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

A continuación presento un resumen técnico detallado del artículo "Personalizing Mathematical Game-based Learning for Children: A Preliminary Study", estructurado según los puntos solicitados.

1. Planteamiento del Problema

El aprendizaje basado en juegos (GBL, por sus siglas en inglés) ha demostrado ser efectivo para mejorar el pensamiento crítico y la comprensión conceptual en matemáticas. Sin embargo, los sistemas GBL actuales enfrentan dos desafíos principales:

• Escalabilidad y Costo: Crear niveles de juego intrínsecamente educativos (donde la mecánica del juego es la habilidad matemática) requiere diseñadores dedicados y horas de trabajo por nivel. Los sistemas existentes a menudo carecen de la cantidad suficiente de niveles de alta calidad para ofrecer práctica acumulativa.
• Filtrado de Contenido Generado por Usuarios (UGC): Herramientas como el "Modo Creativo" permiten a jugadores avanzados diseñar sus propios niveles. Sin embargo, el filtrado manual de estos niveles por parte de expertos es inviable debido al volumen masivo (miles de niveles) y la dificultad para personalizar la entrega de niveles que coincidan con las habilidades de aprendizaje individuales de cada jugador.

Existe una brecha en la investigación sobre el uso de modelos de aprendizaje automático (ML) para filtrar y validar niveles generados por jugadores en lugar de solo predecir el rendimiento del estudiante.

2. Metodología

Los autores proponen un marco de trabajo guiado por la teoría del aprendizaje adaptativo, que integra técnicas de Inteligencia Artificial para clasificar niveles generados por usuarios.

• Conjunto de Datos:

  • Se utilizaron 206 niveles de juego distintos extraídos de una aplicación de aprendizaje matemático (dirigida a niños de 5 a 10 años) entre 2024 y 2025.
  • La muestra incluye 86 niveles diseñados por expertos y 120 niveles generados por jugadores.
  • De los niveles generados por jugadores, 44 fueron validados y seleccionados por expertos para su uso público, mientras que el resto fue excluido.
  • Los datos se codificaron en archivos JSON que describen las características del juego.

• Extracción de Características (Features):

  • Se identificaron 61 variables agrupadas en cuatro categorías principales:
    1. Personaje del jugador: Tipo y valor del personaje.
    2. Objetivo: La meta de finalización del nivel.
    3. Objetos físicos: Bloques de hielo, lava, burbujas, plataformas (unidireccionales, pegajosas, etc.). Algunos tienen valores numéricos que se fusionan con el personaje.
    4. Obstáculos: Nubes, puertas, paredes rompibles, etc.
  • Se aplicó una regresión Lasso para reducir la dimensionalidad y seleccionar las características más informativas.

• Modelos de Aprendizaje Automático:

  • Se entrenaron y compararon cuatro algoritmos de clasificación:
    1. Vecinos más cercanos (k-NN).
    2. Árboles de decisión (DT).
    3. Máquinas de vectores de soporte (SVM).
    4. Bosques aleatorios (RF).
  • La evaluación se realizó mediante validación cruzada anidada (nested cross-validation) para minimizar el sesgo de evaluación y evitar el sobreajuste.

3. Contribuciones Clave

• Marco de Filtrado Automatizado: Propone un pipeline que automatiza la selección de niveles generados por usuarios, reduciendo la carga de trabajo manual de los expertos.
• Integración de IA en el Diseño de Niveles: Demuestra cómo la IA puede utilizarse no solo para adaptar la dificultad, sino para validar la calidad pedagógica intrínseca de los niveles creados por los usuarios.
• Identificación de Características Críticas: Revela qué elementos estructurales de un nivel (más allá de la decoración) son los que los expertos consideran vitales para la calidad educativa.

4. Resultados Preliminares

• Rendimiento del Modelo:
  • El modelo de Bosque Aleatorio (Random Forest - RF) se identificó como el clasificador óptimo.
  • Métricas Clave (Bucle Exterior): RF logró una precisión (Accuracy) del 82.42%, una Recall del 72.69% y un F1-Score de 72.70%.
  • Aunque SVM mostró un buen rendimiento en el área bajo la curva (ROC-AUC: 86.22%), fue más conservador en la identificación de niveles seleccionables. RF ofreció el mejor equilibrio entre robustez y sensibilidad, siendo menos propenso a descartar niveles válidos (crucial para preservar contenido de alta calidad).
• Importancia de las Características:
  • La regresión Lasso indicó que las decisiones de selección dependen principalmente de un conjunto pequeño de características estructurales: número de personajes y objetivos, y la presencia de plataformas unidireccionales, burbujas de plataforma y burbujas explotables.
  • Los objetos físicos (mecánicas de cálculo y razonamiento) tuvieron mayor peso predictivo que los obstáculos pasivos, sugiriendo que los expertos priorizan la manipulación constructiva sobre las barreras simples.

5. Significado e Impacto

• Personalización Escalable: Este enfoque permite a los sistemas GBL ofrecer niveles personalizados que se ajustan a las habilidades de aprendizaje de los estudiantes, utilizando el vasto repositorio de contenido generado por la comunidad.
• Calidad y Consistencia: El uso de ML garantiza un proceso de selección estandarizado, asegurando que los niveles desplegados mantengan un estándar de calidad pedagógica y de jugabilidad.
• Fomento del Pensamiento de Orden Superior: Al permitir que los estudiantes creen niveles y que la IA filtre los mejores, se fomenta el pensamiento crítico y la creatividad, transformando al estudiante de un mero jugador a un diseñador de experiencias de aprendizaje.
• Limitaciones y Futuro: El estudio reconoce que el tamaño del conjunto de datos (206 niveles) es una limitación para la generalización. El trabajo futuro se centrará en recopilar más datos, explorar otros módulos del juego y refinar el marco para la adaptación matemática personalizada.

En conclusión, el estudio valida la viabilidad de utilizar modelos de aprendizaje automático, específicamente Random Forest, para automatizar la curación de contenido en entornos de aprendizaje matemático basado en juegos, sentando las bases para sistemas más intrínsecos, escalables y personalizados.