[論文レビュー] Let Me Try Again: Examining Replay Behavior by Tracing Students' Latent Problem-Solving Pathways

Shan Zhang, Siddhartha Pradhan+3 more|arXiv (Cornell University)|Jan 3, 2026

Educational Games and Gamification被引用数 0

ひとこと要約

要約: 本研究ではMarkov連鎖と隠れMarkovモデルを用いて、FH2Tにおける7年生の問題解決経路とリプレイ行動が近接および遠隔の代数学習アウトカムにどう関連するかを分析します。

ABSTRACT

Prior research has shown that students' problem-solving pathways in game-based learning environments reflect their conceptual understanding, procedural knowledge, and flexibility. Replay behaviors, in particular, may indicate productive struggle or broader exploration, which in turn foster deeper learning. However, little is known about how these pathways unfold sequentially across problems or how the timing of replays and other problem-solving strategies relates to proximal and distal learning outcomes. This study addresses these gaps using Markov Chains and Hidden Markov Models (HMMs) on log data from 777 seventh graders playing the game-based learning platform of From Here to There!. Results show that within problem sequences, students often persisted in states or engaged in immediate replay after successful completions, while across problems, strong self-transitions indicated stable strategic pathways. Four latent states emerged from HMMs: Incomplete-dominant, Optimal-ending, Replay, and Mixed. Regression analyses revealed that engagement in replay-dominant and optimal-ending states predicted higher conceptual knowledge, flexibility, and performance compared with the Incomplete-dominant state. Immediate replay consistently supported learning outcomes, whereas delayed replay was weakly or negatively associated in relation to Non-Replay. These findings suggest that replay in digital learning is not uniformly beneficial but depends on timing, with immediate replay supporting flexibility and more productive exploration.

研究の動機と目的

• FH2Tにおける問題内および問題間の問題解決戦略の転換を調べる。
• 完全な問題シーケンスから現れる潜在的な問題解決状態を特定する。
• 潜在状態が近接・遠隔の学習アウトカムを予測する方法を検討する。
• リプレイのタイミング（即時対遅延）が学習アウトカムにどう関連するかを評価する。

提案手法

• 12のラベル付き試行状態を用いた1次マルコフ連鎖による問題内および問題間の遷移のモデリング。
• 12の試行クラスの系列から潜在状態を識別するために5-foldクロスバリデーションとBICを用いた隠れマルコフモデルの適用。
• 隠れ状態をデコードし、放出分布と遷移行列を分析してダイナミックな経路を解釈。
• 潜在状態の割合とランレングスを計算して、潜在状態を近接ポストテストの構成と遠隔状態テストに関連づける。
• 回帰分析（OLS）を用いて、事前スコアとエンゲージメント変数を統制しつつ、状態エンゲージメントと学習アウトカムを関連づける。
• リプレイを即時、遅延、非リプレイに分解し、それぞれのアウトカムとの関連を比較する。

Figure 1 . Example Problem 14 from FH2T with sample solution steps (Start State: $47+33+b+52+68$ Goal State: $99+b+101$

実験結果

リサーチクエスチョン

• RQ1 RQ 1: 学生は問題内および問題間で異なる問題解決戦略の間をどのように転換するか？
• RQ2 RQ 2: 完全な問題シーケンスをモデル化したときに現れる潜在的な問題解決状態と、これらの状態間でどのような遷移が生じるか？
• RQ3 RQ 3: 潜在的な問題解決状態は近接および遠隔の学習アウトカムをどのように予測するか？
• RQ4 RQ 4: 学生のリプレイ行動（即時対遅延）は近接および遠隔の学習アウトカムとどう関連するか？

主な発見

• リプレイ支配的および最適終了の潜在状態は、未完結支配状態と比較して概念知識、柔軟性、状態テストのパフォーマンスが高いことを予測する。
• 問題跨ぎの分析では、リプレイ支配的および最適終了パターンを持つ状態が、FDR補正後にも複数のアウトカムと正の関連を示す。
• 即時リプレイは学習アウトカムと一貫して良好な関連を示す一方、遅延リプレイは非リプレイと比較して弱いまたは負の関連を示す。
• 問題内遷移は状態とリプレイ系列の持続を示す一方、問題間遷移は戦略の強い持続を示す。
• HMMは4つの潜在状態を特定した：混在型（Mixed）、不完全支配型（Incomplete-dominant）、最適終了型（Optimal-ending）、リプレイ支配型（Replay-dominant）、それぞれに異なる遷移パターンとランレングスを持つ。

(a) Within-problem Transition Probabilities