[論文レビュー] Developing for personalised learning: the long road from educational objectives to development and feedback

George Tsatiris, Kostas Karpouzis|arXiv (Cornell University)|Jan 27, 2021

Intelligent Tutoring Systems and Adaptive Learning被引用数 7

ひとこと要約

本論文は、欧州連合が資金を提供する教育的ゲームiReadにおいて、教育的目標と適応型ゲームメカニクスを一致させることで、パーソナライズド・ラーニングシステムを構築する包括的なフレームワークを提示する。学生のプロフィールと熟達度、教師の優先順位、学習の進行状況に基づく動的選択ルールを統合することで、システムはコンテンツの提供をパーソナライズしながら、バランスの取れた復習と新規コンテンツの導入を通じて、関与を維持し、学習を強化する。

ABSTRACT

This paper describes the development needed to support the functional and teaching requirements of iRead, a 4-year EU-funded project which produced an award-winning serious game utilising lexical and syntactical game content. The main functional requirement was that the game should retain different profiles for each student, encapsulating both the respective language model (which language features should be taught/used in the game first, before moving on to more advanced ones) and the user model (mastery level for each feature, as reported by the student's performance in the game). In addition to this, researchers and stakeholders stated additional requirements related to learning objectives and strategies to make the game more interesting and successful; these were implemented as a set of selection rules which take into account not only the mastery level for each feature, but also respect the priorities set by teachers, helping avoid repetition of content and features, and maintaining a balance between new content and revision of already mastered features to give students the sense of progress, while also reinforcing learning.

研究の動機と目的

• 言語習得における個々の生徒の進行に適応するパーソナライズド・ラーニングシステムを設計すること。
• 言語特徴の習得を保証しつつ、生徒の関与を維持するためのバランスの取れたコンテンツ配信を実現すること。
• 教師が定義した優先順位を尊重し、コンテンツの繰り返しを防ぐルールベースのシステムを実装すること。
• ユーザーモデル（熟達度）と言語モデル（指導的順序）を統合した適応型フレームワークに統合すること。
• 新規コンテンツと習得済み特徴の復習の動的バランスによって、進行の感覚を保証すること。

提案手法

• システムは、言語特徴の指導状況と生徒の熟達度を追跡するため、言語モデルとユーザーモデルを別々に維持する。
• 熟達度、教師の優先順位、学習の進行状況に基づき、次のゲームコンテンツを動的選択する一連の選択ルールを採用する。
• すでに習得済みの特徴の繰り返しを防ぐために、ルールが重複するコンテンツを回避する。
• 学習の強化と動機付けの維持を図るため、新規コンテンツと習得済み特徴の復習のバランスを取る。
• 個々の生徒のプロフィールに言語的データとパフォーマンスデータを統合することで、パーソナライズド・ラーニングを実現する。
• 生徒のパフォーマンスがユーザーモデルを更新し、将来のコンテンツ選択に反映されるフィードバックループを統合する。

実験結果

リサーチクエスチョン

• RQ1 教育的目標を、パーソナライズド・ラーニングに適応型ゲームメカニクスに体系的に翻訳する方法は何か？
• RQ2 パーソナライズド・コンテンツ選択が繰り返しを回避しつつ学習の進行を保証するためのメカニズムは何か？
• RQ3 教師が定義した優先順位をアルゴリズム的にコンテンツ選択プロセスに統合する方法は何か？
• RQ4 新規コンテンツと復習のバランスが、生徒の動機付けと進行の認識を維持する上で果たす役割は何か？
• RQ5 ユーザーモデルと言語モデルを効果的に統合することで、個別化された学習パスをどのようにサポートできるか？

主な発見

• 熟達度と教師の優先順位に基づく動的選択ルールの実装により、コンテンツの繰り返しを効果的に回避し、関与を維持できた。
• 新規コンテンツと復習のバランスの取れた組み合わせが実現され、学習の強化と進行の認識の向上が達成された。
• ユーザーモデルと言語モデルの統合により、個々の生徒のニーズに合わせたパーソナライズド・ラーニングパスが可能になった。
• 実世界の教育的ゲームの文脈において、このフレームワークの実現可能性が示された。適応型コンテンツ配信を支援した。
• このアプローチはゲームの成功に貢献し、パーソナライズド・ラーニング分野で賞を受賞したアプリケーションを生み出した。
• この方法論は、多様な教育的目標と学習者プロフィールに適応可能なスケーラブルで拡張可能なモデルを提供した。