混合现实中个性化推荐增强棋盘游戏学习的解释满意度和享乐用户体验

棋盘游戏通常涉及战略性决策和程序性规划任务。这类任务要求学习者根据物理环境中动态演变的游戏状态和不断变化的信息做出决策。推荐系统可以过滤可用信息，为学习者提供个性化和可操作的建议，简化他们玩游戏时的决策过程。这类推荐可以通过混合现实（MR）与相关物理元素进行空间对齐。我们为引擎构建策略棋盘游戏提出了一个名为GLAMRec的MR系统。GLAMRec通过整合用户数据、实时游戏状态追踪和基于本体的推理，在复杂棋盘游戏中提供个性化、透明的建议，我们将其用作程序性学习任务的代理环境。我们访谈了六位棋盘游戏设计师以改进GLAMRec，并进行了被试内设计用户研究（N=32），研究个性化解释如何影响解释满意度、用户体验和信任。我们发现个性化推荐显著提升了解释满意度和享乐用户体验，同时不影响信任评分、建议依从性和游戏表现。这些发现表明，个性化主要塑造了感知愉悦性，而不是可测量的学习结果或信任。