利用机器学习设计自适应严肃游戏

### 利用机器学习设计自适应严肃游戏 在教育游戏中应用自适应技术，能够根据玩家的能力和表现动态调整游戏内容，从而提供更个性化的学习体验。本文将探讨如何运用机器学习来设计自适应严肃游戏，包括关键步骤、面临的挑战以及相应的解决策略。 #### 1. 应用自适应技术的前期准备 在教育游戏中应用自适应技术，首先要考虑游戏中的任务，并确定每个任务相关的能力要求。这意味着要明确尝试解决任务所需的先决能力，以及完成任务的预期结果。理想情况下，游戏的第一个任务应尽可能少地要求先决条件（甚至为零），后续任务应基于之前所学内容逐步构建。 如果任务之间存在能力差距，应通过引入额外任务或其他方式帮助玩家发展必要的先决条件。例如，若某个任务需要玩家完成一个可选游戏任务才能学到的先决能力，那么该可选任务应设为必选，或者添加另一个能弥补缺失练习的任务。 #### 2. 玩家/学习者模型 当有了合适的游戏任务模型后，就可以基于能力本位知识空间理论（CbKST）创建玩家模型。玩家在游戏中的行为可以被记录下来，用于游戏后评估和游戏中评估。不过，由于评估的时间敏感性和数据的不完整性，游戏中评估更具挑战性。 应根据玩家在任务中的表现（无论成功与否）来大致评估其能力。游戏玩法数据具有高度的粒度，虽然有些游戏可能只适合区分任务尝试的成功与失败，但通常更建议具体考察玩家如何尝试完成任务，并根据其方法和是否成功来评估玩家。两个在任务中都成功或都失败的学生，其能力水平不一定相同。考虑他们的表现、解决问题的效率、接近解决问题的程度以及达成解决方案的难易程度，能进一步了解他们的能力水平。 #### 3. 改进现有严肃游戏以使用机器学习的通用方法 为支持新的自适应严肃游戏的开发，我们设计了一种方法，用于指导为现有的非自适应严肃游戏添加自动自适应功能的过程。该方法包括四个关键阶段： 1. **识别潜在的自适应游戏**：识别严肃游戏是否适合通过机器学习添加自适应功能时，需要考虑一些技术和学习因素。 - **技术因素**： - **源代码可用性**：源代码需公开可用。若开发者与原开发者不同，要确保所选游戏的软件许可证允许修改和重新分发。 - **软件质量**：游戏需具备足够的质量和健壮性，以支持计划的重新开发。可通过审查可用的软件工件（包括文档、源代码和问题跟踪数据）来评估软件质量。 - **游戏可玩性**：应考虑游戏的可玩性，现有的可玩性研究是有价值的参考。 - **学习因素**： - **学习成果**：调整游戏的学习内容需要清楚了解原游戏中存在的所需知识、主题和学习成果。 - **学习者经验和人口统计信息**：要详细了解游戏玩家的情况，不同年龄组的学习者对游戏内自适应的反应可能不同。还需考虑玩家的经验水平，包括为无经验的玩家提供适应内容。此外，要特别考虑为计算机科学以外不同教育背景的学习者进行自适应调整，建议选择具有包容性的游戏以覆盖多样化的学习者群体。 - **学习评估**：为了在第四阶段正确评估最终的自适应严肃游戏，最好选择一个已经进行过学习评估的现有游戏，现有评估可作为评估自适应学习益处的基线。 下面用 mermaid 流程图展示识别潜在自适应游戏的过程： ```mermaid graph LR A[开始] --> B{技术因素} B --> B1[源代码可用性] B --> B2[软件质量] B --> B3[游戏可玩性] B --> C{学习因素} C --> C1[学习成果] C --> C2[学习者经验和人口统计信息] C --> C3[学习评估] C --> D[确定是否适合添加自适应功能] D --> E[结束] ``` 2. **建模游戏玩法任务和学习者能力**：选择游戏后，要确定使其自适应的可行性，这基于创建准确的游戏玩法任务模型以及利用收集的数据对学习者进行建模的能力。 - **游戏玩法任务建模**：游戏玩法任务可分解为几个与评估学习相关的关键特征。每个任务应与一个或多个先决能力相关联，即学习者在完成任务前需证明具备这些先决能力。任务的成功完成应能为先决能力和其他相关能力提供证据，以便根据玩家完成的任务评估他们的能力。此外，任务也是自适应的目标，应考虑任务中可更改的参数，如时间限制、反馈/提示或其他约束，这些可根据玩家的能力水平进行调整。如果游戏无法调整这些任务特征（如非结构化的“开放世界”游戏），则可能不太适合进行自适应。 - **学习者建模**：除了能够创建任务模型外，还必须有足够的可用数据源来创建准确的学习者模型。建模学习者能力的主要数据来源是他们完成任务的情况。与特定能力相关的任务的成功尝试次数和失败次数会产生大量数据，有助于对学习者进行分类并预测他们在不同领域的能力水平。除了成功和失败，学习者成功或失败的程度比简单的二元特征