[论文解读] ML-Quest: A Game for Introducing Machine Learning Concepts to K-12 Students

Shruti Priya, Shubhankar Bhadra+1 more|arXiv (Cornell University)|Jul 13, 2021

Educational Games and Gamification被引用 12

一句话总结

本文介紹了 ML-Quest，這是一款專為 K-12 學生設計的 3D 教育類電子遊戲，透過互動式、劇情驅動的遊戲玩法，教授基礎機器學習概念——監督學習、梯度下降與 K-近鄰（KNN）分類。透過科技接受度模型（TAM）對 23 名高年級學生進行評估，70% 的受訪者表示或強烈同意該遊戲具備互動性且對學習機器學習概念有幫助，顯示其作為一種引人入勝、低複雜度的機器學習入門工具具有潛力。

ABSTRACT

Today, Machine Learning (ML) is of a great importance to society due to the availability of huge data and high computational resources. This ultimately led to the introduction of ML concepts at multiple levels of education including K-12 students to promote computational thinking. However, teaching these concepts to K-12 through traditional methodologies such as video lectures and books is challenging. Many studies in the literature have reported that using interactive environments such as games to teach computational thinking and programming improves retention capacity and motivation among students. Therefore, introducing ML concepts using a game might enhance students' understanding of the subject and motivate them to learn further. However, we are not aware of any existing game which explicitly focuses on introducing ML concepts to students using game play. Hence, in this paper, we propose ML-Quest, a 3D video game to provide conceptual overview of three ML concepts: Supervised Learning, Gradient Descent and K-Nearest Neighbor (KNN) Classification. The crux of the game is to introduce the definition and working of these concepts, which we call conceptual overview, in a simulated scenario without overwhelming students with the intricacies of ML. The game has been predominantly evaluated for its usefulness and player experience using the Technology Acceptance Model (TAM) model with the help of 23 higher-secondary school students. The survey result shows that around 70% of the participants either agree or strongly agree that the ML-Quest is quite interactive and useful in introducing them to ML concepts.

研究动机与目标

• 為解決傳統教學方法（如講座與課本）在教授 K-12 學生抽象機器學習概念時，常難以維持興趣或確保概念理解的挑戰，提出解決方案。
• 彌補現有教育工具的缺口，開發一款遊戲，以引入機器學習概念，而不讓學生因數學複雜度或技術術語而感到壓力。
• 在真實的 K-12 學習環境中，評估遊戲在提升學生動機、感知實用性與易用性方面的有效性。
• 開發一種可擴展的互動式遊戲化學習工具，培養學生早期的計算思維，為未來參與人工智慧與機器學習奠定基礎。

提出的方法

• 遊戲分為三個獨立的 3D 關卡，每個關卡對應一個核心機器學習概念：監督學習、梯度下降與 KNN 分類。
• 每個關卡均採用劇情驅動的任務形式，玩家透過直覺性的遊戲機制解決挑戰，這些機制模擬了背後的機器學習流程。
• 應用腳手架技術，逐步揭示每個機器學習概念的邏輯，幫助玩家在無需先備知識的情況下建立心智模型。
• 提示、說明看板與對話訊息引導玩家完成每個關卡，實際的機器學習概念在每個關卡結束時才被定義並與遊戲玩法對應。
• 遊戲透過科技接受度模型（TAM）進行評估，測量學生對實用性、易用性、使用意願與正確性等面向的感知，調查對象為 23 名高年級學生。
• 根據參與者的反饋，對遊戲進行迭代改進，包括調整移動速度、提升遊戲元素的可見性與改善說明清晰度。

实验结果

研究问题

• RQ1 ML-Quest 在不依賴技術或數學說明的情況下，多大程度上能有效引導 K-12 學生理解基礎機器學習概念？
• RQ2 學生如何看待遊戲在學習機器學習概念方面的實用性、易用性與參與度？
• RQ3 與傳統教學方法相比，基於遊戲的學習對學生動機與機器學習概念理解的影響為何？
• RQ4 如何將機器學習概念抽象化為具吸引力的遊戲機制，同時保持概念的準確性？
• RQ5 使用者提出哪些設計改進建議，以提升遊戲的學習體驗與易用性？

主要发现

• 在 23 名受訪的高年級學生中，70% 表示或強烈同意 ML-Quest 具備互動性且對學習機器學習概念實用。
• 遊戲被認為易於使用且實用，TAM 相關指標得分較高，顯示其在教育場景中具備強大的採用潛力。
• 參與者表示，劇情驅動的遊戲玩法與概念逐步揭示的方式，有助於他們更清楚地建立機器學習演算法運作方式的心智模型。
• 反饋指出具體的易用性問題，例如玩家移動過快與無形子彈，這些被識別為需改進之處。
• 相當比例的學生表示偏好手機遊戲，顯示未來開發應優先考慮手機平台支援。
• 遊戲成功透過遊戲玩法引入三大核心機器學習概念——監督學習、梯度下降與 KNN 分類，且無需學生具備先前的機器學習知識。