Personalizing Mathematical Game-based Learning for Children: A Preliminary Study

إليك ملخص تقني مفصل لورقة بحثية بعنوان "تخصيص التعلم القائم على الألعاب الرياضية للأطفال: دراسة أولية" من إعداد جي جاو وآدم ك. دوبيه.

1. بيان المشكلة

يعد التعلم القائم على الألعاب (GBL) فعالاً في تعزيز التفكير النقدي والمشاركة في الرياضيات، ولكن الأنظمة الحالية تواجه عقبتين كبيرتين:

• ندرة المحتوى: يتطلب إنشاء مستويات ألعاب رياضية عالية الجودة ومتكاملة جوهرياً جهداً كبيراً من مصممين متخصصين.
• قابلية توسع المحتوى الذي ينشئه المستخدمون (UGC): بينما تسمح أدوات مثل "وضع الإبداع" (Creative Mode) للاعبين المتقدمين بتصميم المستويات، فإن تصفية آلاف المستويات التي أنشأها المستخدمون يدوياً لضمان صحتها رياضياً وملاءمتها للاعبين الآخرين أمر غير ممكن.
• نقص التخصيص: تعاني الأنظمة الحالية من صعوبة في تقديم مستويات ألعاب تكيفية تتناسب مع قدرات المتعلمين الفردية، حيث تعتمد غالباً على التكيف منخفض الدقة بدلاً من التعديلات الدقيقة والديناميكية.

التحدي الجوهري هو أتمتة تحديد مستويات اللاعبين الصالحة وعالية الجودة، واستخدامها لتوفير تجارب تعلم مخصصة دون الاعتماد على المراجعة اليدوية الشاملة.

2. المنهجية

يقترح المؤلفون إطار عمل موجهاً بنظرية التعلم التكيفي يستخدم التعلم الآلي (ML) لتصنيف المستويات التي ينشئها اللاعبون.

مجموعة البيانات

• المصدر: تم جمع البيانات من تطبيق ألعاب تعليمية للرياضيات (للأعمار من 5 إلى 10 سنوات) بين عامي 2024 و2025.
• الحجم: 206 مستوى لعبة متميزاً.
  • 86 مستوى صممها خبراء (كخط أساس).
  • 120 مستوى أنشأها اللاعبون (عبر "وضع الإبداع").
• التصنيفات (Labels): من بين الـ 120 مستوى التي أنشأها اللاعبون، تم التحقق من 44 مستوى من قبل الخبراء باعتبارها "قابلة للاختيار" للمجمع العام، بينما تم استبعاد البقية.
• استخراج الميزات: تم ترميز كل مستوى في ملف JSON. استخرج المؤلفون 61 متغيراً، مصنفة إلى أربع مجموعات:
  1. شخصية اللاعب: نوع الشخصية وقيمتها.
  2. الهدف: هدف الإنجاز.
  3. الأجسام الفيزيائية: العناصر التفاعلية (مثل كتل الجليد، الحمم البركانية، الفقاعات، المنصات) مع القيم المرتبطة بالعمليات الحسابية.
  4. العقبات: الحواجز (مثل السحب، الأبواب، الجدران القابلة للكسر).

معالجة البيانات

• المعالجة المسبقة: تمت إعادة ترميز القيم المفقودة.
• اختيار الميزات: تم تطبيق انحدار "لاسو" (Lasso regression) لتقليل الأبعاد واختيار الميزات الأكثر إفادة للتنبؤ.
• النمذجة: تم تدريب ومقارنة أربع خوارزميات تصنيف:
  1. الجيران الأقرب (k-Nearest Neighbors - KNN)
  2. أشجار القرار (Decision Trees - DT)
  3. آلات المتجهات الداعمة (Support Vector Machines - SVM)
  4. الغابة العشوائية (Random Forest - RF)
• التحقق: تم استخدام التحقق المتقاطع المتداخل (Nested cross-validation) لتقليل تحيز التقييم وتقييم قدرة النموذج على التعميم.

3. المساهمات الرئيسية

• إطار عمل جديد للفحص: تقدم الدراسة مساراً لأتمتة تصفية المستويات التي ينشئها اللاعبون، والابتعاد عن التنسيق اليدوي الذي يتطلب الكثير من الجهد.
• تكامل الذكاء الاصطناي في التعلم القائم على الألعاب: توضح كيف يمكن دمج الذكاء الاصطناعي في حلقة تصميم الألعاب لتسهيل الألعاب التعليمية "الجوهرية" حيث تكون ميكانيكا اللعب نفسها هي ممارسة الرياضيات.
• تحليل أهمية الميزات: تحدد الدراسة أن ميكانيكا اللعب الهيكلية (شخصيات اللاعب، الأهداف، والأجسام الفيزيائية) هي أكثر قدرة على التنبؤ بجودة المستوى من العناصر الزخرفية أو العقبات.
• مسار التخصيص: يضع الإطار الأساس لتقديم مستويات تكيفية للاعبين بناءً على احتياجاتهم وقدراتهم التعليمية المحددة.

4. النتائج

قارنت الدراسة أداء نماذج التعلم الآلي الأربعة باستخدام مقاييس تشمل الدقة (Accuracy)، والضبط (Precision)، والاستدعاء (Recall)، ومقياس F1 (F1-Score)، ومنحنى خصائص تشغيل المستقبِل (ROC-AUC).

• النموذج الأمثل: برزت الغابة العشوائية (RF) كالمصنف المتفوق.
  • أداء الحلقة الخارجية: حققت الغابة العشوائية دقة بلغت 82.42%، وضبطاً بنسبة 74.53%، واستدعاءً بنسبة 72.69%، ومقياس F1 بنسبة 72.70%.
  • ROC-AUC: سجلت الغابة العشوائية 86.57%، متفوقة قليلاً على SVM بنسبة 86.22%، ومتفوقة بشكل كبير على KNN و DT.
• الميزة الحاسمة: كشف تحليل مصفوفة الارتباك (Confusion Matrix) أن الغابة العشوائية كانت الأقل عرضة لاستبعاد المستويات التي صادق عليها الخبراء (استدعاء عالٍ). وهذا أمر بالغ الأهمية لمسار الفحص، حيث يكون الهدف هو الحفاظ على محتوى المستخدم عالي الجودة بدلاً من الرفض الخاطئ.
• رؤى الميزات: أشار انحدار "لاسو" إلى أن قرارات اختيار الخبراء تعتمد بشكل كبير على:
  • عدد شخصيات اللاعب والأهداف.
  • وجود أجسام فيزيائية محددة (المنصات أحادية الاتجاه، فقاعات المنصات، الفقاعات القابلة للانفجار).
  • التفسير: يعطي الخبراء الأولوية للمستويات التي تسمد بالتلاعب البناء (الحساب/المنطق) على الحواجز السلبية.

5. الأهمية والقيود

الأهمية:

• القابلية للتوسع: يوفر إطار العمل حلاً قابلاً للتوسع لأنظمة التعلم القائم على الألعاب للتعامل مع كميات كبيرة من المحتوى الذي ينشئه المستخدمون، مما يضمن إمداداً مستمراً من المحتوى الجديد والصحيح رياضياً.
• ضمان الجودة: من خلال أتمتة عملية الفحص الأولية، يضمن النظام الاتساق والتوحيد، مما يوفر وقت الخبراء البشريين للمراجعات النهائية بدلاً من التصفية الأولية.
• الأثر التعليمي: يدعم إنشاء ألعاب رياضيات "جوهرية" حيث يتم دمج التعلم في الميكانيكا، مما قد يحسن دافعية الطلاب والتفكير النقدي.

القيود:

• حجم مجموعة البيانات: الدراسة أولية بوجود 206 مستوى فقط، مما يحد من قوة وموثوقية مقارنات النماذج.
• نطاق الميزات: يركز التحليل الحالي على وحدات محددة؛ ولم يتم استكشاف وحدات الألعاب الأخرى ذات الميزات المختلفة بشكل كامل.
• العمل المستقبلي: يخطط المؤلفون لجمع المزيد من البيانات لتحسين قوة النموذج واستكشاف كيف يمكن لهذا الإطار أن يقود مسارات تعلم تكيفية ومخصصة بالكامل.

الخاتمة

نجحت الورقة في إثبات أن مصنف الغابة العشوائية يمكنه التنبؤ بفعالية بجودة مستويات ألعاب الرياضيات التي ينشئها اللاعبون. ومن خلال أتمتة عملية الاختيار، يسد هذا النهج الفجوة بين الحاجة إلى كميات هائلة من محتوى الممارسة والقيود المفروضة على التصميم اليدوي، مما يمهد الطريق لبيئات تعلم قائمة على الألعاب الرياضية أكثر تخصيصاً وجذباً.