利用拖放轨迹的几何特征来理解学生的学习

文献标题

Using Geometric Features of Drag-and-Drop Trajectories to Understand Students’ Learning

文献信息

• 作者: Jungwook Rhim, Jiwon Kim, Gahgene Gweon
• 机构: Seoul National University
• 主题领域: 学习行为分析与技术支持教育
• 关键词: 拖放轨迹, 决策难度, 猜测行为, 学习成就, 心理状态
• 发表会议: CHI 2023, 人机交互领域会议

研究背景与问题

• 问题或挑战:
  • 当前教育研究仍然缺乏用于理解学生心理状态的非侵入性数据分析方法。
  • 学生的学习行为（如猜测行为和学习成就）与心理状态之间的关系未能完全明确。
• 重要性:
  • 理解学生心理状态对于优化学习过程至关重要，可以帮助教师针对性干预。
  • 高效的非侵入性数据收集方法可以在大规模学习环境中应用，而不干扰学生日常学习。
• 研究动机:
  • 拖放轨迹数据已被用于捕捉学习相关行为，但其与心理状态（如决策难度）关系的全面探索仍然不足。
  • 提出一种方法，通过分析拖放轨迹中的几何特征来推测心理状态并理解学生学习行为。
• 相关工作:
  • 决策心理研究中已经表明，轨迹数据可以反映用户的心理状态。
  • 近年来，教育领域逐渐尝试使用游戏日志、响应时间等特征来检测学生行为。

解决方案

• 提出的方法或解决方案:
  • 定义一种心理状态“决策难度心理状态”（PSD），包括冲突和不确定性两种子构成。
  • 使用拖放轨迹的八种几何特征（如最大绝对偏差、平均绝对偏差等）来评估心理状态。
  • 开发基于机器学习的模型，用于预测学生的猜测行为和学习成就。
• 创新之处:
  • 引入心理状态（PSD）的细化分组方法，将拖放轨迹特征分为“冲突”和“不确定性”两种类别。
  • 推测心理状态与学习行为间的共同关联，并采用大规模数据集进行验证。
• 实施步骤与技术:
  1. 数据收集: 从一个被广泛应用的数学游戏（KitKit School）中提取97,303条轨迹数据。
  2. 特征提取与分组: 使用探索性因子分析（EFA）将几何特征分为冲突和不确定性两组。
  3. 行为预测: 测试多个机器学习算法，包括线性回归和随机森林，预测猜测行为和学习成就。

研究成果

• 具体成果:
  1. PSD构成:
  • 决策难度心理状态被分为两类：“冲突”（如关心决策结果）和“不确定性”（如选项的混淆）。
  • 冲突和不确定性分别解释了39.38%和28.65%的数据方差。
  1. 轨迹和学习之间的关系:
  • 冲突与猜测行为的比例呈正相关（r=0.318, p=0.000），与学习成就呈负相关（r=-0.288, p=0.000）。
  • 不确定性与上述两学习维度也呈显著相关（猜测行为比例r=0.171；学习成就r=-0.219）。
  1. 预测模型表现:
  • 使用随机森林进行猜测行为预测可减少35.04%的均方误差；学习成就预测可减少22.31%的均方误差。
  • 选择的最重要特征包括距离、平均绝对偏差、以及反转点。
• 与现有解决方案相比的优势:
  • 提高了预测模型解释性，用心理状态来解读抽象的几何特征，帮助教育工作者理解学生。
  • 为非侵入式数据分析提供了实例，可适应不同教育游戏环境。
• 实验或评估结果:
  • 提供了数据驱动的心理状态评估手段，并验证了与两种常见学习行为之间的相关性。
  • 预测模型具有较高置信度且误差显著降低。
• 局限性与未来方向:
  • 数据仅来源于特定年龄组和国家，还需扩展更广泛的人群验证模型的普适性。
  • 本次研究只关注了两种猜测行为（快速猜测与系统性猜测），其他行为（如利用提示）可进一步研究。
  • 方法需适应其他形式的交互（如点击、滑动）以提升外部有效性。

总结

本文阐明了决策难度心理状态对学生学习行为的影响，并验证了几何特征在预测学习相关行为上的潜力。未来可进一步扩展研究场景和解决现存局限，从而为教育技术开发提供更精细化的支持体系。