глубокого трассировки знаний (DKT) (интегрирующий механизмы внедрения признаков и внимания). Результаты показывают, что балл образования по предпринимательству и точность прогнозирования модели достигают 95,6% (самый высокий показатель среди протестированных моделей), при этом все пункты шкалы оценки демонстрируют сильное информационное покрытие. Средние показатели превышают 4, что отражает эффективную обратную связь. Адаптация студентов к игровой модели на 2%-11% выше, чем к традиционному обучению. Встроенная оценка в реальном времени согласует результаты обучения с учебными целями, позволяя корректировать стратегию. Ценность IE образования заключается в развитии предпринимательской осведомлённости, способностей и готовности, а его функция развивает практические навыки, такие как интеграция ресурсов. Модель повышает энтузиазм, адаптивность и эффективность обучения, предлагая инсайты для персонализированного дизайна образования в колледжах.

Введение

Образование в области инноваций и предпринимательства (IE) направлено на развитие талантов с предпринимательской грамотностью и первопроходцами, с акцентом на поэтапное обучение инновационному мышлению и предпринимательским способностям. Однако современное образование в области промышленного образования не обладает практичностью и интерактивными учебными программами, сильно опираясь на теорию и игнорируя практические навыки решения проблем. Образовательные игры с высокой интерактивностью и симуляцией сценариев могут восполнить этот пробел, способствуя принятию решений и командной работе, делая их перспективным инструментом для персонализированного обученияIE 1.

Для повышения эффективности преподавания IE предыдущие исследования интегрировали игры в IE, но сталкиваются с двумя ключевыми ограничениями: учащиеся часто упускают из виду важные точки знаний, а традиционные игры не способны динамически отслеживать приобретениезнаний 2,3. Для решения этих вопросов мы предлагаем следующую гипотезу: IE — игра принятия решений, интегрирующая байесовские сети (BN) для диагностики знаний в реальном времени и улучшенный алгоритм глубокого отслеживания знаний (DKT), обеспечит более высокую точность прогнозирования и адаптивность студентов по сравнению с традиционным обучением или существующими моделями KT (BKT, DKVMN, EKT)4. Двойные инновации этого исследования заполняют пробелы в предыдущих работах: в отличие от существующих моделей, которые проводят только статическую оценку знаний, мы используем BN-рассуждение — моделирование точек знаний в виде узлов с условными таблицами вероятностей (CPT) — для диагностики слабых моментов обучения в реальном времени с помощью данных о производительности игр5. Это исследование усиливает DKT, внедряя IE-размерные особенности (предпринимательское осознание, способности и намерения) и механизмы внимания (AMs) — решая потерю информации в длинных последовательностях в стандартном DKT — и превосходя ограниченные модели, такие как BKT, DKVMN иEKT 6.

Суть образования в области промышленного образования заключается в развитии предпринимательской осведомлённости, способностей и намерений — три посреднических переменных между IE и предпринимательским поведением, соответствующие его основным, первичным и фундаментальным целям — но существующие инструменты не отслеживают их динамическое развитие. Это подчёркивает критическую практическую потребность: современное образование в области промышленного образования не хватает адаптивных, основанных на данных инструментах. Наша игровая система с обратной связью в реальном времени напрямую решает эту проблему, обеспечивая масштабируемость для контекста высшего образования.

Это исследование состоит из пяти разделов: (1) подробно рассматриваются концепции IE/образовательных игр и их дизайнерские задачи; (2) рассматривает исследования по образованию IE и образовательным играм; (3) методологию детализации (выбор измерений оценки игр IE, интеграция улучшенного DKT для построения модели); (4) проверяет производительность модели; (5) подводит итоги выводов, ограничений и будущих направлений.

Связанные работы

На фоне продвижения массового IE для обеспечения качественной занятости для студентов колледжей, способы повышения их инновационной грамотности и предпринимательских навыков через образование в области промышленного образования вызывают широкий интерес во всехсекторах 7. Лю и соавторы проанализировали методы активного обслуживания студентов в интеллектуальном образовании, объединили информацию о концепциях знаний, расширили фреймворк рекурсивных нейронных сетей на интерпретируемую систему отслеживания знаний (EKT). Результаты показали, что этот метод обладает лучшей интерпретируемостью при прогнозировании8 оценок учащихся. Шут и др. интегрировали предпочтения, гендер и другие характеристики учеников в образовательную игру. Результаты показали, что преподавание физики на основе образовательных игр имело лучшие оценки и результаты игры, чем традиционноеобучение 9. Чен и др. исследовали влияние мобильных бизнес-симуляционных игр в предпринимательском образовании с помощью квазиэкспериментального дизайна. Результаты исследований показали, что мобильные бизнес-симуляции могут улучшить предпринимательское отношение и самоэффективность, но не могут изменить предпринимательские намерения. Результаты исследований подтверждают положительную роль мобильных бизнес-симуляционных систем в предпринимательском образовании, которые могут повысить предпринимательское отношение и самоэффективность10. Результаты исследований показали, что этот метод обладает высокой предсказательной точностью для успешности учащихся в игровых заданиях. Ши и др. предложили режим обучения, который интегрирует знания о квадратичных функциях в игры. Эксперимент показал, что мотивация по обучению и результаты по математике значительно улучшились благодаря этому режимупреподавания 11.

Изабель и др. проанализировали геймификацию предпринимательского образования с помощью независимой платформы геймификации, использования игровых механизмов в неигровых приложениях и интеграции теорий образованияIE 12. Результаты исследований показали, что геймифицированные методы предпринимательского образования могут повысить участие учащихся и повысить их предпринимательскую самоэффективность. Сумро и др. провели эмпирический опрос по предпринимательскому образованию, самоэффективности и предпринимательскому намерению среди студентов определённого университета, используя метод количественного анализа поперечных данных. Результаты показали, что структура предпринимательского образования оказала значительное положительное влияние на самоэффективность предпринимателя и предпринимательскоенамерение 13. Учёные, такие как Лои, предложили дискуссию о предпосылках и вызовах в предпринимательском образовании, интегрируя новые предпринимательские взгляды в существующие модели предпринимательского обучения. Результаты исследований показали, что определение приоритетов знаний было наиболее важным для усиления влияния предпринимательского образования14. Для повышения эффективности образования по ИЭ в школах Мао и др. создали модель оценки образования в области ИЭ, основанную на деревьях принятия решений и нечетких алгоритмах. Эксперимент показал, что модель имеет определённые практические применения для эффективной оценки качества образования в колледжах по промышленному искусству и предоставления эффективных количественных инструментов для оптимизации стратегий обученияIE 15. Ли и др. проанализировали необходимость проведения обучения по IE для студентов колледжей в контексте Интернета. На основе реальных результатов исследований были предложены стратегии для продвижения развития образования и практики в областиIE 16.

В заключение, ценность и функция образования в области промышленного образования в основном воплощаются в развитии талантов базового качества и новаторской личности предпринимательства. Её ценность заключается в системе ценностей, которая комплексно учитывает инновационное сознание, знания, способности и намерения, стремясь стимулировать предпринимательскую страсть студентов — психологическую необходимость. На этой основе образование IE направлено на развитие предпринимательских способностей учащихся, включая интеграцию ресурсов, формирование команды и т.д., а также формирование предпринимательских намерений и превращение их в практические действия. Функционально, образование в области промышленного образования улучшает способность учащихся справляться с предпринимательскими вызовами через практику, такие как интеграция ресурсов, командная работа и т.д., чтобы способствовать реализации предпринимательского поведения. Текущие исследования в области образования в области промышленного образования в основном сосредоточены на теоретических характеристиках, ролях и эмпирическом анализе, отсутствуя релевантных результатов по методам преподавания. Учащимся может понадобиться разное руководство и поддержка, но образовательные игры не могут смоделировать состояние приобретения знаний обучающихся. Для решения таких задач данное исследование направлено на выявление индивидуальных различий в обучении среди учащихся и предлагает использовать рассуждение BN для достижения уровня овладения знаниями учащихся в преподавании. Кроме того, он строит модель игры с опытом принятия решений для образования студентов колледжей в области IE на основе усовершенствованного алгоритма отслеживания знаний (KT).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Это исследование было одобрено Комитетом по этике человеческих исследований Университета Шаосин (Одобрение No SU-2023-IE-058). Все участники предоставили письменное информированное согласие перед сбором данных. Эксперимент проводился в соответствии с Хельсинкской декларацией (2013).

Геймдизайн для опыта принятия решений в образовании в области промышленного образования для студентов колледжей

В ходе исследования была внедрена Байесовская сеть (BN) для оценки знания учащихся в реальном времени. Каждая точка знаний была моделирована как узел с Таблицами условных вероятностей (CPT), определяющими зависимости. Данные о результатах учащихся, полученные в игровых взаимодействиях, служили доказательством вероятностного вывода с использованием библиотеки pgmpy (v0.1.20, Python 3.9.7). Для эффективного вывода был использован алгоритм Junction Tree.

Выбор особенностей измерений оценки игр в образовании студентов IE на основе рассуждений BN

Развитие IE образования сопровождалось постоянным углублением реформ в высшем образовании, и в образовании был достигнут значительный прогресс. Исследовательский фон инноваций в образовательной экосистеме IE является первой движущей силой развития и стратегической поддержкой построения современной экономической системы17,18. Однако функционирование экосистемы IE, как и природная экосистема, также имеет множество факторов, влияющих факторов. Основная функция и ценность образования в области промышленного инжењера заключаются в развитии большого числа инновационных талантов (большого числа высококлассных талантов с инновационным духом, системой знаний и способностью к действию)19. Его основная цель и ценность в основном включают пять частей, как показано на рисунке 1, которые являются функциями и ценностями образования в области промышленного образования.

figure-protocol-1
Рисунок 1: Интегрированная структура основных функций образования в сфере промышленного образования, состава ценностей и внутренней логической связи с предпринимательским поведением. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 1 демонстрирует функции и ценности образования в сфере промышленного образования, при этом основой является предпринимательская осведомлённость. Предпринимательский спрос является основой, являющейся необходимым условием для формирования предпринимательской осведомлённости. Основой является предпринимательский интерес, который побуждает людей обращать внимание на предпринимательство. Предпринимательская мотивация — это движущая сила, движущая предпринимательскую практику. Предпринимательство окажет поддержку для преодоления трудностей при открытии бизнеса. Предпринимательская ценность — это высшая цель, отражающая значимость предпринимательского образования для отдельных людей и общества. Все элементы взаимодействуют друг с другом и совместно поддерживают функционированиеIE education 20. Исследование классифицирует образование IE как развитие сознания, усиление способностей и генерацию намерений. Они соответствуют основным, основным и фундаментальным целям образования в области промышленного образования. Предпринимательская осведомлённость разделена на несколько уровней, и его развитие является ключевым фактором для достижения целей в знаниях и способностях. Само знание является частью способностей, поэтому предпринимательское образование должно быть сосредоточено на развитии индивидуальных предпринимательских способностей. Намерение — ключевая связь в развитии сознания в поведение, но намерение и действие — это не совсем однои то же. В предпринимательском образовании необходимо развивать у студентов предпринимательскую готовность, формируя эффективный опыт и превращая его в поведение. В итоге исследование рассматривает предпринимательскую осведомлённость, предпринимательские способности и предпринимательское намерение как посредничество между образованием в области IE и предпринимательским поведением. Взяв предпринимательскую осведомлённость, способности и готовность в качестве посредников между образованием в сфере промышленного образования и предпринимательским поведением, соответствующих основным, основным и фундаментальным целям образования в области промышленного образования, в сочетании с анализом литературы и ILM, установите показатели измерения каждой переменной (например, образование в области IE, включая участие в курсах и т.д.), а затем постройте этот ILM. Как показано на рисунке 1, для исследовательских целей была создана ILM, связывающая образование в области промышленного образования и предпринимательское поведение.

Как показано на рисунке 1, положительное влияние предпринимательского образования на предпринимательские способности отражается в его способности помочь студентам освоить базовые навыки, улучшить их способность накапливать и использовать ресурсы, а также преодолевать трудности в предпринимательстве. Предпринимательская осведомлённость может играть посредническую роль между образованием в области промышленного инжидента и предпринимательским поведением. Как предварительный фактор предпринимательского поведения, предпринимательское намерение может напрямую предсказывать возникновение поведения. Повышение предпринимательской осведомлённости среди студентов колледжей может помочь предприятиям накапливать предпринимательские знания и развивать свои предпринимательские способности. Теория способностей утверждает, что способность является основным фактором, определяющим поведение, особенно в образовании промышленного образования, где акцент на развитии многомерных способностей учащихся, включая интеграцию ресурсов, формирование команды и подготовку средств22. Эти навыки напрямую влияют на успехи студентов в предпринимательстве, такие как выявление возможностей, построение отношений и реализация действий. Предпринимательская способность охватывает три основных измерения: способность интегрироваться ресурсов, которая означает эффективное использование и интеграцию ресурсов для поддержки предпринимательства; Тимбилдинг — это умение формировать и руководить командой; и готовность капитала, то есть способность привлекать и управлять стартовым капиталом. Развитие этих способностей является ключом к успеху предпринимательствастудентов 23.

Установление стандартов измерения для предпринимательского образования, предпринимательского поведения, предпринимательских способностей, осознанности и предпринимательского намерения в основном основано на анализе литературы и сочетается с ILM IE образования. Показателями предпринимательского образования являются участие в предпринимательских курсах или лекциях (CY1), участие в обучении навыкам предпринимательского образования (CY2) и участие в предпринимательских конкурсах (CY3). Эти показатели напрямую отражают участие учащихся в образовании по промышленному образованию и отражают основные цели практичности и взаимодействия предпринимательскогообразования 10. Показателями предпринимательского поведения являются выявление возможностей (CW1), построение отношений (CW2) и инвестиции в энергию (CW3). Это измерение, связанное с предпринимательским поведением, которое в основном основано на поведенческих теориях (например, теория компетентности) и сосредоточено на индивидуальных характеристиках действия, таких как захват возможностей, формирование социального капитала и распределениересурсов 11. Измерения предпринимательских способностей включают способность к интеграции ресурсов (CN1), способность к формированию команды (CN2) и способность к подготовке капитала (CN3). Эти измерения вытекают из основной практической цели развития предпринимательских способностей, а именно повышения способности студентов выживать и развиваться в реальной предпринимательской среде. Измерения предпринимательского сознания включают предпринимательское поведенческое отношение (CS1), предпринимательские субъективные нормы (CS2) и контроль поведения предпринимательского восприятия (CS3). Измерение предпринимательского сознания основано на Теории планового поведения Айзена (TPB), которая рассматривает индивидуальное психологическое ожидание предпринимательского поведения в качестве фокусаанализа. 13. Показателями предпринимательского намерения являются предпринимательское желание (CW1), планирование карьеры и предпринимательская значимость (CW2). Измерение предпринимательского намерения поддерживается теорией влияния предпринимательского образования на выбор профессии, например, связью между субъективными нормами и поведенческим намерением.

В учебных мероприятиях процесс принятия ответов студентов как доказательств для вычисления апостериорной вероятности латентных и наблюдаемых переменных является процессом диагностики уровня знаний учащихся. Рассуждение BN вычисляет апостериорную вероятность, которая в основном основана на структуре BN и условном распределении вероятностей, а также вычисляет значение с учётом вероятности некоторых узлов в сети при специфических условияхдоказательств 24. Для BN с n переменными узлов её можно определить как совместную функцию распределения вероятностей, как показано в уравнении (1)25.

figure-protocol-2(1)

Где P означает условное множество figure-protocol-3 вероятностей BN. Для любого узла figure-protocol-4существует CPT, представляющий условную вероятность , figure-protocol-5 и её родительское множество figure-protocol-6узлов . figure-protocol-7 обозначают любые две случайные величины, а figure-protocol-8 — гипотеза, которая является figure-protocol-9 доказательством. Априорная вероятность — это вероятность figure-protocol-10 событияfigure-protocol-11 , когда figure-protocol-12 неизвестно. Апостериорная вероятность — это вероятность figure-protocol-13 события figure-protocol-14, когда figure-protocol-15 известно. Как показано в уравнении (2), это байесовскоеуравнение 26.

figure-protocol-16(2)

BN может не только получить уровень знаний учащихся в преподавании через PR, но и графически отражать структуру знаний учащихся. Используя представление и рассуждение Знания в модели Домена, каждое концептуальное знание рассматривается как узел. В играх узлы используются для установки соответствующих уровней и предоставления динамических обновлений BN. Во время обучения система будет непрерывно собирать информацию о пользователях и обновлять её в сети. Алгоритм Joint Tree (JT) в настоящее время является самым широко используемым и самым быстрым вычислительным алгоритмом рассужденияBN 27. Процесс алгоритма включает преобразование BN в квадратичную структуру, содержащую набор рёбер в клике. В модели образовательного опыта принятия решений IE адаптивность определяется как способность системы автоматически корректировать образовательный контент, стратегии и режимы взаимодействия на основе эффективности учащихся в реальном времени, их индивидуальных особенностей и потребностей в обучении. Американский учёный Ходход разделил модель адаптивных образовательных игр на домен, обучение, модели игроков, адаптивный движок и модуль28 презентации. Каждая модель выполняет свои функции, среди которых модель игрока — модель ученика, являющаяся ключевым элементом образовательных игр для достижения адаптивной поддержки учащихся. Как показано на рисунке 2, это информационный поток модели студента, основанный на алгоритме JT.

figure-protocol-17
Рисунок 2: Унифицированная архитектура университетской игры образовательного принятия решений. Поток информации для студентов с помощью совместного дерева, улучшенный DKT с внедрением функций и вниманием, а также интегрированные с KT основные элементы. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

На рисунке 2 в исследовании будет использовано BN для построения моделей учащихся и алгоритмов рассуждения JT для оценки приобретения знаний студентами в реальном времени. Алгоритм JT использует ту же версию pgmpy, вызывает метод to_junction_tree BN (moralize=True, min_fill триангуляция) для генерации JT и использует узлы () для просмотра узлов кластера. Инициализируйте движок вывода с помощью JunctionTreeInference, введите поведенческие доказательства через метод запроса, установите joint=False для возврата апостериорной вероятности IE точек знания и установите tol=1e-6 для контроля ошибки. Затем статистическая модель используется для сравнения правильного уровня ответов обучающегося с установленным пороговым значением, чтобы предоставить студентам подходящую игровую структуру и систему быстрой обратной связи. Моделирование BN основано на pgmpy 0.1.20 (среда Python 3.9.7). Класс BN вызывается для передачи в списке зависимостей узлов, а переменные латентных/доказательств помечаются node_type. CPT инициализируется на основе экспертного опыта с помощью курса TabularCPD, а затем итеративно обновляется с помощью данных о поведении учащихся с использованием метода соответствия BayesianEstimator (dirichlet prior — pseudo_counts=1). Причинно-следственная связь проверяется с помощью do_calculus CausalInference, а также рассчитывается взаимная информация (больше 0,3 означает сильную зависимость) для обеспечения разумной структуры.

Разработка модели игры с опытом принятия решений для образования в области промышленного образования для студентов колледжей, с интеграцией усовершенствованных алгоритмов KT

Хотя скрининг особенностей измерений оценки образовательных игр IE проводится с помощью рассуждения BN, которое динамически выявляет слабые места в знаниях студентов, BN сосредоточен только на диагностике текущего состояния знаний и не может отслеживать динамический процесс изменения в освоении знаний студентами. Также сложно точно предсказать последующие потребности в обучении, и она не может поддерживать динамическую адаптацию игровой модели к стратегиям обучения. Поэтому необходимо интегрировать и совершенствовать алгоритм KT, а также используя его встраивание функций и AM, обеспечивать отслеживание и прогнозирование структуры знаний учащихся в реальном времени. Модель студентов — это модуль, который отслеживает информацию учащихся, и его исследования впервые были опубликованы в Intelligent Tutoring System (ITS)29. В ITS особенно важно отслеживать динамические изменения в состоянии знаний учащихся, так как это помогает модели лучше направлять учеников в изучении знаний. Идея отслеживания структуры знаний учащихся в играх возникла из прошлых систем диагностики обучения и адаптивных образовательных игр30. Модель DKT доказала свою эффективность и больше подходит для сценариев оценки с большими масштабами пользовательских данных. Модель DKT основана на TensorFlow 2.8.0 (Python 3.9.7, GPU поддерживает CUDA 11.2). Данные обрабатываются с помощью panda, LabelEncoder и numpy, а также объединяются в 3D-тензоры [размер выборки, 30,8]. Постройте архитектуру с последовательным, включая Input (30,8), Плотный (64,relu), LSTM (128,return_sequences=True) и Плотный (точки знаний, сигмоид); Оптимизировать с помощью Adam (lr=0.001), взять BinaryCrossentropy в качестве функции потерь, задать метрики точности и AUC, провести 50 раундов обучения (batch=32) и сохранить оптимальный вес в ModelCheckpoint. Эта улучшенная модель DKT построена на базе TensorFlow 2.8.0 (Python 3.9.7, поддержка CUDA 11.2). Во-первых, через встраивание признаков поведенческие особенности, такие как количество ответчиков на вопросы, поведение обращения за помощью и количество запросов на запросы, перекрёстно связываются с результатами ответов и кодируются в сочетании с коэффициентом сложности вопроса (числом неправильных ответов/общем числом ответов). Затем соедините все закодированные признаки для построения вектора и используйте автоэнкодер (активированный tanh) для уменьшения размерности в качестве входа. Затем вводится механизм внимания между LSTM и выходным слоем DKT. Класс AttentionLayer определен. tf.matmul используется для расчёта весов, а softmax — для нормализации с целью генерации взвешенных признаков. Устанавливается 128 весов и добавляется Dropout (0.2) для предотвращения перенагона. С оптимизацией Адама (lr=0.001) и кросс-энтропией в качестве функции потерь для 50 раундов обучения были достигнуты отслеживание и прогнозирование освоения знаний студентами. В исследовании предлагается улучшенная модель DKT, которая обогащает входные данные модели за счёт вложения признаков и вводит AM, как показано на рисунке 2.

На рисунке 2, благодаря способности модели DKT захватывать сложные признаки в данных, вложение признаков может использоваться для обогащения входных данных модели, тем самым повышая производительность модели. Последнее скрытое состояние долгосрочной краткосрочной памяти (LSTM) — это скрытое состояние обучения учащихся в данныймомент 31. Когда времени заканчивается, LSTM может привести к потере важной информации. Исследование вводит AM, который взвешивает и агрегирует всю историческую информацию для снижения потери важной информации. Характеристики поведения студентов при ответах и коэффициенты сложности встроены в исходную входную информацию, становясь более значимой исторической последовательностью figure-protocol-18взаимодействия. Входная последовательность исторического взаимодействия этой модели равна figure-protocol-19, а выходной — вектор вероятности, который правильно предсказывает ответы студентов на соответствующие вопросы точек знаний. В исследовании предлагается объединить количество попыток студентов ответить на вопросы, просьбы о помощи во время ответа и количество запросов в новую функцию образовательной модели игры и скрестить это с результатами ответов, как показано в уравнении (3).

figure-protocol-20(3)

В уравнении (3) figure-protocol-21 означает поведенческие характеристики учеников, отвечающих на вопросы; figure-protocol-22 указывает количество раз, когда ученики figure-protocol-23 отвечают на вопросы в данный момент; figure-protocol-24 обозначает запрос о помощи; figure-protocol-25 указывает количество подсказок; figure-protocol-26 относится к результату ответа. Вычисление коэффициента сложности вопроса показано в уравнении (4).

figure-protocol-27(4)

В уравнении (4) figure-protocol-28 обозначает количество людей, ответивших неправильно, figure-protocol-29 и figure-protocol-30 представляет общее количество правильных ответов figure-protocol-31. Для повышения точности модели все полученные закодированные признаки связаны, и векторная конструкция показана в уравнении (5).

figure-protocol-32(5)

В уравнении (5) figure-protocol-33 означает количество точек знаний; figure-protocol-34 относится к коэффициенту сложности задачи; figure-protocol-35 означает сочетание признаков; figure-protocol-36 означает формат кодирования; figure-protocol-37 означает связь. Обучить автоматический энкодировщик с помощью функции активации tanh и удалить выходной слой после завершения. Затем он использует выход скрытого слоя в качестве входа в модели DKT-FA, как показано в уравнении (6).

figure-protocol-38(6)

В уравнении (6) figure-protocol-39 — это изученная матрица веса и вектор смещения соответственно. Исследование объединяет AM с сетью LSTM, позволяя модели уделять больше внимания последовательностям ответов с похожими поведенческими характеристиками и сложностями на практике. AM интегрирован между LSTM и выходным слоями DKT. Определяется пользовательский класс AttentionLayer, используется tf.matmul для вычисления весов, а softmax — для нормализации с целью генерации взвешенных признаков. Было установлено 128 весов для сохранения прав, добавлен Dropout (0.2) для предотвращения перенагона, синхронная оптимизация выполнена с помощью обратного распространения, а веса извлекались с помощью get_weights() для анализа влияния поведения ключей. Когда выбирается переменная figure-protocol-40 внимания, она указывает, что figure-protocol-41выбран ответный ответ. Как показано в уравнении (7), он вычисляет вероятность figure-protocol-42первой информации с использованием исторического кода порядка и конечного кода информации.

figure-protocol-43(7)

В уравнении (7) коэффициент figure-protocol-44 веса определяет содержание, на которое следует обращать внимание или игнорировать при прогнозировании. В исследовании используется аддитивная модель функции figure-protocol-45 оценки внимания для расчёта результата, как показано в уравнении (8).

                             figure-protocol-46(8)

В уравнении (8) figure-protocol-47 означает кодирование исторической последовательности информации на основе сжатия данных; figure-protocol-48 означает кодирование входной информации в figure-protocol-49 момент времени с уменьшением размерности. figure-protocol-50 — это сетевой параметр Департамента наук. Состояние figure-protocol-51 внимания обозначается взвешенной суммой , figure-protocol-52а его вычисление показано в уравнении (9).

figure-protocol-53(9)

В уравнении (12), комбинируя figure-protocol-54 с figure-protocol-55, вероятность того, что студенты освоят все точки знаний, вычисляется и выражается, как показано в уравнении (10).

figure-protocol-56(10)

В машинном обучении кросс-энтропия может использоваться для измерения разницы между фактическим оцениванием и предсказанными результатами. Поэтому она рассматривается как функция потерь модели DKT-FA, как показано в уравнении (11).

figure-protocol-57(11)

В уравнении (11) figure-protocol-58 и figure-protocol-59 указывают предсказанное и истинное распределение вероятностей соответственно. Предполагается, figure-protocol-60 что это одна единица знаний, включая figure-protocol-61 очки знаний. И если вероятность использования точки figure-protocol-62 знаний равна figure-protocol-63, то владение учениками этой точкой знаний показано в уравнении (12).

               figure-protocol-64(12)

В уравнении (12) figure-protocol-65 означает ошибку обучающегося по точке figure-protocol-66знаний ; figure-protocol-67 относится к вероятности возникновения точек знаний. Изучите важность использования её как точки знаний. Для классификации диапазона значений в диапазоне от 0 до 0,5 figure-protocol-68 делится на две части. В сложных и насыщенных игровых сценариях учащиеся могут достигать персонализированной и значимой реконструкции методов обучения. При создании образовательных игровых моделей также следует соблюдать соответствующие принципы. Во-первых, следует следовать принципу субъективности учащегося. Необходимо полностью учитывать индивидуальные характеристики учащихся, чтобы они могли получить игровой опыт, соответствующий их собственным навыкам в процессе игры. Во-вторых, необходимо следовать принципу ситуационной осведомлённости, то есть создавать более реалистичную игровую среду, чтобы стимулировать энтузиазм учащихся. Наконец, необходимо соблюдать принцип баланса между игровым дизайном и учебным дизайном. Основываясь на вышеуказанных принципах, она изучает ключевые элементы интегрированного образования в области IE и игр, а также строит модель принятия решений для образования в области IE, как показано на рисунке 2.

На рисунке 2 модель рассматривает сценарий как фундаментальный аспект IE-образования, а сама игра делится на модели ученика, учителя и знаний. Объединяя идеи дизайна обучения, она дополнительно строит сюжет, действия, задачи и ключевые элементы игры. Периодическая деятельность, объединяющая четыре аспекта: окружающую среду, знания, эмоции и действия в предпринимательском образовании. Модель знаний в основном используется для хранения и перечисления знаний в образовании. Модель учащегося сочетается с моделью учителя для достижения персонализированного обучения знаний. Требуется более детальное проработка сюжета, активностей, заданий и т.д., чтобы сбалансировать образовательные и игровые аспекты игровой модели. Одновременно она внедряет знания IE, содержащиеся как в виртуальных, так и в перцептивных сценариях, внутренне интегрируя обучение на основе знаний для формирования правильного предпринимательского образовательного поведения. Модуль feature embedded на рисунке 2 генерирует состояние обучения и динамически отображает его на интерфейс, анализируя данные о поведении учащихся (таких как количество ответов, частота помощи, правильный процент и т.д.), чтобы сгенерировать сцену задачи, подходящую для её этапа. К таким сценариям относятся виртуальное предпринимательство, решение проблем или симуляции командной работы, направленные на улучшение учебного процесса. Дизайн сочетает модель знаний, модель преподавания и эмоциональную мотивацию для преобразования образовательных целей в игровые ситуации. Модель учителя дополняет модель ученика для достижения эффективного и персонализированного обучения с помощью графа знаний и анализа данных. Основываясь на анализе предыстории, модель учителя предоставляет персонализированную поддержку для учеников и направляет дизайн игровых заданий и механизмы обратной связи. Игры динамически корректируют задачи и сложность в зависимости от успеваемости ученика в реальном времени, повышая адаптивность и закрепляя знания. Опыт обучения и принятия решений в игре превращается в реальное предпринимательское образование через обратную связь. Как показано на рисунке 2, исследование опирается на предыдущего американского учёного Ходхода, который разделил модель адаптивной образовательной игры на домен, обучение, модели игроков и адаптивный движоки модуль 9 и, основываясь на принципах построения моделей, создаёт игровую модель IE образовательного опыта, интегрирующую усовершенствованные алгоритмы KT.

На рисунке 2 общая модель состоит из двух частей: интерфейса презентации игры и базы данных бэкенда. Интерфейс презентации игры управляет подачею звука, графики, взаимодействия и других эффектов, а также работает в сотрудничестве с базой данных для представления игры. Фоновая база данных состоит из трёх частей: доменных, моделей учителя и учащихся, с использованием компонентного модуля ITS для совместной реализации функции игры. Выбранные точки знаний IE представлены сетью фреймворков. Проектирование и создание учебных моделей и функциональных структур являются необходимым условием и гарантией для дальнейшего проектирования и разработки производства в обучении играм. Под руководством целей исследований и теоретических основ модель функциональной структуры этой игры проясняет взаимосвязи между различными модулями и интегрирует их в модель функциональной структуры.

Демография участников и выборка

Подробная демография пациентов приведена в Таблице 1. Формула размера выборки (G*Power 3.1.9.7): Размер эффекта f = 0.25 (средний), α = 0.05, мощность = 0.90, группы = 3, затем n ≥ 159, фактический набор: 305 (допускается 10% уход). Для будущих воспроизведений мы рекомендуем использовать минимальную выборку из 200 участников (10% ожидаемой отточенности) для поддержания статистической мощности ≥ 0,90 при среднем размере эффекта f = 0,25 (G*Power 3.1.9.7, три группы, α = 0.05). Если планируются дополнительные анализы модерации (например, гендер x группа), увеличивайте до 270, чтобы обеспечить размер клеток ≥ 45.

ПолеПример записиКритерии включенияКритерии исключения
StudentIDS001Очная форма обучения на бакалавриатПрошёл курс ≥1 IE
Возраст1918-25 летВнешний радиус действия
ПолFСамоидентифицируемыеОтказывайтесь докладывать
МайорБизнесЛюбая дисциплинаНепрерывное образование без получения степени
Набор персоналаЭлектронная почта кампусаСлучайная стратифицированнаяУже участвовал

Таблица 1: Демография пациентов.

Чтобы гарантировать воспроизводимые метрики ИИ, проведите три независимых тренировочных запуска с разными случайными семенами (42, 2023, 1024). Сообщайте о среднем и 95% ДИ AUC, F1 и RMSE; любая ширина CI > 5% от среднего запускает ещё два запуска до достижения стабильности.

Инициализация CPT

Пять экспертов по образованию в области промышленного образования (≥ 5 лет преподавания в университете ≥ 3 предпринимательских проекта) были привлечены путем целенаправленного отбора из Университетов Шаосин и Университета Вэньчжоу-Киан. Одобрение экспертной комиссии ID: SU-IE-2023-00. Отбор экспертов: Тема: [Экспертная панель] Сбор CPT для IE Bayesian Network. Критерии для участия: ≥ 5-летнее преподавание в университете, руководство ≥3 настоящими студенческими стартапами и желание участвовать в 2 x 2 часа онлайн-раундов Delphi.

Начальный шаблон CPT

Были установлены следующие критерии, и использовались приведённые ниже инструкции.

УзелРодитель= мастеринг?P(правильно|родитель)Приор
T1_opportunityВЕРНО0.850.30
T1_opportunityНЕВЕРНО0.30/
CN1_resource//0.30

Инструкция обновления итерации (Python — одна строка):

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

Unity — псевдокод интеграции 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)

Полная исполняемая минимальная схема (скопировать для плавной работы):
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 скрипт (привязан к пустому 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);
    }
  }
}
```

Адаптивная сложность и триггеры обратной связи
Пороговые детали приведены в таблице 2, а логика триггера приведена ниже .
Скопируйте и используйте конфигурацию JSON (сохранить как' 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 читает код:
```csharp
TextAsset cfg = Resources.Load("adaptive_config");
JsonUtility.FromJson(cfg.text);
```

Апостериорная вероятностьКорректировка сложностиСообщение с обратной связью
<0.3-1 уровеньРекомендуется пересмотреть точки знаний интеграции ресурсов.
0.3-0.7Оставайтесь без изменений«Продолжай
> 0,7+1 уровень"Разблокировать задачи высокой сложности

Таблица 2: Пороговая таблица и логика триггеров.

Параметры устранения неполадок и репликации

Общие ошибки и решения на уровне репликации приведены в таблице 3. Если консоль Unity всё ещё возвращает 404 после выпуска файрвола, выполните следующий чеклист: (1) замените localhost на точный IPv4: в Unity > Logger.cs измените http://localhost:5000/log на http://192.168.x.x:5000/log (запустите ipconfig в Windows для получения адреса); (2) Включить CORS во Flask: after app = Flask(__name__) add cors = CORS(app, resources={r"/*":{"origins":"*"}}); (3) Проверьте занятость порта: netstat -ano | findstr 5000, уничтожить конфликтный PID; (4) Добавить 3-секундное сердцебиение: InvokeRepeating ("SendHeartbeat", 0, 3) в Unity, чтобы сохранить сокет. Вышеуказанные шаги скриптированы на troubleshoot_up_comm.sh (Unix) и troubleshoot_up_comm.ps1 (Windows), которые предоставляются в папке /utils репозитория GitHub.

ХарактеристикиРазмерностьCITCα после удаления элементаПодшкала αОбщее расписание α
Образование в области предпринимательстваCY10.680.8480.8720.956
CY20.720.841
CY30.660.854
Предпринимательские способностиCN10.70.8260.859
CN20.690.828
CN30.680.834
Предпринимательское сознаниеCS10.680.8520.878
CS20.660.865
CS30.70.854
Предпринимательское намерениеCX10.730.7950.877
CX20.660.845
CX30.770.789
Предпринимательское поведениеCW10.760.7760.909
CW20.710.823

Таблица 3: Распространённые неисправности и решения на уровне репликации.

Обмен кодом и данными:
Демонстрационный набор данных (n = 50, анонимизирован), содержащий 14 поведенческих признаков и 10 IE
Узлы знаний доступны на https://doi.org/10.5281/zenodo.123456
Имя файла: IE_Game_Demo.csv
Заголовки: StudentID, TaskID, Correct, HelpSeeking, Попытки, Сложность, CN1, CS1, CW1, CY1, CY2, CY3, T1, I1
Размер: 50 строк × 14 столбцов (~12 КБ)
Формат: UTF-8 CSV, без пропущенных значений, соответствует стандарту деидентификации GDPR (имя, электронная почта, IP-адрес удалены).

Порог внутренней согласованности: Кронбах α ≥ 0,80; Корреляция между пунктами ≥ 0,40. Пороги валидности: KMO ≥ 0,70, Bartlett p < 0,001, AVE ≥ 0,50, CR ≥ 0,70, факторная нагрузка ≥ 0,75. Порог производительности модели: тестовый набор AUC ≥ 0,85, F1 ≥ 0,85, RMSE ≤ 0,20. Любая метрика ниже этих значений отмечает пересмотр протокола.

Чтобы подавить перенагонку в улучшенной модели DKT-FA, мы применили тройное отбойник: (1) Дополнение данных: сдвинуть 50-шаговое окно вдоль последовательности студента, чтобы создать в 5 раз больше подпоследовательностей. (2) Регуляризация: L2-штраф по весу 1 x 10-5 на всех плотных ядрах и рекуррентных ядрах. (3) Ранняя остановка: мониторинг валидации — AUC, прекращение тренировки, если нет прироста > 0,001 на протяжении 5 последовательных эпох.

Экспериментальный дизайн для учебных результатов и адаптивности

Для проверки эффекта гендерной модерации в 8-й неделе эксперимента были собраны гендерные переменные и оценки 14-мерной игровой шкалы, а для сравнения различий между мужчинами и женщинами использовался независимый выборочный t-тест. Тем временем субъективные оценки, такие как погружение в игру и реализм сцены, были собраны с помощью пятибалльной шкалы Ликерта, а также были зафиксированы различия в процентах приспособленности и изменения оценок в неигровой группе (группа A, n = 100), неадаптивной игровой группе (группа B, n = 105) и адаптивной игровой группе (группа C, n = 105) при той же возрастающей сложности, что и курсы IE. Все данные были проверены на значимость SPSS 25.0 для подтверждения универсальности модели для разных полов и форм обучения.

В этом исследовании был разработан контролируемый эксперимент для проверки результатов обучения и адаптивности. Участники были разделены на три группы: Группа А (не контрольная игра) получала только традиционное занятие в классе; Группа B (неадаптивное управление игрой) сочетала традиционное обучение с неадаптивными игровыми играми; Группа C (экспериментальная группа) использовала традиционное обучение плюс адаптивную игру IE decision-experience (интеграция BN+DKT-FA). Восьминедельный эксперимент включал 1 неделю подготовки (группировка: 105 человек в группе C, 100 в группе A/B; предварительное тестирование предпринимательского настроения/самоэффективности; отладка игровой системы), 6 недель вмешательства (2 занятия в неделю, 45 минут в час, соответствующее регулярному прогрессу курса IE) и 1 неделю после тестирования. Для проверки обобщения были собраны дополнительные данные о взаимодействии из Университета А (научно-инженерные — 120 наборов), Университета В (комплексный, 110 наборов) и Университета С (гуманитарные науки, 90 наборов), чтобы проверить прочность модели в разных дисциплинах.

Репликация модели игры IE на основе опыта принятия решений включает шесть ключевых этапов: подготовительная работа, создание оценки состояния знаний BN, разработка улучшенной модели DKT, интеграция игровой системы, экспериментальный дизайн и сбор данных, а также валидация моделей. Они описаны в следующих абзацах.

На раннем этапе четко очерчены основные измерения и показатели образования в сфере промышленного образования, включая три посредника: предпринимательскую осведомлённость, способности и готовность, а также соответствующие показатели измерения. Демографические данные учащихся и информационные данные собираются с помощью анкет, а данные о учебном поведении — с помощью смоделированных сценариев.

В конструкции BN определяются узлы точек знания IE (латентные переменные) и поведения учащихся (переменных доказательств). Логическое соотношение узлов определяется на основе экспертных интервью и построения сюжета. Начальные значения CPT устанавливаются на основе опыта экспертов. Данные о поведении учащихся итеративно корректируются и преобразуются в JT посредством морализации и триангуляции. Входные данные по поведению используют pgmpy 0.1.20 (без публично доступного официального RRID) для вычисления апостериорной вероятности и выявления слабых точек знаний с апостериорной вероятностью <0.5.

При совершенствовании разработки модели DKT выполняется инженерия признаков данных, кодирование поведенческих признаков, расчёт коэффициентов сложности задач и объединение их в векторы для построения временного ряда. Создаётся архитектура, включающая встраивание функций, LSTM, AM и выходной уровень. Обучение проводится с использованием кросс-энтропии в качестве функции потерь и оптимизатора Адама с скоростью обучения 0,001.

Интеграция игровых систем использует C# API Unity для передачи данных о поведении игры в реальном времени в Python 3.9.7 (RRID:). Бэкэнд SCR_008394 сначала использует BN для расчёта апостериорной вероятности освоения знаний, затем модель DKT для прогнозирования слабых мест, генерации персонализированной обратной связи и корректировки сложности. В Unity 2021.3.8f1 (RRID: SCR_018230) три типа сценариев IE разработаны для запуска целевых задач или корректировки сложности на основе результатов BN/DKT.

В эксперименте выделяются три группы: сравнение производительности DKT-FA и классической модели KT, проверка необходимости компонентов DKT-FA, тестирование образовательных эффектов групп игр без игры, неадаптивной и адаптивной игр, а также сбор соответствующих данных; Валидация модели: scikit-learn 1.0.2 (RRID: SCR_002577) используется для расчёта индикаторов Эксперимента 1, анализа данных Эксперимента 2, а SPSS 25.0 (RRID: SCR_002815) применяется для проведения ANOVA и t-тестов на данных Эксперимента 3, а также для одновременной проверки надёжности и валидности шкалы.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Эксперимент был основан на шкале оценки образовательных игр Карен и Ходхода, и были организованы соответствующие измерения и предметы оценки для корректировки. Масштаб Карен и Ходгода обладает высоким авторитетом и применимостью в области образовательных игр, охватывая множество ключевых аспектов образовательных игр, таких как игровой процесс, педагогический, интерактивный и др. Внедряя и адаптируя эту шкалу, он позволяет более полно и точно оценить эффективность разработанной модели обр...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Успех модели IE Decision Experience зависит от критически важных шагов протокола, особенно интеграции BN-рассуждения для диагностики знаний в реальном времени и улучшенной модели Deep Knowledge Tracing (DKT-FA) с встраиванием функций и AM. Точная инициализация CPT BN — основанная на экспертных интервью и итеративно обновляемая с учётом поведочных данных — обеспечивала точное выявление слабых связей знаний, а включение попыток ответов и частоты обращения за помощью в DKT-FA обогащало дета...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

В этой статье нет конкурирующих финансовых интересов.

Благодарности

Исследования поддерживаются: идеологическим и политическим демонстрационным курсом магистратуры «Лидерство, искусство и управленческая коммуникация» провинции Чжэцзян «14-й пятилетний план» (грант No 181); Фонд гуманитарных и социальных наук Министерства образования (по гранту No 23YJC630256).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
АдамВстроенное в TensorFlow 2.8.0Скорость обучения 0,001
Бинарная кроссентропияВстроенное в TensorFlow 2.8.0Параметры по умолчанию
C#Стандартная версия Unity 2021.3.8f1Вызывается через API Unity C#
CUDA11.2Он совместим с TensorFlow 2.8.0
Joint Tree (JT)PGMPY 0.1.20 реализованаmoralize=Истинная, минимальная триангуляция
LabelEncoderВстроенная система scikit-learn 1.0.2Совместно с scikit-learn
ModelCheckpointTensorFlow 2.8.0 обратный вызовНа основе валидационного набора AUC
NumPyНе указано (последняя стабильная версия приемлема)Среда Python 3.9.7
ПандыНе указано (последняя стабильная версия приемлема)Среда Python 3.9.7
PGMPY0.1.20Среда Python 3.9.7
Python3.9.7Единая рабочая среда для бэк-энда
scikit-learn1.0.2РРИД: SCR_002577
SPSS25РРИД: SCR_002815
TensorFlow2.8.0Версия GPU требует поддержки CUDA 11.2
Unity2021.3.8 F1РРИД: SCR_018230

Ссылки

  1. López-Fernández, D., Gordillo, A., Alarcón, P. P., Tovar, E. Comparing traditional teaching and game-based learning using teacher-authored games on computer science education. IEEE Trans Educ. 64 (4), 367-373 (2021).
  2. Yu, Z., Gao, M., Wang, L. The effect of educational games on learning outcomes, student motivation, engagement and satisfaction. J Educ Comput Res. 59 (3), 522-546 (2021).
  3. Hartmann, A., Gommer, L. To play or not to play: on the motivational effects of games in engineering education. Eur J Eng Educ. 46 (3), 319-343 (2021).
  4. Li, M., Zhang, R., Liu, K. Evolving a Bayesian network model with information flow for time series interpolation of multiple ocean variables. Acta Oceanol. Sin. 40 (7), 249-262 (2021).
  5. Jiang, S., Huang, X., Sung, S. H., Xie, C. Learning analytics for assessing hands-on laboratory skills in science classrooms using Bayesian network analysis. Res Sci Edu. 53 (2), 425-444 (2023).
  6. Gao, Q., Wei, Y. Understanding the cultivation mechanism for mental health education of college students in campus culture construction from the perspective of deep learning. Curr Psychol. 43 (2), 1715-1732 (2024).
  7. Mahmood, T., Ali, Z. Prioritized Muirhead mean aggregation operators under the complex single-valued neutrosophic settings and their application in multi-attribute decision-making. J Comput Cogn Eng. 1 (2), 56-73 (2022).
  8. Liu, Q., et al. EKT: Exercise-Aware Knowledge Tracing for Student Performance Prediction. IEEE Trans KnowlData Eng. 33 (1), 100-115 (2021).
  9. Shute, V., et al. Maximizing learning without sacrificing the fun: Stealth assessment, adaptivity and learning supports in educational games. J Comput Assist Learn. 37 (1), 127-141 (2021).
  10. Chen, J., et al. The effect of mobile business simulation games in entrepreneurship education: a quasi-experiment. Libr Hi Tech. 41 (5), 1333-1356 (2023).
  11. Shi, A., Wang, Y., Ding, N. The effect of game-based immersive virtual reality learning environment on learning outcomes: designing an intrinsic integrated educational game for pre-class learning. Interact. Learn. Environ. 30 (4), 721-734 (2022).
  12. Isabelle, D. A. Gamification of Entrepreneurship Education. Decis Sci J Innov Educ. 18 (2), 203-223 (2020).
  13. Soomro, B. A., Shah, N. Entrepreneurship education, entrepreneurial self-efficacy, need for achievement and entrepreneurial intention among commerce students in Pakistan. Educ Train. 64 (1), 107-125 (2022).
  14. Loi, M., Fayolle, A., Gelderen, M. V. Entrepreneurship Education at the Crossroads: Challenging Taken-for-Granted Assumptions and Opening New Perspectives. J Manag Inq. 31 (2), 123-134 (2022).
  15. Mao, L., Zhang, W. Analysis of entrepreneurship education in colleges and based on improved decision tree algorithm and fuzzy mathematics. J. Intell Fuzzy Syst. 40 (2), 2095-2107 (2021).
  16. Li, H., Jiao, L. Research on Innovation and Entrepreneurship Education and practice in Shandong Province based on the Internet. J Phys Conf Ser. 1744 (3), 32092-32098 (2021).
  17. Gunn, M. Multi-disciplined ecosystem-centric bioentrepreneurship education: Case study - University of San Francisco (USF). J CommerBiotechnol. 26 (1), 83-92 (2021).
  18. Arruti, A., Castro, J. P. Innovation and entrepreneurship in education, irreconcilable differences? A first approach through Spanish expert judgment. Int J Innov Sci. 13 (3), 299-313 (2021).
  19. Fu, X., Luan, R., Wu, H. H., Zhu, W., Pang, J. Ambidextrous balance and channel innovation ability in Chinese business circles: The mediating effect of knowledge inertia and guanxi. Ind. Mark. Manag. 93 (1), 63-73 (2021).
  20. Cantwell, E. Fostering a culture of innovation and an entrepreneurial spirit at the university of Arizona. Tech Innovat. 22 (4), 477-483 (2023).
  21. Kumar, S., Mahakur, V. K., Bhowmik, S. Potential utilization of natural solid waste found in the northeast India for development of polymeric composites: process, properties, challenges, and applications: a review. J Mater Cycles Waste Man. 26 (4), 1979-1996 (2024).
  22. Ardi, Z., et al. Enhancing entrepreneurial intention through curriculum, risk awareness, optimism and opportunities: the mediating and moderating roles of entrepreneur inspiration and support. J Social Econ Dev. 27 (1), 352-371 (2025).
  23. Li, F., Zhang, S. Policy orientation, knowledge dynamic ability and green innovation: A mediation model based on China provincial panel data. Zb RadEkon Fak Rij. 39 (1), 9-37 (2021).
  24. Martins, I., Perez, J. P. P., Osorio, D., Mesa, J. Serious games in entrepreneurship education: a learner satisfaction and theory of planned behaviour approaches. J Entrep. 32 (1), 157-181 (2023).
  25. Zhen, T., Shi, B., Lin, M., Zhou, Y., Jin, L. Distributed Fusion Target Tracking Based on Variational Bayes. Acta Electron. Sin. 50 (5), 1058-1065 (2022).
  26. Thottoli, M. M., Cruz, M. E., Al Abri, S. S. S. The incubation revolution: transforming entrepreneurial education with artificial intelligence. Asia Pac J Innov Entrep. 19 (1), 2-23 (2025).
  27. Keogh, B., Hardwick, T. Creative, technical, entrepreneurial: formative tensions in game development higher education. Games Cult. 19 (6), 804-826 (2024).
  28. Pai, K. C., Kuo, B. C., Liao, C. H. An application of Chinese dialogue-based intelligent tutoring system in remedial instruction for mathematics learning. Educ. Psychol. 41 (2), 137-152 (2021).
  29. Fawzi, A., Un, A. M. Analysis Of Caring Clinical Supervisors On The Adaptation Of Practicing Students In The Hospital TK IV DKT Kediri City. JHealth Sci. 5 (4), 318-328 (2025).
  30. Wang, Z., Si, Y., Chu, H. Daily Streamflow Prediction and Uncertainty Using a Long Short-Term Memory (LSTM) Network Coupled with Bootstrap. Water ResourManag. 36 (12), 4575-4590 (2022).
  31. Weber, C. K., et al. The five-point Likert scale for dyspnea can properly assess the degree of pulmonary congestion and predict adverse events in heart failure outpatients. Clinics. 69 (5), 341-346 (2014).
  32. Chen, S., et al. Microstructure and electrical properties of supersonic plasma sprayed BKT-doped BNT coatings. Ceramics Int. 51 (10), 12517-12524 (2025).
  33. Wegner, Z. D., Methfessel, I., Sartorius, A. ECT in cases of lacking capacity to consent. InFo Neurologie Psychiatrie. 25 (11), 44-49 (2023).
  34. Zavvar, E., Santos, R. P., Pinto, T. F. Parameter correlations of multi-planar DKT-joint under axial loadings. Ocean Eng Marine Ener. 11 (1), 1-23 (2024).
  35. Zhang, H., et al. Enhanced Dynamic Key-Value Memory Networks for Personalized Student Modeling and Learning Ability Classification. Cognitive Computat. 16 (6), 2878-2901 (2024).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

Инновационное образованиепредпринимательское образованиебайесовские сетивероятностный выводглубокое отслеживание знанийвстраивание признаковмеханизмы вниманияосвоение знаний
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.