基于游戏与游戏化的机器人教育：比较系统综述与设计指南

文献标题

Game-Based and Gamified Robotics Education: A Comparative Systematic Review and Design Guidelines

出版信息

• 主题领域: 游戏化学习（GBL）与游戏化在机器人教育中的比较分析。
• 关键词: 游戏化学习，游戏化，机器人教育，STEM，沉浸式技术，编程，教学法，设计指南，动机，技能发展。

背景与问题

• 问题/挑战: 机器人教育技术复杂，对初学者具有威慑性，同时关于GBL和游戏化的比较有效性证据较为零散。现存的主要问题包括沉浸式技术的使用有限、高级机器人技能的整合不足，以及缺乏对GBL和游戏化的系统性比较。
• 重要性: 解决这些问题可以提升机器人教育的参与度、可及性和技能发展，从而培养21世纪的核心能力，如计算思维和问题解决能力。
• 动机与相关研究: 先前研究强调了GBL和游戏化在STEM教育中的动机和认知效益，但缺乏对机器人教育中特定挑战、沉浸式技术以及全面技能整合的关注。本文基于这些研究成果，系统比较GBL和游戏化在机器人教育中的应用。

解决方案

• 提出的方法: 对95项研究（2014–2025年）进行PRISMA标准的系统性综述，编码方法、情境、教学法和结果，以比较GBL和游戏化在机器人教育中的应用。
• 创新点:
  1. 首次对GBL和游戏化在机器人教育中的比较进行综合分析。
  2. 识别方法–情境–教学法模式及技能层次差距。
  3. 开发结构化设计空间和分阶段进展模型。
  4. 提出机器人教育的八个未来研究方向。
• 程序与关键技术:
  • 在四个数据库（Scopus、ProQuest、IEEE Xplore、ACM Digital Library）中进行系统检索。
  • 对研究特征（如方法、情境、技能水平、教学法）进行编码，具有较高的评分者间一致性（κ = .918）。
  • 对模式、结果和局限性进行统计和主题分析。

结果

• 具体发现:
  • GBL更常见于非正式环境（54.10%），而游戏化在正式课堂中占主导地位（85.29%）。
  • 大多数研究集中于基础编程（GBL为63.93%，游戏化为35.29%）和模块化套件，高级软件（约17%）或硬件（约5%）的使用有限。
  • 沉浸式技术（如VR、触觉技术）的使用率较低（约22%的研究）。
  • 研究时间跨度短，且依赖于自我报告的结果。
• 相较基线的优势: GBL和游戏化在学习和动机提升方面表现相当，正式环境更注重可量化结果，而非正式环境则更能增强参与度和可及性。
• 实验/评估:
  • 混合方法综合分析，结合定量趋势和定性洞察。
  • 统计测试（如χ2检验、逻辑回归）分析方法–情境–教学法关系及技能水平。
  • 使用MMAT和ROBINS-I进行偏倚风险评估。
• 局限性与未来工作:
  • 方法学上的不足（如缺乏对照组，依赖自我报告）。
  • 对多样化学习者群体和高级机器人技能的代表性有限。
  • 未来研究应探索自适应系统、包容性设计、沉浸式技术、混合模式以及人工智能的整合。

总结

本文首次系统比较了GBL和游戏化在机器人教育中的应用，通过分析95项研究识别了方法、情境、教学法和结果的模式。研究发现GBL在非正式环境中更为普遍，而游戏化在正式课堂中占主导地位。两种方法在学习和动机提升方面表现相当，但主要集中于基础编程和模块化套件，较少涉及高级技术或沉浸式界面。作者提出了一个结构化设计空间和分阶段进展模型，以指导未来的机器人教育设计，并强调了包括自适应系统、包容性和沉浸式技术在内的八个研究方向。此研究为教育者和设计者提供了可操作的见解，以创建可扩展、包容且高效的机器人学习体验。