大家好。
在本文中，我将介绍本次英语文献研讨会所阅读的论文及其感想。

论文标题: Uncovering students’ problem-solving processes in game-based learning environments
期刊: Computers & Education
出版年份: 2022
作者: Tongxi Liu , Maya Israel

本研究旨在阐明学生在基于游戏的学习环境中面临的问题解决过程，并将其应用于教育现场的个性化支持策略。以往基于测试或自我报告的调查，难以捕捉学习者实时的认知活动，且在大规模实施时伴随着巨大的时间成本。另一方面，数字游戏会生成大量详细的日志数据，因此具有将学生的试错、策略选择等过程可视化的潜力。
本研究着眼于教育游戏“Zoombinis”中益智游戏环节的学习者行为，提出了一种结合连续型隐马尔可夫模型（Continuous density Hidden Markov Model: CHMM）与序列挖掘的方法。研究问题如下：
1. 在Zoombinis中，应用何种数据挖掘技术可以定量地揭示学生的问题解决过程？
2. 学生是如何将过程从试错发展到解决策略的泛化的？

作为理论背景与先行研究，问题解决被视为针对未知课题进行信息探索、整合与转换的认知活动，在数学与科学教育领域，通常从“解码”、“表征化”、“处理”、“实现”这四个阶段进行论述。
关于基于游戏的学习的先行研究提出，游戏中的重复试错与反馈有助于促进学习。特别是有研究指出，经历试错后应用高效策略，并通过多个问题将解法泛化的过程是关键所在。
本研究将学生的问题解决行为设定为“试错”、“系统性测试”、“执行解决方案”、“泛化解决方案”四个阶段。它们分别被定义为：无计划的尝试、按顺序进行测试、展示单面或全维度的解法、通过反复进行模式提取。

研究方法方面，以从当地学校及课外项目招募的3至7年级（约8至12岁）的30名学生为对象，让他们游玩Zoombinis中的“Pizza Pass”游戏模式。除进行了1小时的测试游玩外，未提供任何外部支持，并获取了全部日志。
Zoombinis会详细记录每次尝试的学生ID、时间戳、选择/移除等游戏内动作信息。基于先行研究，将所有尝试根据这些行为标注为上述四个阶段。

作为数据分析方法，通过“连续型隐马尔可夫模型（CHMM）”，基于多元高斯混合模型估算了初始概率、转移矩阵及观测分布参数。通过四阶段模型比较各次尝试的对数似然，确定了显示最大似然（最可能的值）的阶段。
接下来，通过序列挖掘，将全部906次尝试的选择/移除动作序列进行编码，并利用PrefixSpan提取高频序列。由此，定量地把握了“逐一尝试”、“添加”、“筛选”这三大策略模式。

CHMM的分析结果显示，最频繁的行为路径为“试错 → 系统性测试 → 执行解决方案 → 泛化解决方案”。该路径展示了从最初的探索经过计划性验证，尝试解法，最后将模式泛化的典型过程。此外，还观察到部分学生从“系统性测试”直接飞跃至“泛化解决方案”的案例，这暗示了对问题的把握程度及逻辑构建能力的差异可能产生影响。
作为序列挖掘的策略模式提取结果，定量确认了以下三大策略模式：
・“逐一尝试”：减少无计划的选择，为高效过渡到执行解决方案阶段的基本策略。
・“固定已正确要素并添加新要素（添加）”：作为促进解决方案泛化的关键策略，在依次验证多个维度时有效。
・“配置所有要素后移除并缩小范围（筛选）”：作为从系统性测试到执行解决方案的桥梁，形成了通向解决方案泛化的立足点。
这些模式根据各阶段的学生支持度（s-support）和尝试频率（i-support）进行了排名，特别显示出“逐一尝试”对“执行解决方案”阶段的贡献度最高。
此外，利用CHMM估算结果比较各学生的阶段停留时间，发现高效过渡到下一阶段的学生群体与长时间停留在“试错”阶段的学生群体之间存在明显差异。前者平均尝试次数约为12.3次，后者约为25.7次，差距显著，这暗示了早期应用策略有助于提高整体学习效率。另外，虽然在性别或年级间未发现显著差异，但游戏熟练度或逻辑思维能力可能对进展速度产生影响。

作为结果讨论，CHMM能够从多维日志数据中定量估算难以可视化的解决问题阶段及其转移概率，在能够明确可视化学生“在哪里受阻”、“在哪里稳步进展”这一点上，被认为对教育数据的利用做出了巨大贡献。此外，通过与策略模式提取相结合，更容易识别学生在游戏中自主使用的成功模式。这有助于设计出在自适应学习系统中，当需要“筛选”或“添加”等策略时，自动提供脚手架的系统。
例如，可以考虑在教学设计中采取以下措施：对无法摆脱“试错”的学生提供具体且分阶段的提示，引导其进入“系统性测试”阶段；利用“添加”策略促进泛化的特点，在谜题设计阶段有意识地多阶段提供部分反馈等。

以下是我的感想。
我一直很关注如何通过分析游戏中的学习行为来评估学习者的行为，特别是在非学科学习领域，因此阅读了这篇论文。关于基于转移概率来确定学习模型，以及预测问题解决中重要要素的分析框架，对我非常有参考价值。另一方面，令我介意的一点是，本次研究对象为3至7年级，年龄跨度较大，且未考虑认知/非认知能力或动机等内在因素。我认为，结合游戏中的学习行为与个人特性的分析，以及是否存在长期影响等，仍有进一步进行多角度分析的可能性。此外，本研究仅着眼于“游戏中的问题解决行为”。对此，我希望今后能研究将游戏作为PBL等教学设计中的一个要素进行整合，以及游戏中的学习如何影响现实中复杂的问题解决场景等课题。

文责：尾崎康平