Bu çalışma, Bayes ağlarını kullanarak yenilik ve girişimcilik eğitimini artırmak, bilgi takibini, öğrenme coşkusunu ve uyum sağlama yeteneğini geliştirmek için oyun tabanlı bir model önermektedir. Sonuçlar, geleneksel öğretim yöntemlerine kıyasla yüksek doğruluk (%95,6) ve daha iyi sonuçlar göstermektedir.
Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.
Araştırma makalesi
Üniversite İnovasyon ve Girişimcilik Programlarında Karar Deneyimini Teşvik Etmek İçin Eğitim Oyunları Tasarlamak
Bu makalede
Özet
Özet
Eğitim oyunları, öğrencileri durumsal ortamlara dahil ederek katılımı artırır; bu da bilgi ustalığını izlemedeki boşlukları giderir ve üniversite İnovasyon ve Girişimcilik (IE) derslerinde heyecanı sürdürür. Bu çalışma, IE eğitimi ile davranışını birbirine bağlayan iç mantık mekanizması oluşturur ve öğrencilerin bilgi ustalığını değerlendirmek için Olasılıksal Akıl Yürütme (PR) için Bayes Ağlarını (BN) kullanır. Bilgi yapısı takibi için eğitici oyun çerçevelerine dayanarak, geliştirilmiş Derin Bilgi İzleme (DKT) algoritmasıyla (özellik gömme ve dikkat mekanizmalarını entegre eden) geliştirilmiş bir üniversite IE karar-deneyimi oyun modeli önerir. Sonuçlar, modelin girişimcilik eğitimi puanı ve tahmin doğruluğunun %95,6'ya (test edilen modeller arasında en yüksek oran) ulaştığını ve tüm değerlendirme ölçek maddelerinin güçlü bilgi kapsamı gösterdiğini gösteriyor. Ortalama gösterge puanları 4'ü aşıyor ve etkili geri bildirimi yansıtıyor. Öğrencilerin oyun tabanlı modele uyum sağlama yeteneği, geleneksel öğretime göre %2-%11 daha yüksektir. Gömülü gerçek zamanlı değerlendirme, öğrenme performansını öğretim hedefleriyle uyumlu hale getirir ve strateji ayarlamasını mümkün kılar. IE eğitiminin değeri, girişimcilik farkındalığı, yetenek ve istekliliği teşvik etmekte yatarken, işlevi kaynak entegrasyonu gibi pratik becerileri geliştirir. Model, öğrenme coşkusunu artırır, uyum sağlar ve kişiye özel üniversite IE eğitim tasarımı için içgörüler sunar.
Giriş
İnovasyon ve girişimcilik (IE) eğitimi, girişimci okuryazarlığa ve öncü kişiliklere sahip yetenekler yetiştirmeyi amaçlar; yenilikçi düşünce ve girişimcilik yeteneklerinin aşamalı eğitimine odaklanır. Ancak, mevcut IE eğitimi pratiklik ve etkileşimli müfredatlardan yoksundur; teoriye büyük ölçüde dayanırken uygulamalı problem çözme becerileri ihmal edilmektedir. Yüksek etkileşim ve senaryo simülasyonuna sahip eğitici oyunlar, karar alma ve ekip çalışmasını teşvik ederek bu boşluğu kapatabilir ve kişiselleştirilmiş IE öğrenimi için umut vadeden bir araçhaline getirir. 1.
IE öğretim verimliliğini artırmak için, önceki çalışmalar oyunları IE'ye entegre etmiş ancak iki önemli sınırlamayla karşılaşmaktadır: öğrenciler genellikle kritik bilgi noktalarını gözden kaçırır ve geleneksel oyunlar bilgi edinimini dinamik olarak takipedemez 2,3. Bunları ele almak için şu hipotezi öneriyoruz: Gerçek zamanlı bilgi teşhisi için Bayes Ağları (BN) gerekçesini ve geliştirilmiş Derin Bilgi İzleme (DKT) algoritmasını entegre eden IE karar-deneyim oyunu, geleneksel öğretim veya mevcut KT modellerinden (BKT, DKVMN, EKT) daha yüksek tahmin doğruluğu ve öğrenci uyum sağlayacaktır4. Bu çalışmanın çift yenilikleri, önceki çalışmalardaki boşlukları dolduruyor: sadece statik bilgi değerlendirmesi yapan mevcut modellerin aksine, öğrenme zayıflıklarını gerçek zamanlı olarak oyun performans verileri aracılığıyla teşhis etmek için Koşullu Olasılık Tabloları (CPT) ile BN akıl yürütme-modelleme bilgi noktalarınıkullanıyoruz 5. Bu çalışma, standart DKT'deki uzun dizi bilgi kaybını çözerek IE boyutlu özellikleri (girişimcilik farkındalığı, yetenek ve niyet) ve dikkat mekanizmalarını ('ler) entegre ederek DKT'yi geliştiriyor ve BKT, DKVMN ve EKT6 gibi sınırlı modelleri geride bırakıyor.
IE eğitiminin temeli, girişimcilik farkındalığı, yetenek ve niyeti geliştirmekte yatmaktadır—IE ile girişimcilik davranışı arasında temel, birincil ve temel hedeflerine karşılık gelen üç aracı değişken—ancak mevcut araçlar dinamik gelişimlerini takip edemez. Bu, kritik bir pratik ihtiyacı ortaya koyuyor: mevcut IE eğitimi, uyarlanabilir, veri odaklı araçlardan yoksundur. Gerçek zamanlı geri bildirimle oyunlaştırılmış sistemimiz bu konuyu doğrudan ele alıyor ve yükseköğretim bağlamları için ölçeklenebilirlik sunuyor.
Bu çalışma beş bölümden oluşur: (1) IE/eğitim oyun kavramlarını ve tasarım zorluklarını detaylandırır; (2) IE eğitimi ve eğitim amaçlı oyun araştırmalarını gözden geçirir; (3) detaylı metodoloji (IE oyun değerlendirme boyutlarının seçilmesi, geliştirilmiş DKT'nin entegre edilmesi ve modelin oluşturulması); (4) model performansını doğrular; (5) bulguları, sınırlamaları ve gelecekteki yönleri özetler.
İlgili eserler
Üniversite öğrencileri için yüksek kaliteli istihdam sağlamak amacıyla kitlesel IE'nin teşvik edilmesi ortamında, inovasyon okuryazarlığı ve girişimcilik becerilerini IE eğitimi yoluyla nasıl geliştirecekleri tüm sektörlerden geniş çapta ilgi gördü7. Liu ve ark., zeki eğitimde öğrencilere aktif hizmet verme yöntemlerini analiz etmiş, bilgi kavramı bilgisini birleştirerek özyinelemeli sinir ağı çerçevesini yorumlanabilir Egzersiz-bilinçli Bilgi İzleme (EKT) çerçevesine genişletmiştir. Sonuçlar, bu yöntemin 8. sınıf öğrencilerini tahmin etmede daha iyi yorumlanabilirliğe sahipolduğunu gösterdi. Shute ve ark. öğrencilerin tercihlerini, cinsiyetlerini ve diğer özelliklerini eğitim oyununa entegre etti. Sonuçlar, eğitim oyunlarına dayalı fizik öğretiminin geleneksel öğretime göre daha iyi notlar ve oyun performansıgösterdiğini göstermiştir 9. Chen ve ark., mobil iş simülasyon oyunlarının girişimcilik eğitimindeki etkisini yarı-deneysel bir tasarım yoluyla incelediler. Araştırma sonuçları, mobil iş simülasyon oyunlarının girişimci tutumları ve öz-yeterliliği geliştirebileceğini, ancak girişimcilik niyetlerini değiştiremeyeceğini gösterdi. Araştırma sonuçları, girişimcilik eğitimindeki mobil iş simülasyon oyunlarının olumlu rolünü doğrular; bu da girişimcilik tutumunu ve girişimcilik özetiniartırabilir. 10. Araştırma sonuçları, bu yöntemin öğrenenlerin oyun görevlerindeki performansı için yüksek bir öngörü doğruluğuna sahip olduğunu göstermiştir. Shi ve ark., Quadratic fonksiyon bilgisini oyunlara entegre eden bir öğretim modu önermiştir. Deney, öğrencilerin öğrenme motivasyonu ve matematik puanlarının bu öğretim modunda önemli ölçüde iyileştiğinigösterdi.
Isabelle ve ark., bağımsız bir oyunlaştırma platformu kullanarak, oyun dışı uygulamalarda oyun mekanizmalarını kullanarak ve IE eğitim teorilerini entegre ederek girişimcilik eğitiminin oyunlaştırılmasınıanaliz ettiler 12. Araştırma sonuçları, oyunlaştırılmış girişimcilik eğitimi yöntemlerinin öğrencilerin katılımını ve girişimcilik özetliliğini artırabileceğini gösterdi. Soomro ve arkadaşları, belirli bir üniversiteden öğrenciler arasında girişimcilik eğitimi, öz-yeterlilik ve girişimcilik niyeti üzerine kesitsel bir nicelik yöntemi kullanarak ampirik bir anket gerçekleştirmiştir. Sonuçlar, girişimcilik eğitimi yapısının girişimcilik özetini ve girişimcilik niyetini önemli ölçüde olumlu etkilediğinigöstermiştir 13. Loi gibi akademisyenler, girişimcilik eğitimindeki varsayımlar ve zorluklar üzerine bir tartışma önererek, yeni girişimci bakış açılarını mevcut girişimci öğretim modellerine entegre ettiler. Araştırma sonuçları, bilgi önceliklerinin belirlenmesinin girişimcilik eğitiminin etkisini artırmak için en önemli olduğunugöstermiştir 14. Okullarda IE eğitiminin performansını artırmak için Mao ve arkadaşları, karar ağaçları ve bulanık algoritmalara dayalı bir IE eğitimi değerlendirme modeli geliştirmiştir. Deney, modelin belirli pratik uygulamaları olduğunu, üniversite IE eğitim kalitesini etkili şekilde değerlendirdiğini ve IE öğretim stratejilerini optimize etmek için uygulanabilir nicel araçlar sağladığınıgösterdi 15. Li ve arkadaşları, üniversite öğrencileri için IE eğitiminin internet bağlamında yürütülmesinin gerekliliğini analiz ettiler. Gerçek araştırma sonuçlarına dayanarak, IE eğitimi ve uygulamasının gelişimini teşvik etmek için stratejilerönerilmiştir 16.
Özetle, IE eğitiminin değeri ve işlevi, temel kaliteye sahip yeteneklerin yetiştirilmesinde ve girişimcilikte öncü bir kişilikte bulunmakta yer alır. Değeri, yenilikçi bilinç, bilgi, yetenek ve niyeti kapsamlı bir şekilde ele alan ve öğrencilerin girişimcilik tutkusunu teşvik etmeyi amaçlayan değer sistemindedir; bu psikolojik bir gerekliliktir. Bu temelde, IE eğitimi, öğrencilerin girişimcilik yeteneklerini geliştirmeye, kaynak entegrasyonu, ekip oluşturma vb. dahil olmak üzere, girişimcilik niyetlerini oluşturmaya ve bunları pratik eylemlere dönüştürmeye odaklanır. İşel olarak, IE eğitimi, kaynak entegrasyonu, takım çalışması gibi uygulamalar yoluyla öğrencilerin girişimcilik zorluklarıyla yüzleşme yeteneğini artırır ve girişimcilik davranışının gerçekleşmesini teşvik eder. IE eğitimi üzerine güncel araştırmalar ağırlıklı olarak teorik özellikler, roller ve ampirik analizlere odaklanmakta olup, öğretim yöntemleri hakkında ilgili araştırma sonuçları bulunmamaktadır. Öğrenenlerin farklı rehberlik ve yardıma ihtiyacı olabilir, ancak eğitim oyunları öğrenenlerin bilgi edinme durumunu simüle edemez. Bu tür sorunları çözmek için, bu çalışma öğrenciler arasındaki bireysel öğrenme farklılıklarını belirlemeyi amaçlamakta ve BN akıl yürütmeyi kullanarak öğrenenlerin öğretimde bilgi ustalığı seviyesini elde etmeyi önermektedir. Ayrıca, geliştirilmiş bir Bilgi İzleme (KT) algoritmasına dayanarak üniversite öğrencilerinin IE eğitimi için bir karar deneyimi oyun modeli oluşturur.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Protokol
Bu çalışma, Shaoxing Üniversitesi İnsan Araştırmaları Etik Komitesi tarafından onaylandı (Onay No. SU-2023-IE-058). Tüm katılımcılar, veri toplamadan önce yazılı bilgilendirilmiş onay sundu. Deney, Helsinki Bildirgesi (2013) uyarınca gerçekleştirildi.
Üniversite öğrencileri için IE eğitiminin karar deneyimi için oyun tasarımı
Araştırma, öğrenenlerin bilgi ustalığının gerçek zamanlı değerlendirmesi için Bayes Ağı (BN) uyguladı. Her bilgi noktası, bağımlılıkları tanımlayan Koşullu Olasılık Tabloları (CPT) ile bir düğüm olarak modellendi. Oyun etkileşimlerinden elde edilen öğrenci performans verileri, pgmpy kütüphanesi (v0.1.20, Python 3.9.7) kullanılarak olasılıksal çıkarım için kanıt olarak hizmet etti. Verimli çıkarım için Junction Tree algoritması kullanıldı.
Üniversite öğrencilerinin IE eğitiminin oyun değerlendirme boyutlarının BN mantığına dayalı olarak seçilmesi
IE eğitiminin gelişimi, yükseköğretimde yapılan reformların sürekli derinleşmesiyle birlikte gerçekleşmiş ve eğitimde önemli ilerlemeler kaydedilmiştir. IE eğitim ekosisteminin araştırma altyapısı, modern bir ekonomik sistem inşasına yönelik kalkınma ve stratejik destek için ilk iticigüçtür. 17,18. Ancak, IE ekosisteminin işleyişinde, tıpkı doğal ekosistem gibi, birçok etkileyici faktör vardır. IE eğitiminin temel işlevi ve değeri, çok sayıda yenilikçi yeteneğin yetiştirilmegidir (yenilikçi ruh, bilgi sistemi ve eylem yeteneğine sahip çok sayıda yüksek kaliteli yetenek)19. Temel amacı ve değeri, Şekil 1'de gösterildiği gibi beş bölümden oluşur; bunlar IE eğitiminin işlevleri ve değerleridir.
Şekil 1: IE eğitiminin temel işlevleri, değer bileşimi ve girişimcilik davranışıyla iç mantık bağlantısının entegre çerçevesi. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 1 , IE eğitiminin işlevlerini ve değerlerini gösterir; temelde girişimcilik farkındalığı yer alır. Girişimcilik talebi, girişimcilik farkındalığının oluşması için önkoşuldur. Girişimcilik ilgisi temel unsurdur ve bireyleri girişimciliğe dikkat etmeye itiyor. Girişimcilik motivasyonu, girişimcilik uygulamasını itici güçtür. Girişimcilik, bir iş kurma sürecindeki zorlukların üstesinden gelmenize yardımcı olacak destek sağlayacaktır. Girişimcilik değeri, bireyler ve toplum için girişimcilik eğitiminin önemini yansıtan nihai hedeftir. Tüm unsurlar birbirleriyle etkileşime girer ve IEeğitimi 20'nin işleyişini birlikte destekler. Çalışma, IE eğitimini bilinç geliştirme, yetenek geliştirme ve niyet oluşturma olarak kategorize etmektedir. Bunlar IE eğitiminin temel, ana ve temel hedeflerine karşılık gelir. Girişimcilik farkındalığı birden fazla seviyeye ayrılır ve bu farkındalığı geliştirmek, bilgi ve yetenek hedeflerine ulaşmak için kilit bir faktördür. Bilginin kendisi yeteneğin bir parçasıdır, bu yüzden girişimcilik eğitimi bireysel girişimcilik yeteneklerini geliştirmeye odaklanmalıdır. Niyet, bilinçin davranışa gelişiminde kritik bir halkadır, ancak niyet ve eylem tam olarak aynı21 değildir. Girişimcilik eğitiminde, öğrencilerin girişimcilik isteklerini oluşturmak, böylece etkili deneyimler oluşturmak ve bunları davranışlara dönüştürmek gereklidir. Özetle, çalışma girişimcilik farkındalığı, girişimcilik yeteneği ve girişimcilik niyetini IE eğitimi ile girişimcilik davranışı arasında aracı değişkenler olarak ele almaktadır. Girişimcilik farkındalığı, yetenek ve istekliliği, IE eğitimi ile girişimcilik davranışı arasında aracı değişkenler olarak alarak, IE eğitiminin temel, ana ve temel hedeflerine karşılık gelir, literatür analizi ve ILM ile birleşerek, her değişkenin ölçüm göstergelerini (örneğin IE eğitimi, ders katılımı vb.) belirler ve ardından bu ILM'i oluşturur. Şekil 1'de gösterildiği gibi, IE eğitimi ile girişimcilik davranışını birbirine bağlayan bir ILM araştırma amaçlı oluşturulmuştur.
Şekil 1'de gösterildiği gibi, girişimcilik eğitiminin girişimcilik yeteneği üzerindeki olumlu etkisi, üniversite öğrencilerinin temel becerileri geliştirmelerine, kaynak biriktirme ve kullanma becerilerini geliştirmelerine ve girişimcilikteki zorlukları aşmalarına yardımcı olma yeteneğinde yansımaktadır. Girişimcilik farkındalığı, IE eğitimi ile girişimcilik davranışı arasında arabulucu bir rol oynayabilir. Girişimcilik davranışının ön faktörü olarak, girişimcilik niyeti davranışın gerçekleşmesini doğrudan öngörebilir. Üniversite öğrencileri arasında girişimcilik farkındalığının geliştirilmesi, işletmelerin girişimcilik bilgisi edinmesine ve girişimcilik becerilerini geliştirmelerine yardımcı olabilir. Yetenek teorisi, yeteneğin davranışı belirleyen temel faktör olduğunu savunur; özellikle IE eğitiminde, öğrencilerin çok boyutlu yeteneklerinin geliştirilmesini vurgular; kaynak entegrasyonu, takım oluşturma ve fon hazırlığı dahildir. Bu beceriler, fırsat belirleme, ilişki kurma ve eylem uygulaması gibi öğrencilerin girişimcilikteki performansını doğrudan etkiler. Girişimcilik yeteneği üç ana boyutu kapsar: kaynak entegrasyon yeteneği, girişimciliği desteklemek için kaynakların etkin kullanımı ve entegrasyonunu ifade eder; Takım oluşturma yeteneği, bir takım kurma ve liderlik etme yeteneğini ifade eder; ve sermaye hazırlığı, yani başlangıç sermayesi toplama ve yönetme yeteneği. Bu yeteneklerin geliştirilmesi, öğrencilerin girişimciliğinin başarısını teşvik etmeninanahtarıdır 23.
Girişimcilik eğitimi, girişimcilik davranışı, girişimcilik yeteneği, girişimcilik farkındalığı ve girişimcilik niyeti için ölçüm standartlarının oluşturulması esas olarak literatür analizine dayanır ve IE eğitiminin ILM ile birleştirilir. Girişimcilik eğitiminin göstergeleri, girişimcilik kurslarına veya derslerine katılım (CY1), girişimcilik eğitimi becerileri eğitimine katılım (CY2) ve girişimcilik yarışmalarına katılımdır (CY3). Bu göstergeler, öğrencilerin IE eğitimine katılımını doğrudan yansıtır ve girişimcilik eğitiminin pratikliği ve etkileşiminin temelhedeflerini yansıtır. 10. Girişimcilik davranışının göstergeleri fırsat tanımlama (CW1), ilişki kurma (CW2) ve enerji yatırımıdır (CW3). Bu, girişimcilik davranışıyla ilgili ölçümdür; esas olarak davranışsal teorilerden (örneğin yetkinlik teorisi) gelir ve fırsat kavrayışı, sosyal sermaye inşası ve kaynak tahsisi gibi bireysel eylem özelliklerineodaklanır. Girişimcilik yeteneğinin ölçüm boyutları kaynak entegrasyon yeteneği (CN1), ekip oluşturma yeteneği (CN2) ve sermaye hazırlığı yeteneği (CN3)'dür. Bu boyutlar, girişimcilik yeteneğinin geliştirilmesinin temel pratik hedefinden türetilmiştir; yani öğrencilerin gerçek bir girişimcilik ortamında hayatta kalma ve gelişme yeteneklerini geliştirmek. Girişimcilik bilincinin ölçüm boyutları arasında girişimcilik davranışı tutumu (CS1), girişimcilik öznel normları (CS2) ve girişimcilik algısı davranış kontrolü (CS3) yer alır. Girişimcilik bilincinin ölçümü, Ajzen'in Plan Davranış Teorisi (TPB) üzerine kuruludur; bu teori, bireysel psikolojik girişimcilik davranışı beklentisini analiz odaknoktası olarak alır 13. Girişimcilik niyetinin göstergeleri girişimcilik arzusu (CW1), kariyer planlaması ve girişimcilik ilgisi (CW2)'dir. Girişimcilik niyetinin ölçümü, girişimcilik eğitiminin kariyer seçimi üzerindeki etkisi teorisiyle desteklenir; örneğin öznel normlar ile davranışsal niyet arasındaki ilişki.
Öğretim faaliyetlerinde, öğrencilerin yanıtlarını kanıt değişkeni olarak alarak gizli ve gözlemlenebilir değişkenlerin arka olasılığını hesaplamak süreci, öğrencilerin bilgi seviyesinin teşhis edilmesi sürecidir. BN akıl yürütme, esas olarak BN yapısı ve koşullu olasılık dağılımına dayanan posterior olasılık hesaplar ve belirli kanıt koşulları altında ağdaki bazı düğümlerin alma olasılığınıhesaplar 24. n düğüm değişkenli bir BN için, denklem (1)25'te gösterildiği gibi ortak olasılık dağılım fonksiyonu olarak tanımlanabilir.
(1)
Burada P, BN'nin Koşullu olasılık kümesi 
anlamına gelir. Herhangi bir düğüm 
için, koşullu olasılık 
ve ana düğüm kümesini 
temsil etmek için bir CPT vardır. 
herhangi iki rastgele değişkeni gösterir ve 
hipotezdir, yani 
kanıttır. Ön olasılık, 
bilinmediğinde gerçekleşme olasılığıdır 
. Posterior olasılık, bilinen olayın olasılığıdır
. Denklem (2)'de gösterildiği gibi, bu Bayesdenklemi 26'dır.
(2)
BN, sadece öğrenenlerin öğretimde bilgi ustalığını PR yoluyla elde etmekle kalmaz, aynı zamanda öğrenenlerin bilgi yapısını grafiksel olarak yansıtabilir. Alan modelinde Bilgi temsili ve akıl yürütmesi kullanılarak, her kavramsal bilgi bir düğüm olarak kabul edilir. Oyunlarda, düğümler karşılık gelen seviyeleri belirlemek ve BN'nin dinamik güncellemelerini sağlamak için kullanılır. Öğrenme sırasında sistem sürekli olarak kullanıcı veri bilgilerini toplar ve ağda günceller. Ortak Ağaç (JT) algoritması, şu anda en yaygın ve en hızlı hesaplamalı BN akıl yürütmealgoritmasıdır 27. Algoritma süreci, BN'nin klikte bir kenar kümesi içeren bir kuadratik yapıya dönüştürülmesini içerir. IE eğitim karar verme deneyimi oyun modelinde, uyum sağlama, sistemin öğrenenlerin gerçek zamanlı performansı, bireysel özellikleri ve öğrenme ihtiyaçları temelinde eğitim içeriğini, stratejilerini ve etkileşim modlarını otomatik olarak ayarlayabilme yeteneği olarak tanımlanır. Amerikalı akademisyen Hodhod, uyarlanabilir eğitim oyun modelini alan, öğretim, oyuncu modelleri ve uyarlanabilir motor ile sunummodülü 28'e ayırmıştır. Her modelin farklı işlevleri vardır; bunlar arasında oyuncu modeli öğrenci modelidir ve bu, öğrenenlere uyarlanabilir destek sağlamak amacıyla eğitim oyunlarının temel bir bileşenidir. Şekil 2'de gösterildiği gibi, JT algoritmasına dayalı öğrenci modelinin bilgi akışıdır.
Şekil 2: Üniversite IE eğitim karar verme deneyimi oyununun birleşik mimarisi. Ortak Ağaç odaklı öğrenci bilgi akışı, özellik gömme ve dikkat ile geliştirilmiş DKT ve KT entegre temel unsurlar. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 2'de, çalışma BN kullanarak öğrenci modelleri oluşturacak ve JT akıl yürütme algoritmalarını kullanarak öğrencilerin bilgi edinimini gerçek zamanlı değerlendirecek. JT algoritması aynı pgmpy versiyonuna dayanır, JT'yi oluşturmak için BN'nin to_junction_tree yöntemini (moralize=True, min_fill üçgenleme) çağırır ve küme düğümlerini görüntülemek için düğümleri () kullanır. JunctionTreeInference ile çıkarım motorunu başlatın, sorgu yöntemiyle davranışsal kanıtı girin, IE bilgi puanlarının posterior olasılığını döndürmek için joint=False ayarlayın ve hatayı kontrol etmek için tol=1e-6 ayarlar. Daha sonra, istatistiksel model kullanılarak öğrenenin doğru yanıt oranı belirlenen eşik değeriyle karşılaştırılır; böylece öğrencilere uygun bir oyun görev çerçevesi ve bir yönlendirme çerçevesi sağlanır. BN modelleme, pgmpy 0.1.20 (Python 3.9.7 ortamı) temelindedir. BN sınıfı, düğüm bağımlılıkları listesinde geçmesi için çağrılır ve gizli/kanıt değişkenleri node_type ile işaretlenir. CPT, uzman deneyimine dayanarak TabularCPD sınıfı kullanılarak başlatılır ve ardından BayesianEstimator'un uyum yöntemi kullanılarak öğrenci davranış verileriyle yinelemeli olarak güncellenir (dirichlet prior, pseudo_counts=1). Nedensel ilişki, CausalInference do_calculus ile doğrulanır ve karşılıklı bilgi hesaplanır (0.3'ten büyük güçlü bağımlılık gösterir) böylece makul bir yapı sağlanır.
Üniversite öğrencileri için IE eğitimi için karar deneyimi oyun modeli tasarımı, geliştirilmiş KT algoritmalarını entegre etmek
IE eğitim oyun değerlendirme boyutlarının özellik taraması, öğrencilerin bilgideki zayıf noktalarını dinamik olarak belirleyebilen BN akıl yürütme ile tamamlansa da, BN yalnızca mevcut bilgi durumunun teşhisine odaklanır ve öğrencilerin bilgi ustalığının dinamik değişim sürecini takip edemez. Ayrıca, sonraki öğrenme ihtiyaçlarını doğru şekilde tahmin etmek zordur ve oyun modelinin öğretim stratejilerine dinamik uyumunu destekleyemez. Bu nedenle, KT algoritmasının entegre edilmesi ve geliştirilmesi, özellik gömme ve sayesinde öğrencilerin bilgi yapısının gerçek zamanlı takibi ve tahmini sağlanması gereklidir. Öğrenci modeli, öğrenci bilgilerini izleyen bir modüldür ve araştırması ilk olarak Akıllı Özel Öğretim Sistemi (ITS)29'da ortaya çıkmıştır. ITS'te, öğrencilerin bilgi durumlarındaki dinamik değişimleri takip etmek özellikle önemlidir; çünkü bu, modelin öğrencileri öğrenme bilgisinde daha iyi yönlendirmesine yardımcı olabilir. Öğrencilerin oyunlarda bilgi yapısını takip etme fikri, geçmiş öğrenme tanı sistemlerinden ve uyarlanabilir eğitimoyunlarından kaynaklanmaktadır 30. DKT modelinin etkili bir KT modeli olduğu kanıtlanmış ve bu model, büyük kullanıcı veri ölçeklerine sahip değerlendirme senaryoları için daha uygundur. DKT modeli TensorFlow 2.8.0 (Python 3.9.7, GPU CUDA 11.2'yi destekliyor) temellidir. Veriler pandas, LabelEncoder ve numpy kullanılarak işlenir ve [örnek büyüklüğü, 30,8] 3D tensorlara birleştirilir. Mimariyi Sequential ile inşa edin; bunlar arasında Input (30,8), Dense (64,relu), LSTM (128,return_sequences=True) ve Dense (bilgi noktaları, sigmoid); Adam (lr=0.001) ile optimize edin, kayıp fonksiyonu olarak BinaryCrossentropy'yi alın, doğruluk ve AUC metriklerini ayarlayın, 50 tur eğitim yapın (parti=32) ve optimal ağırlığı ModelCheckpoint'te saklayın. Bu geliştirilmiş DKT modeli, TensorFlow 2.8.0 (Python 3.9.7, CUDA 11.2'yi destekliyor) temelinde oluşturulmuştur. İlk olarak, özellik gömme yoluyla, soruları yanıtlayan öğrenci sayısı, yardım arama davranışı ve istem sayısı gibi davranışsal özellikler, yanıtlama sonuçlarıyla çapraz bağlanır ve soru zorluk katsayısı (yanlış cevapların sayısı/toplam cevap sayısı) ile birlikte kodlanır. Sonra, tüm kodlanmış özellikleri birleştirerek bir vektör oluşturun ve boyut küçültmesi için otomatik kodlayıcıyı (tanh aktif) giriş olarak kullanın. Daha sonra, LSTM ile DKT'nin çıkış katmanı arasında bir dikkat mekanizması getirilir. DikkatKatmanı sınıfı tanımlanmıştır. Ağırlıkları hesaplamak için tf.matmul kullanılırken, ağırlıklı özellikler oluşturmak için normalleştirme için softmax kullanılır. 128 ağırlık ayarlanır ve aşırı fitin'i önlemek için Dropout(0.2) eklenir. 50 eğitim turu için kayıp fonksiyonu olarak Adam (lr=0.001) optimizasyonu ve çapraz entropi ile öğrencilerin bilgi ustalığının izlenmesi ve tahmini sağlandı. Çalışma, model giriş verilerini özellik gömme yoluyla zenginleştiren ve Şekil 2'de gösterildiği gibi'leri tanıtan geliştirilmiş bir DKT modeli önermektedir.
Şekil 2'de, DKT modelinin verilerdeki karmaşık özellikleri yakalama yeteneği nedeniyle, özellik gömme yöntemi modelin giriş verilerini zenginleştirmek için kullanılabilir ve böylece model performansını iyileştirir. Uzun kısa vadeli hafızanın (LSTM) son gizli durumu, öğrencilerin şu andayaşadığı gizli öğrenme halidir 31. Süre uzun olduğunda, LSTM bazı önemli bilgilerin kaybolmasına neden olabilir. Çalışma, önemli bilgilerin kaybını azaltmak için tüm tarihsel bilgileri ağırlıklandıran ve toplayan'yi tanıtır. Öğrencilerin yanıt davranışının özellikleri ve zorluk katsayıları, orijinal giriş bilgisine gömülerek daha anlamlı bir tarihsel etkileşim dizisi 
haline gelir. Bu modelin giriş tarihsel etkileşim dizisi 'dir 
ve çıktı, bilgi puanlarının karşılık gelen sorularına öğrencilerin cevaplarını doğru şekilde tahmin eden olasılık vektörüdür. Çalışma, öğrencilerin soruları yanıtlamaya çalıştığı kaç sayıyı, yanıtlama sürecinde yardım isteyip istemediklerini ve istedikleri soru sayısını eğitim oyun modelindeki yeni bir özelliğe birleştirmeyi ve denklem (3)'te gösterildiği gibi cevap sonuçlarıyla çarpyştırmayı öneriyor.
(3)
Denklem (3) içinde, 
soruları yanıtlayan öğrencilerin davranışsal özellikleri; 
öğrencilerin soruları 
cevapladığı o anda kaç kez cevap verdiğini gösterir; 
yardım talebini gösterir; 
soru sayısını gösterir; 
cevap sonucunu ifade eder. Sorunun zorluk katsayısının hesaplama ifadesi denklem (4)'te gösterilmiştir.
(4)
(4) denkleminde, 
soruyu 
yanlış yanıtan kişi sayısını ifade eder ve 
soruyu doğru yanıtan toplam kişi 
sayısını temsil eder. Modelin doğruluğunu artırmak için, elde edilen tüm kodlanmış özellikler birbirine bağlanır ve vektör yapısı denklem (5)'te gösterilir.
(5)
(5) denkleminde, 
bilgi puanlarının sayısını ifade eder; 
problemin zorluk katsayısını ifade eder; 
özellik kombinasyonunu ifade eder; 
kodlama formatını ifade eder; 
bağlantı anlamına gelir. Otomatik kodlayıcıyı tanh aktivasyon fonksiyonuyla eğitin ve tamamlandıktan sonra çıkış katmanını çıkarın. Daha sonra, DKT-FA modelinde gizli katmanın çıktısını giriş olarak kullanır; denklem (6)'da gösterildiği gibi.
(6)
Denklem (6)'da, 
sırasıyla öğrenilen ağırlık matrisi ve önyargı vektörüdür. Çalışma,'yi bir LSTM ağı ile birleştirerek modelin benzer davranış özelliklerine ve pratikte zorluk zorluğuna sahip cevap dizilerine daha fazla dikkat etmesini sağlıyor. , LSTM ile DKT'nin çıkış katmanları arasında entegre edilmiştir. Özel bir AttentionLayer sınıfı tanımlanır, tf.matmul ağırlıkları hesaplamak için kullanılır ve normalleştirme için softmax kullanılarak ağırlıklı özellikler oluşturulur. Hakları korumak için 128 ağırlık ayarlandı, aşırı uyumu önlemek için Dropout (0.2) eklendi, geri yayılma kullanılarak senkron optimizasyon yapıldı ve ağırlıklar get_weights() üzerinden çıkarılarak anahtar davranışların etkisini analiz etti. Dikkat değişkeni 
seçildiğinde, th cevap kaydının seçildiğini gösterir . Denklem (7)'de gösterildiği gibi, tarihsel sıra bilgi kodu ve nihai bilgi kodu kullanılarak th bilgisinin olasılığını hesaplar.
(7)
(7) denkleminde, ağırlık faktörü 
, tahmin sırasında dikkate alınması veya göz ardı edilmesi gereken içeriği belirler. Çalışma, dikkat puanı fonksiyonunun 
toplama modelini kullanarak puanını hesaplamaktadır; bu denklem (8)'de gösterilmiştir.
(8)
(8) denkleminde, 
veri sıkıştırmasına dayalı tarihsel dizi bilgisinin kodlanmasını ifade eder; zaman içindeki girdi bilgisinin 
boyut azaltma kodlaması anlamına gelir. 
Fen Bilimleri Bakanlığı'nın bir ağ parametresidir. Dikkat durumu 
, 'nin 
ağırlıklı toplamı olarak gösterilir ve hesaplama ifadesi (9) denkleminde gösterilir.
(9)
(12) denkleminde, ile 
birleştirildiğinde, öğrencilerin tüm bilgi puanlarını ustalaşma olasılığı hesaplanır ve denklem (10)'da gösterildiği gibi ifade edilir.
(10)
Makine öğreniminde, çapraz entropi gerçek işaretleme ile tahmin edilen sonuçlar arasındaki farkı ölçmek için kullanılabilir. Bu nedenle, denklem(11)'de gösterildiği gibi, DKT-FA modelinin Kayıp fonksiyonu olarak kabul edilir.
(11)
(11) denkleminde, 
ve 
sırasıyla tahmin edilen ve gerçek olasılık dağılımlarını belirtir. Bilgi puanları dahil 
olmak üzere bir bilgi birimi varsayılır
. Ve eğer bilgi noktasının 
kullanılma olasılığı , öğrencilerin bilgi noktasına hakimlik gösterdiği denklem (12)'de gösterilir.
(12)
(12) denkleminde, 
öğrenenin bilgi noktasındaki hata oranı anlamına gelir; 
bilgi puanlarının oluşma olasılığını ifade eder. Bunu bilgi noktası olarak kullanmanın önemini inceleyin. 0-0.5 
aralığındaki değerler aralığını sınıflandırmak iki bölüme ayrılır. Karmaşık ve zengin oyun senaryolarında, öğrenenler öğrenme yöntemlerinin kişiselleştirilmiş ve anlamlı yeniden yapılandırılmasını başarabilirler. Eğitici oyun modelleri oluşturulurken, ilgili ilkeler de takip edilmelidir. Öncelikle, öğrenen öznellik ilkesi takip edilmelidir. Öğrenenlerin bireysel özelliklerini tam olarak dikkate almak gerekir ki oyun sürecinde kendi yeteneklerine uygun bir oyun deneyimi yaşayabilsinler. İkinci olarak, durumsal farkındalık ilkesine uyulmak gerekir; yani öğrencilerin heyecanını artırmak için daha gerçekçi bir oyun ortamı tasarlamak. Son olarak, oyun tasarımı ile öğretim tasarımı arasında denge ilkesini takip etmek gereklidir. Yukarıdaki ilkelere dayanarak, entegre IE eğitimi ve oyunlarının temel unsurlarını inceler ve Şekil 2'de gösterildiği gibi IE eğitimi için bir karar modeli oluşturur.
Şekil 2'de model, senaryoyu IE eğitiminin temel unsuru olarak ele alır ve oyunun kendisi öğrenci, öğretmen ve bilgi modellerine ayrılmıştır. Öğretim tasarım fikirlerini birleştirerek, oyunun konusunu daha da geliştiriyor, etkinlikleri, görevleri ve temel unsurları daha da geliştiriyor. Girişimcilik eğitiminde çevre, bilgi, duygu ve eylem gibi dört yönü birleştiren periyodik bir etkinliktir. Bilgi modeli esas olarak eğitimde bilginin depolanması ve listelenmesi için kullanılır. Öğrenci modeli, öğretmen modeliyle birleştirilerek kişiselleştirilmiş bilgi öğrenimi sağlanır. Oyun modelinin eğitim ve oynanış yönlerini dengelemek için oyun konusunun, aktivitelerin, görevlerin daha ayrıntılı tasarımına ihtiyaç duyar. Aynı zamanda, hem sanal hem de algısal senaryolarda yer alan IE bilgisini uygular, bilgi temelli öğrenmeyi doğru girişimcilik eğitim davranışlarının geliştirilmesine dönüştürür. Şekil 2'deki özellik gömülü modül, öğrenme durumunu oluşturur ve öğrenci davranış verilerini (örneğin cevap sayısı, yardım sıklığı, doğru oran vb.) analiz ederek aşamasına uygun görev sahnesi oluşturarak bunu arayüze dinamik olarak eşler. Bu senaryolar, öğrenme deneyimini geliştirmek için tasarlanmış sanal girişimcilik, problem çözme veya takım çalışması simülasyonlarını içerir. Tasarım, eğitim hedeflerini oyun durumlarına dönüştürmek için bilgi modeli, öğretim modeli ve duygusal motivasyonu birleştiriyor. Öğretmen modeli, öğrenci modelini tamamlayarak bilgi grafiği ve veri analiziyle verimli ve kişiselleştirilmiş öğrenme sağlar. Arka plan analizine dayanarak, Öğretmen modeli öğrencilere kişiselleştirilmiş öğretim desteği sağlar ve oyun görevi tasarımı ile geri bildirim mekanizmalarını yönlendirir. Oyunlar, öğrencilerin performansına göre görevleri ve zorluk seviyesini dinamik olarak ayarlıyor, uyum sağlama yeteneğini artırıyor ve bilgiyi pekiştiriyor. Oyun içi öğrenme ve karar verme deneyimi, geri bildirim yoluyla gerçek dünya girişimcilik eğitimine dönüştürülür. Şekil 2'de gösterildiği üzere, çalışma, uyarlanabilir eğitim oyun modelini alan, öğretim, oyuncu modelleri ve uyarlanabilir motor ile sunummodülü 9'a ayıran önceki Amerikalı akademisyen Hodhod'dan yararlanıyor ve model yapım ilkelerine dayanarak, geliştirilmiş KT algoritmalarını entegre eden üniversite öğrencisi IE eğitim karar deneyimi oyun modeli oluşturuyor.
Şekil 2'de genel model iki bölümden oluşur: oyun sunum arayüzü ve arka uç veritabanı. Oyun sunum arayüzü, ses, grafik, etkileşim ve diğer efektlerin sunumunu kontrol eder ve veritabanıyla birlikte oyunu sunar. Arka plan veritabanı, oyun fonksiyonunu ortak olarak gerçekleştirmek için ITS'in bileşen modülünü referans olarak kullanarak, alan alanı, öğretmen ve öğrenci modelleri olmak üzere üç bölümden oluşur. Seçilen IE bilgi noktaları bir çerçeve ağı ile temsil edilir. Öğretim modellerinin ve fonksiyonel yapıların tasarımı ve inşası, sonraki oyun öğretim tasarımı ve üretim geliştirmesi için ön koşul ve garantidir. Araştırma hedefleri ve teorik temeller rehberliğinde, bu oyunun fonksiyonel yapı modeli, çeşitli modüller arasındaki ilişkileri netleştirir ve bunları fonksiyonel yapı modeline entegre eder.
Katılımcı demografisi ve örnekleme
Ayrıntılı hasta demografikleri Tablo 1'de bulunabilir. Örneklem büyüklüğü formülü (G*Power 3.1.9.7): Etki boyutu f = 0.25 (orta), α = 0.05, güç = 0.90, gruplar = 3 ardından n ≥ 159, Gerçek işe alım: 305 (%10 kayıp izin verildi). Gelecekteki tekrarlar için, orta etki boyutu f = 0.25 (G*Power 3.1.9.7, üç grup, α = 0.05) istatistik≥sel gücü korumak için minimum 200 katılımcıdan oluşan bir örneklem (%10 beklenen kayıp) öneriyoruz (G*Power 3.1.9.7, üç grup, = 0.05). Ek moderasyon analizleri (örneğin, cinsiyet x grubu) planlanırsa, hücre büyüklüğünün 45≥ elde edilmesi için 270'e çıkarılır.
| Saha | Örnek giriş | Dahil etme kriterleri | Dışlama kriterleri |
| StudentID | S001 | Tam zamanlı lisans öğrencisi | ≥1 IE kursu aldım |
| Yaş | 19 | 18-25 yaşları | Dış menzil |
| Cinsiyet | F | Kendini tanımlayan | Rapor vermeyi reddet |
| Binbaşı | İş Dünyası | Herhangi bir disiplin | Diploma dışı devam eğitimi |
| Alım | Kampüs e-postası | Rastgele tabakalanmış | Zaten katıldım |
Tablo 1: Hasta demografisi.
Tekrarlanabilir yapay zeka metriklerini garanti altına almak için, farklı rastgele tohumlarla üç bağımsız eğitim çalışması yapın (42, 2023, 1024). AUC, F1 ve RMSE'nin ortalama ve %95 CI'sini bildirin; ortalama %5 kadar herhangi bir CI genişliği > kararlılık sağlanana kadar ek iki koşu tetikler.
CPT başlatma
Shaoxing Üniversitesi ve Wenzhou-Kean Üniversitesi'nden amaçlı örneklemle beş IE eğitim uzmanı (≥ 5 yıl üniversite öğretimi ≥ 3 girişimcilik projesi rehberliğinde) işe alındı. Uzman paneli onayı ID: SU-IE-2023-00. Uzman seçimi: Konu: [Uzman Paneli] IE Bayes Ağı için CPT Çıkarılması. Uygunluk kriterleri, 5 yıllık üniversite IE öğretimi, rehberli ≥3 gerçek öğrenci girişimi ve 2 x 2 saat çevrimiçi Delphi turlarına katılmaya istekli ≥ idi.
CPT başlangıç şablonu
Aşağıdaki kriterler belirlendi ve aşağıdaki talimatlar kullanıldı.
| Düğüm | Parent= mastered mi? | P(doğru|ebeveyn) | Prior |
| T1_opportunity | DOĞRU | 0.85 | 0.30 |
| T1_opportunity | SAHTE | 0.30 | / |
| CN1_resource | / | / | 0.30 |
Yineleme güncelleme talimatı (Python tek satır):
python
from pgmpy.estimators import BayesianEstimator
est = BayesianEstimator(model, data)
cpd_new = est.estimate_cpd('T1_opportunity', prior_type='dirichlet', pseudo_counts=1)
Unity - Python entegrasyon pseudocode
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)
Tam olarak çalıştırılabilir minimum Şema (Sorunsuz çalışmak için kopyala):
IE_Game/
|-Unity/ # Unity 2021.3.8f1 project
|-Python/
||- app.py # Flask server
||- model/
|||- bn.pkl # Pre-trained Bayesian network
||- dkt.pth # DKT-FA weight
|- requirements.txt
-DemoData/
- IE_Game_Demo.csv
Flask server (Python/app.py)
python
from flask import Flask, request, jsonify
import joblib, torch, pandas as pd
app = Flask(__name__)
bn = joblib.load('model/bn.pkl')
dkt = torch.load('model/dkt.pth', map_location='cpu')
@app.route('/log', methods=['POST'])
def log():
row = request.form.to_dict()
# 1. Update BN
evidence = {k: int(row[k]) for k in ['correct','help','attempts']}
bn_inf = bn.predict(evidence)
weak_node = [n for n,p in bn_inf.items() if p < 0.5]
# 2. DKT predicts the next question
x = torch.tensor([[int(row['tid']), int(row['correct'])]])
next_prob = dkt(x)[-1].item()
return jsonify(weak=weak_node, next_diff=round(next_prob,3))
if __name__ == '__main__':
app.run(debug=False, port=5000)
```
Unity C# Send script (Empty GameObject'e ekli)
```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);
}
}
}
```
Adaptif zorluk ve geri besleme tetikleyicileri
Eşik detayları Tablo 2'de verilmekte ve tetikleme mantığı aşağıda verilmiştir.
JSON yapılandırmasını kopyalayın ve kullanın ('adaptive_config.json' olarak kaydet) :
```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 kodu okuyor:
```csharp
TextAsset cfg = Resources.Load("adaptive_config");
JsonUtility.FromJson(cfg.text);
```
| Arka olasılık | Zorluk ayarı | Geri bildirim mesajı |
| <0.3 | -1 seviye | Kaynak entegrasyonunun bilgi noktalarının gözden geçirilmesi önerilir. |
| 0.3-0.7 | Değişmeden kalın | "Devam et |
| > 0.7 | +1 seviyesi | "Yüksek zorluk görevlerini aç |
Tablo 2: Eşik tablosu ve tetikleyici mantığı.
Sorun giderme ve çoğaltma parametreleri
Karşılaşılan yaygın hatalar ve çoğaltma seviyesi çözümleri Tablo 3'te verilmiştir. Eğer Unity konsolu güvenlik duvarı çıkışından sonra hâlâ 404 döndürüyorsa, aşağıdaki kontrol listesini yürütün: (1) Unity'de localhost'u tam IPv4 ile değiştirin > Logger.cs http://localhost:5000/log'yi http://192.168.x.x:5000/log'e değiştirin (adresi almak için Windows'ta ipconfig çalıştırın); (2) Flask'ta CORS'u etkinleştir: app = Flask(__name__) add cors = CORS(app, resources={r"/*":{"origins":"*"}}); (3) Liman doluluğunu doğrula: netstat -ano | findstr 5000, çelişen PID'i öldür; (4) Unity'de 3 saniyelik kalp atışı ekleyin: Soketi canlı tutmak için Unity'de InvokeRepeating("SendHeartbeat", 0, 3) ekleyin. Yukarıdaki adımlar, GitHub deposunun /utils klasöründe sağlanan troubleshoot_up_comm.sh (Unix) ve troubleshoot_up_comm.ps1 (Windows) ile betiklenmiştir.
| Karakteristik | Boyut | CITC | α öğeyi sildikten sonra | Alt ölçek α | Toplam program α |
| Girişimcilik eğitimi | CY1 | 0.68 | 0.848 | 0.872 | 0.956 |
| CY2 | 0.72 | 0.841 | |||
| CY3 | 0.66 | 0.854 | |||
| Girişimcilik yeteneği | CN1 | 0.7 | 0.826 | 0.859 | |
| CN2 | 0.69 | 0.828 | |||
| CN3 | 0.68 | 0.834 | |||
| Girişimcilik bilinci | CS1 | 0.68 | 0.852 | 0.878 | |
| CS2 | 0.66 | 0.865 | |||
| CS3 | 0.7 | 0.854 | |||
| Girişimcilik niyeti | CX1 | 0.73 | 0.795 | 0.877 | |
| CX2 | 0.66 | 0.845 | |||
| CX3 | 0.77 | 0.789 | |||
| Girişimcilik davranışı | CW1 | 0.76 | 0.776 | 0.909 | |
| CW2 | 0.71 | 0.823 |
Tablo 3: Karşılaşılan yaygın hatalar ve çoğaltma düzeyindeki çözümler.
Kod ve Veri Paylaşımı:
Demo veri seti (n = 50, anonimleştirilmiş) 14 davranışsal özellik ve 10 IE içerir
Bilgi düğümleri https://doi.org/10.5281/zenodo.123456
Dosya adı: IE_Game_Demo.csv
Başlıklar: StudentID, TaskID, Correct, HelpSeeking, Denemeler, Zorluk, CN1, CS1, CW1, CY1, CY2, CY3, T1, I1
Boyut: 50 satır × 14 sütun (~12 KB)
Format: UTF-8 CSV, eksik değer yok, GDPR kimlik kaldırma standardına uygun (isim, e-posta, IP kaldırıldı).
İç tutarlılık eşiği: Cronbach α ≥ 0.80; Toplam eşya ≥ 0.40. Geçerlilik eşikleri: KMO ≥ 0.70, Bartlett p < 0.001, AVE ≥ 0.50, CR ≥ 0.70, faktör yüklemesi ≥ 0.75. Model performans eşiği: test seti AUC ≥ 0.85, F1 ≥ 0.85, RMSE ≤ 0.20. Bu değerlerin altındaki herhangi bir metrik protokol revizyonunu işaretler.
Geliştirilmiş DKT-FA modelinde aşırı uyumu bastırmak için üçlü bir koruma uyguladık: (1) Veri artırma: öğrenci dizisi boyunca 50 adımlı bir pencere kaydırarak 5 kat daha fazla alt dizi oluşturuldu. (2) Düzenleme: Tüm yoğun çekirdekler ve tekrarlayan çekirdekler için 1 x 10-5 L2 ağırlık cezası. (3) Erken durma: doğrulama izlemek-AUC, 5 ardışık dönem boyunca 0.001 >kazanç elde etmezse eğitimi durdurmak.
Öğrenme sonuçları ve uyum sağlama için deneysel tasarım
Cinsiyet düzenleyici etkisini test etmek için, deneyin 8. haftasında cinsiyet değişkenleri ve 14 boyutlu oyun ölçeği puanları toplandı ve erkekler ile kadınlar arasındaki farkları karşılaştırmak için bağımsız örneklem t-testi kullanıldı. Bu arada, oyun dalımı ve sahne gerçekçiliği gibi öznel değerlendirmeler Likert beş puanlık ölçeği kullanılarak toplandı ve oyun dışı grup (Grup A, n = 100), uyarlanabilir olmayan oyun grubu (Grup B, n = 105) ve uyarlanabilir oyun grubunun (Grup C, n = 105) fitness yüzdesi farkları ve not değişiklikleri aynı artan IE kursları altında kaydedildi. Tüm veriler, farklı cinsiyetler ve öğretim formları için modelin evrenselliğini doğrulamak amacıyla SPSS 25.0 tarafından anlamlılık açısından test edildi.
Bu çalışma, öğrenme sonuçlarını ve uyum sağlama yeteneğini doğrulamak için kontrollü bir deney tasarladı. Katılımcılar üç gruba ayrıldı: A Grubu (oyun kontrolü dışında) sadece geleneksel sınıf eğitimi aldı; Grup B (uyarlanabilir olmayan oyun kontrolü) geleneksel öğretimi uyarlanmayan IE oyunlarıyla birleştirdi; C grubu (deneysel grup) geleneksel öğretim ve uyarlanabilir IE karar-deneyim oyununu (BN+DKT-FA entegrasyonu) kullandı. 8 haftalık deney, 1 hafta hazırlık (gruplama: Grup C'de 105, Grup A/B'de 100; girişimci tutum/özetkinlik öncesi test; oyun sisteminde hata ayıklama), 6 hafta müdahale (haftada 2 ders sözü, 45 dakika, normal IE ders ilerlemesine uygun) ve 1 hafta sonradan test içeriyordu. Genelleştirme doğrulaması için, modelin disiplinler arasında sağlamlığını test etmek amacıyla A Üniversitesi (fen-mühendislik, 120 set), B Üniversitesi (kapsamlı, 110 set) ve C Üniversitesi (liberal sanatlar, 90 set) ek etkileşim verileri toplandı.
IE karar deneyimi oyun modelinin çoğaltılması altı temel aşamayı içerir: hazırlık çalışması, bilgi durumu değerlendirme BN'nin inşası, geliştirilmiş bir DKT modelinin geliştirilmesi, oyun sistemi entegrasyonu, deneysel tasarım ve veri toplama ile model doğrulama. Bunlar aşağıdaki paragraflarda açıklanmıştır.
Erken aşamada, IE eğitiminin temel boyutları ve göstergeleri net bir şekilde tanımlanır; üç aracı değişken bulunur: girişimci farkındalık, yetenek ve istek, ayrıca bunlara karşılık gelen ölçüm göstergeleri. Öğrenci demografisi ve IE arka plan verileri anketler aracılığıyla toplanırken, öğrenme davranışı verileri simüle edilmiş senaryolarla kaydedilir.
BN yapısında, IE bilgi noktalarının (gizli değişkenler) ve öğrenci davranışlarının (kanıt değişkenleri) düğümleri tanımlanır. Düğümlerin mantıksal ilişkisi, uzman röportajları ve hikaye temelinde belirlenir. CPT'nin başlangıç değerleri uzman deneyimine göre belirlenir. Öğrenci davranış verileri ahlakileştirme ve üçgenleme yoluyla yinelemeli olarak ayarlanır ve JT'ye dönüştürülür. Giriş davranışı kanıtı, posterior olasılığı hesaplamak ve zayıf bilgi noktalarını arka olasılıkla <0.5) belirlemek için pgmpy 0.1.20 (kamuya açık resmi RRID olmadan) kullanır.
DKT model geliştirme geliştirilirken, veri üzerinde özellik mühendisliği yapılır; davranışsal özellikler kodlanır, görev zorluk katsayıları hesaplanır ve vektörlere birleştirilerek bir zaman serisi oluşturulur. Özellik gömme, LSTM, ve çıkış katmanını içeren bir mimari oluşturulur. Eğitim, kayıp fonksiyonu olarak çapraz entropi ve Adam optimizeri ile 0.001 öğrenme oranıyla gerçekleştirilir.
Oyun sistemi entegrasyonu, oyun davranışı verilerini gerçek zamanlı olarak Python 3.9.7'ye aktarmak için Unity'nin C# API'sini kullanır (RRID:). SCR_008394'nin arka kısmı önce bilgi ustalığının posterior olasılığını hesaplamak için BN kullanır, ardından zayıf noktaları tahmin etmek, kişiselleştirilmiş geri bildirim oluşturmak ve zorluk ayarlaması için DKT modelini kullanır. Unity 2021.3.8f1 (RRID: SCR_018230 içinde, hedeflenen görevleri tetiklemek için üç tür IE senaryosu tasarlanmıştır veya zorluk seviyesi BN/DKT sonuçlarına göre ayarlanır.
Deneyde üç grup oluşturulur: DKT-FA ile klasik KT modelinin performansını karşılaştırmak, DKT-FA bileşenlerinin gerekliliğini doğrulamak, oyun olmadan, uyumsuz oyun ve uyarlanabilir oyun gruplarının eğitici etkilerini test etmek ve ilgili verilerin toplanması; Model doğrulama: scikit-learn 1.0.2(RRID: SCR_002577) Deney 1.'in göstergelerini hesaplamak, Deney 2'nin verilerini analiz etmek için kullanılır ve SPSS 25.0(RRID: SCR_002815) Deney 3'ün verilerinde ANOVA ve t-testleri yapmak için kullanılır ve aynı anda ölçeğin güvenilirliği ve geçerliliğini test eder.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Sonuçlar
Deney, Karen ve Hodhod'un eğitim amaçlı oyun değerlendirme ölçeğine dayandı ve uygun değerlendirme boyutları ile öğeler düzenlenip ayarlandı. Karen ve Hodgod'un ölçüsü, eğitim oyunları alanında yüksek otorite ve uygulanabilirliğe sahiptir; oynanış, pedagojik, etkileşimli gibi eğitim oyunlarının birçok temel boyutunu kapsar. Bu ölçeği tanıtıp uyarlayarak,28'de detaylandırıldığı gibi, tasarlanmış üniversite öğrencilerinin IE eğitim karar deneyimi oyun modelinin perf...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Tartışma
Üniversite IE karar deneyimi oyun modelinin başarısı, kritik protokol adımlarına dayanır; özellikle gerçek zamanlı bilgi tanısı için BN mantığının entegrasyonu ve geliştirilmiş Derin Bilgi Takip (DKT-FA) modelinin özellik gömme ve'leri. BN'nin uzman mülakatlarına dayanan ve öğrenci davranışı verileriyle güncelleştirilen hassas CPT başlatması, zayıf bilgi bağlantılarının doğru tanımlanmasını sağlarken, DKT-FA'nın yanıt denemeleri ve yardım arama sıklığını özellik olarak dahil etmesi giriş...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Açıklamalar
Bu makalede rekabet eden finansal çıkarlar yoktur.
Teşekkürler
Araştırma, Zhejiang Eyaleti'nin "14. Beş Yıllık Planı" Lisansüstü Kursu İdeolojik ve Siyasi Gösteri Kursu "Liderlik, Sanat ve Yönetim İletişimi" (181 numaralı hibe kapsamında); Eğitim Bakanlığı'nın Beşeri Bilimler ve Sosyal Bilimler Fonu (23YJC630256 hibe no'lu).
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| Adam | TensorFlow 2.8.0'da yerleşik | Öğrenme oranı 0.001 | |
| İkilikCrossentropi | TensorFlow 2.8.0'da yerleşik | Varsayılan parametreler | |
| C# | Unity 2021.3.8f1 varsayılan sürüm | Unity C# API üzerinden çağrıldı | |
| CUDA | 11.2 | TensorFlow 2.8.0 ile uyumludur | |
| Ortak Ağac (JT) | PGMPY 0.1.20 uygulanmıştır | moralize=Doğru, min-fill üçgenleme | |
| LabelEncoder | Scikit-learn 1.0.2'de yerleşik | scikit-learn ile paylaşıldı | |
| ModelCheckpoint | TensorFlow 2.8.0 geri dönüş | Doğrulama kümesi AUC'ye göre | |
| NumPy | Belirtilmedi (en son kararlı sürüm kabul edilebilir) | Python 3.9.7 ortamı | |
| pandalar | Belirtilmedi (en son kararlı sürüm kabul edilebilir) | Python 3.9.7 ortamı | |
| pgmpy | 0.1.20 | Python 3.9.7 ortamı | |
| Python | 3.9.7 | Birleşik bir arka uç işletim ortamı | |
| scikit-learn | 1.0.2 | RRID: SCR_002577 | |
| SPSS | 25 | RRID: SCR_002815 | |
| TensorFlow | 2.8.0 | GPU versiyonu CUDA 11.2 desteği gerektirir | |
| Birlik | 2021.3.8 f1 | RRID: SCR_018230 |
Kaynaklar
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Liu, Q., et al. EKT: Exercise-Aware Knowledge Tracing for Student Performance Prediction. IEEE Trans KnowlData Eng. 33 (1), 100-115 (2021).
- 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).
- 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).
- 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).
- Isabelle, D. A. Gamification of Entrepreneurship Education. Decis Sci J Innov Educ. 18 (2), 203-223 (2020).
- 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).
- 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).
- 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).
- 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).
- Gunn, M. Multi-disciplined ecosystem-centric bioentrepreneurship education: Case study - University of San Francisco (USF). J CommerBiotechnol. 26 (1), 83-92 (2021).
- 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).
- 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).
- Cantwell, E. Fostering a culture of innovation and an entrepreneurial spirit at the university of Arizona. Tech Innovat. 22 (4), 477-483 (2023).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Keogh, B., Hardwick, T. Creative, technical, entrepreneurial: formative tensions in game development higher education. Games Cult. 19 (6), 804-826 (2024).
- 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).
- 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).
- 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).
- 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).
- Chen, S., et al. Microstructure and electrical properties of supersonic plasma sprayed BKT-doped BNT coatings. Ceramics Int. 51 (10), 12517-12524 (2025).
- Wegner, Z. D., Methfessel, I., Sartorius, A. ECT in cases of lacking capacity to consent. InFo Neurologie Psychiatrie. 25 (11), 44-49 (2023).
- 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).
- 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).
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.