培养开放形式游戏设计活动中计算思维的智能教学代理

文献标题

An Intelligent Pedagogical Agent to Foster Computational Thinking in Open-Ended Game Design Activities

文献信息

• 主题领域: 智能教育技术与开放式学习环境中计算思维的培养
• 关键词: Pedagogical agent, Real-Time Support, Game Design, Computational Thinking, Open-Ended Learning Environments

研究背景与问题

• 问题或挑战:

  • 开放式学习环境（OELEs）可通过鼓励学生主动探索而增强学习效果，但相对松散的结构可能导致部分学生难以评估学习进度或成功性。
  • Unity-CT 游戏设计学习环境虽然具有激发学生学习计算思维（CT）的潜力，但其复杂性使部分学生需要额外支持。
  • 在远程学习中，教师难以随时监控学生，提供定制化和及时的帮助。

• 重要性:

  • 美国教育体系越来越关注通过早期教育促进计算思维。
  • 智能教学代理（IPA）有助于在教学中提供个性化、动态的支持。
  • 新冠疫情后远程学习环境普及，开发适应这一新常态的教育技术变得尤为重要。

• 研究动机与相关工作:

  • 大量研究表明人工智能驱动的自适应提示可增强学习成效，但将其应用于开放式游戏设计活动中的研究较少。
  • 研究主要集中于编程模拟，但将 IPA 用于自由设计游戏环境（更吸引低年龄学生）尚属首次。
  • 现有文献表明重复性干预可改进学习结果，但针对年轻学生重复提示效果的研究尚为空白。

解决方案

• 提出的解决办法:

  • 设计并评估一种 IPA 系统，以支持 Unity-CT 环境中的定向操作提示，帮助学生识别并修正学习中的常见错误。
  • 不同干预版本对比：一次性干预（1-Shot）和重复干预（Repeated）。

• 创新之处:

  • 在一个商业化的真实学习系统 Unity-CT 中引入基于 AI 的 IPA。
  • 针对年轻学生首次研究重复性干预效果。
  • 解决了游戏设计这一开放性任务的大量非结构化行为建模的挑战。

• 实施步骤与关键技术:

  1. 确定两种常见错误（3D 旋转错误和“Play Mode”编辑错误）并为其开发干预内容。
  2. 设计基于文本气泡的用户提示，传递逐渐细分的反馈信息（问题 -> 原因 -> 解决方案）。
  3. 使用实时数据记录与分析技术，部署在远程学习环境中。
  4. 比较三组学生行为：
     • 无干预（No-Intervention）
     • 一次性提示（1-Shot）
     • 重复提示（Repeated）
  5. 收集学生行为日志和问卷反馈，分析 IPA 的即时效果和长期影响。

研究成果

• 具体成果:

  • 重复干预策略（Repeated）有效减少“Play Mode”错误的发生，并显著提高正确行为频次。
  • 对于 3D 旋转问题，尽管错误率明显可见，但 IPA 提示未能减少错误或提高自主修正行为，可能与任务本身的操作复杂性有关。
  • 学生主观感知相对正面，约 82% 学生愿意在未来再次使用 IPA。

• 与现有解决方案的对比与优势:

  • 此次研究首次将 IPA 用于自由形式的游戏设计 CT 教育任务，同时展示其在大型商业远程教育环境中有效性。
  • 重复提示比一次性提示在减少错误和提高行为正确性方面显示出明显优势。

• 实验或评估结果:

  • 1-Shot 干预未显著改善行为，而“Repeated”能减少“Play Mode”错误，且比其他组表现显著更高的正确性。
  • 学生主观反馈：
    • 平均满意度约 4（满分 5）。
    • 重复提示组比一次提示组的“困惑感”略高，但总体仍然较低。
    • 无学生认为 IPA 是过度“干扰性”的。
  • 对于“Rotation”，干预效果不显著，需进一步优化干预内容。

• 局限性与未来方向:

  • 局限性：
    • 错误干预效果高度依赖于任务和提示内容设计，特别对于复杂行为操作（如 3D 旋转）。
    • 样本受限于特定环境，可能无法完全推广至其他教育平台。
  • 未来方向：
    • 针对多种复杂行为引入数据驱动的自适应干预。
    • 深入研究重复提示频率与方式对不同年龄学生的影响。
    • 探索以学生主动请求支持为核心的 IPA 系统。