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

Problemstellung

Game-based Learning (GBL) hat sich als wirksame Methode zur Förderung von kritischem Denken und mathematischem Verständnis erwiesen. Ein zentrales Hindernis für den breiten Einsatz intrinsisch integrierter Lernspiele (bei denen die Mathematik Teil der Spielmechanik ist) ist jedoch die hohe Arbeitsintensität bei der Erstellung hochwertiger Spiellevel.

• Skalierungsproblem: Um mathematische Fähigkeiten zu meistern, benötigen Spieler Dutzende von Leveln. Die manuelle Erstellung und Kuratierung dieser Level durch Experten ist nicht skalierbar.
• Filterproblem: Apps mit „Creative Mode" ermöglichen es fortgeschrittenen Spielern, eigene Level zu erstellen. Die manuelle Überprüfung Tausender nutzergenerierter Level durch Experten, um festzustellen, welche für andere Spieler geeignet sind, ist unpraktikabel.
• Personalisierungsdefizit: Es fehlt an Systemen, die nutzergenerierte Level automatisch filtern und adaptiv an die individuellen Lernfähigkeiten der Spieler anpassen können.

Methodik

Die Autoren schlagen einen Rahmen vor, der auf der adaptiven Lerntheorie basiert und künstliche Intelligenz (KI) zur Klassifizierung von Leveln nutzt.

1. Datensatz:

   • Es wurden 206 verschiedene Spiellevel aus einer Mathematik-GBL-App (für Kinder im Alter von 5–10 Jahren) gesammelt.
   • Die Daten stammen aus dem Zeitraum 2024–2025.
   • Die Aufteilung: 86 Level wurden von Experten entworfen, 120 von Spielern erstellt. Von den spielerischen Leveln wurden 44 von Experten als „validiert" (für andere Spieler geeignet) eingestuft, der Rest wurde ausgeschlossen.
   • Jedes Level ist als JSON-Datei kodiert.

2. Feature-Extraktion und Vorverarbeitung:

   • Es wurden 61 Variablen extrahiert und in vier Gruppen kategorisiert:
     • Spieler-Charakter: (z. B. Charakter-Typ, Wert).
     • Ziel: (Das Abschlussziel des Levels).
     • Physik-Objekte: (z. B. Eisblöcke, Lavablöcke, Plattformen, Blasen). Diese Objekte haben oft Werte, die mit dem Charakterwert verrechnet werden (Addition/Subtraktion).
     • Hindernisse: (z. B. Wolken, Türen, zerbrechliche Wände).
   • Dimensionalitätsreduktion: Es wurde die Lasso-Regression (Least Absolute Shrinkage and Selection Operator) angewendet, um irrelevante Features zu entfernen und die Vorhersagegenauigkeit sowie Interpretierbarkeit zu erhöhen.

3. Maschinelles Lernen (ML):

   • Vier Klassifikationsalgorithmen wurden verglichen:
     • k-Nearest Neighbors (KNN)
     • Decision Trees (DT)
     • Support Vector Machines (SVM)
     • Random Forests (RF)
   • Validierung: Die Modellleistung wurde mittels nested cross-validation (verschachtelte Kreuzvalidierung) bewertet, um Overfitting zu minimieren und eine robuste Generalisierung auf unbekannte Level zu gewährleisten.

Wichtige Ergebnisse

1. Modellvergleich:

   • Der Random Forest (RF)-Algorithmus erwies sich als das überlegene Modell.
   • Metriken (Outer Loop): RF erreichte die höchste Recall (72,69 %) und den höchsten F1-Score (72,70 %) sowie eine ROC-AUC von 86,57 %.
   • Vergleich: Obwohl SVM eine hohe ROC-AUC (86,22 %) aufwies, war RF weniger konservativ und identifizierte mehr validierbare Level, ohne die Qualität zu gefährden. KNN und DT zeigten schwächere Leistungen, insbesondere bei der Recall-Rate.
   • Bedeutung: Ein hoher Recall ist kritisch, da das System vermeiden muss, hochwertige nutzergenerierte Inhalte fälschlicherweise zu verwerfen.

2. Feature-Importanz:

   • Die Lasso-Analyse zeigte, dass die Entscheidung für ein Level primär von einer kleinen Menge struktureller Kernfeatures abhängt.
   • Kritische Features: Anzahl der Spielercharaktere, Anzahl der Ziele, sowie das Vorhandensein von „One-way Platforms", „Platform Bubbles" und „Poppable Bubbles".
   • Interpretation: Expertenurteile über die Qualität eines Levels hängen eng mit der Struktur der mathematischen Aktionen und Ziele zusammen, nicht mit dekorativen Elementen. Physik-Objekte (die Berechnungen ermöglichen) waren wichtiger als reine Hindernisse.

Hauptbeiträge

1. Automatisierung der Level-Kuratierung: Das Papier demonstriert einen funktionierenden Workflow, bei dem ML-Modelle nutzergenerierte Level automatisch filtern, bevor sie Experten zur finalen Prüfung vorgelegt werden. Dies reduziert den manuellen Aufwand erheblich.
2. Brücke zwischen KI und GBL: Es wird ein konkreter Rahmen vorgestellt, wie KI-Techniken in den Designprozess von Lernspielen integriert werden können, um personalisierte und intrinsisch motivierende Lernerfahrungen zu schaffen.
3. Identifikation von Qualitätsmerkmalen: Die Studie liefert empirische Belege dafür, welche strukturellen Merkmale eines mathematischen Spiels (z. B. Interaktivität durch Physik-Objekte) für die pädagogische Wirksamkeit entscheidend sind.

Bedeutung und Ausblick

• Skalierbarkeit: Der vorgeschlagene Rahmen ermöglicht es GBL-Systemen, große Mengen an nutzergenerierten Inhalten zu verarbeiten und dennoch hohe Qualitätsstandards zu wahren.
• Personalisierung: Durch die automatische Klassifizierung können Level besser an die Fähigkeiten einzelner Spieler angepasst werden, was die Motivation und das kritische Denken fördert.
• Limitationen: Die Studie ist vorläufig und durch die relativ kleine Datengrundlage (N=206) limitiert. Zukünftige Arbeiten sollten größere Datensätze sammeln und weitere Modulen der „Creative Mode"-Umgebung einbeziehen.

Fazit: Die Studie belegt, dass der Random Forest-Algorithmus ein robustes Werkzeug ist, um die Qualität von nutzergenerierten mathematischen Spielleveln vorherzusagen. Dies bildet eine theoretische und praktische Grundlage für die Entwicklung adaptiver, KI-gestützter Lernspiele, die den manuellen Kuratierungsprozess automatisieren und die Lernqualität steigern.