[论文解读] 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 7

一句话总结

本文提出了一套全面的框架，通过在欧盟资助的严肃游戏iRead中将教育目标与自适应游戏机制对齐，实现个性化学习系统的开发。通过将学生档案与基于掌握水平、教师优先级和学习进度的动态选择规则相结合，系统在保持参与度的同时，通过平衡复习与新内容引入，实现内容的个性化推送并强化学习效果。

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.

研究动机与目标

• 设计一种能够根据个体学生语言习得进度自适应的个性化学习系统。
• 解决在确保语言特征掌握的同时保持学生参与度的挑战，通过平衡内容推送实现。
• 实施基于规则的系统，尊重教师定义的优先级，并防止内容重复。
• 将用户模型（掌握水平）与语言模型（教学顺序）整合到统一的自适应框架中。
• 通过动态平衡新内容与已掌握内容的复习，确保学生感受到进步。

提出的方法

• 系统分别维护语言模型和用户模型，以追踪已教授的语言特征及学生的掌握水平。
• 一组选择规则基于掌握水平、教师优先级和学习进度，动态决定下一项游戏内容。
• 选择规则通过避免已掌握特征的重复，防止内容冗余。
• 系统通过在新内容与已掌握内容的复习之间保持平衡，强化学习并维持学习动机。
• 该框架通过将个体学生档案与语言数据及表现数据相结合，支持个性化学习。
• 该方法整合了反馈回路，学生的表现更新用户模型，并为未来的内容选择提供依据。

实验结果

研究问题

• RQ1 如何系统性地将教育目标转化为个性化学习的自适应游戏机制？
• RQ2 哪些机制可确保个性化内容选择避免重复，同时维持学习进度？
• RQ3 如何将教师定义的优先级算法化地整合到内容选择过程中？
• RQ4 新内容与复习之间的平衡在维持学生动机和感知进步方面发挥什么作用？
• RQ5 如何有效结合用户模型与语言模型，以支持个性化的学习路径？

主要发现

• 基于掌握水平和教师优先级的动态选择规则成功防止了内容重复，并维持了学生参与度。
• 系统实现了新内容与复习内容的平衡组合，强化了学习效果，并增强了学生对进步的感知。
• 用户模型与语言模型的整合实现了根据个体学生需求量身定制的个性化学习路径。
• 该框架在真实世界教育游戏环境中展示了可行性，支持自适应内容推送。
• 该方法促进了游戏的成功，使其成为个性化学习领域获奖的应用。
• 该方法提供了一个可扩展且可扩展的模型，可用于将严肃游戏适配到多样化的教育目标和学习者档案。