基于游戏的学习环境中学生表现的建模
机器学习
2023-09-26 v1 人工智能
摘要
本研究以教育游戏“Jo Wilder and the Capitol Case”为背景探讨基于游戏的学习，重点利用包括K近邻(KNN)、多层感知机(MLP)和随机森林在内的多种机器学习模型预测学生表现。研究旨在识别对学生表现和正确答题最具预测性的特征。通过利用游戏数据，我们为这些模型建立了完整的基准，并探讨了应用适当数据聚合方法的重要性。通过将全部数值数据压缩为最小值/最大值/均值/总和，将类别数据压缩为首次、末次、计数和唯一值数，我们将原始训练数据从4.6 GB缩减为48 MB的预处理训练数据，同时保持了较高的F1分数和准确率。我们的发现表明，恰当的预处理技术对提升非深度学习模型的性能至关重要。MLP模型优于当前最先进的French Touch模型，取得了0.83的F-1分数和0.74的准确率，表明其适用于该数据集。未来研究应探索使用更大数据集、其他预处理技术、更先进的深度学习技术以及真实应用场景，以基于预测的学生表现为其提供个性化学习建议。本文增进了对基于游戏的学习的理解，并为优化教育游戏体验以改善学生成果与技能发展提供了见解。
引用
@article{arxiv.2309.13429,
title = {Modeling Student Performance in Game-Based Learning Environments},
author = {Hyunbae Jeon and Harry He and Anthony Wang and Susanna Spooner},
journal= {arXiv preprint arXiv:2309.13429},
year = {2023}
}