Bridging Pedagogy and Play: Introducing a Language Mapping Interface for Human-AI Co-Creation in Educational Game Design

Dit artikel presenteert een webtool die natuurlijke taal als interface gebruikt voor mens-AI samenwerking, waardoor docenten pedagogische doelen expliciet kunnen vertalen naar spelmechanismen en zo de ontwerphindernissen voor educatieve games verlagen zonder menselijke regie te verliezen.

De kern

Stel je voor dat je een leraar bent die een fantastisch educatief spel wil maken. Je wilt dat je leerlingen iets leren over bijvoorbeeld de geschiedenis of wiskunde, maar je bent geen programmeur en je weet niet precies hoe je een spel ontwerpt dat echt werkt voor je lesdoelen. Vaak eindigen deze spellen dan ook als een rommeltje: leuk om te spelen, maar ze leren de kinderen niets, of ze zijn zo moeilijk dat de kinderen gefrustreerd raken.

Dit artikel beschrijft een nieuwe digitale tool die dit probleem oplost. Het is als een talenbrug tussen wat je wilt leren (pedagogie) en hoe het spel werkt (play).

Hier is hoe het werkt, uitgelegd met een paar simpele metaforen:

1. Het Probleem: De "Zwarte Doos"

Normaal gesproken vragen mensen een AI (een slimme computer) om een spel te maken. De AI doet dan haar best, maar het is vaak een zwarte doos. Je krijgt een spelletje, maar je snapt niet waarom de AI bepaalde keuzes heeft gemaakt. Misschien is het spel te moeilijk, of leert het de verkeerde dingen. Je bent dan als leraar alleen maar een "controleur" die moet raden of het goed is, in plaats van de echte ontwerper.

2. De Oplossing: Een Speciale "Receptkaart"

De auteurs van dit artikel hebben een slimme tool bedacht die de AI dwingt om te praten in een speciale, gestructureerde taal.

Stel je voor dat je een kok bent die een gerecht wil maken. In plaats van te zeggen "Maak iets lekkers", moet je een recept invullen met vier vaste plekken:

1. Wie doet het? (De leerlingen)
2. Wat doen ze precies? (De actie, bijvoorbeeld: "tellen" of "sorteren")
3. Hoe goed moet het? (De moeilijkheidsgraad, bijvoorbeeld: "snel" of "zonder fouten")
4. Waar gebeurt het? (De sfeer, bijvoorbeeld: "in een ruimtevaartuig" of "in een middeleeuws kasteel")

De tool dwingt de leraar om deze vier stukjes duidelijk te maken. Dit is de Pedagogische Zin.

3. De Magie: De Vertaler

Zodra de leraar deze zin heeft ingevuld, werkt de AI als een tweesprong-vertaler.

• De AI neemt jouw zin over de les (bijv. "Leerlingen sorteren historische gebeurtenissen snel in een museum") en vertaalt dit direct naar een Spel-Zin.
• De AI toont je precies hoe jouw lesdoelen omgezet worden in spelregels.
  • Sorteren wordt een spelmechaniek (bijv. sleutels in sloten steken).
  • Snel wordt een timer in het spel.
  • Museum wordt de achtergrond en de muziek.

Het mooiste is: je ziet kleurrijke lijntjes tussen jouw leszin en de spelzin. Als je in je leszin "snel" verandert in "langzaam", zie je direct hoe de timer in het spel ook verandert. Je bent de baas over de vertaling, niet de AI.

4. De Werkwijze: Drie Stappen

De tool leidt je door drie fases, net als het bouwen van een huis:

1. De Fundering (Vereisten ophalen): De AI stelt je slimme vragen om die vier stukjes van je recept (actie, doel, moeilijkheid, sfeer) scherp te krijgen.
2. Het Tekenplan (Vertalen): De AI maakt een paar voorstellen voor hoe het spel eruit zou kunnen zien, gebaseerd op jouw recept. Jij kunt kiezen, aanpassen of zeggen: "Nee, dit stukje klopt niet, maak het anders." Je ziet precies welke keuze welk effect heeft.
3. De Bouwtekening (Uitwerken): Als je tevreden bent, kan de tool de "speltalen" verder uitdiepen. Je kunt op een knop klikken ("Zoom In") en de AI schrijft dan een verhaal over hoe het spel werkt, of zelfs een schetscode (pseudocode). Dit is geen compleet spel dat je direct kunt spelen, maar wel een perfecte bouwtekening die een programmeur (of jijzelf) kan gebruiken om het echt te bouwen.

Waarom is dit zo belangrijk?

Stel je voor dat je eerder een blindeman was die een spel probeerde te ontwerpen door in het donker te tasten. Deze tool geeft je een verlichte werkbank.

• Transparantie: Je ziet precies wat er gebeurt. Geen verrassingen meer.
• Controle: Jij bepaalt de regels, de AI helpt alleen met de vertaling.
• Leren: Leraars leren door dit proces zelf hoe spelmechanica werken, omdat ze zien hoe hun lesdoelen omgezet worden in spelregels.

Kortom: deze tool maakt het voor leraars mogelijk om samen met een slimme computer een spel te bouwen dat écht werkt voor hun leerlingen, zonder dat ze zelf programmeurs hoeven te worden. Het is een brug tussen het onderwijs en het plezier van het spelen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Bridging Pedagogy and Play: Introducing a Language Mapping Interface for Human-AI Co-Creation in Educational Game Design" in het Nederlands.

Probleemstelling

Onderwijsgames hebben het potentieel om kritisch denken, probleemoplossing en motivatie te stimuleren. Echter, docenten vinden het vaak moeilijk om games te ontwerpen die betrouwbaar specifieke leerdoelen bereiken. Bestaande auteuromgevingen verlagen de drempel voor programmeerkennis, maar lossen de fundamentele uitdagingen van educatief game-ontwerp niet op.

• Het kernprobleem: Docenten missen vaak training in game-design en lerenervaringen. Wanneer ze AI-systemen (LLM's) gebruiken, zijn ze vaak afhankelijk van "onduidelijke" suggesties. Dit kan leiden tot games waarbij de pedagogische intentie niet overeenkomt met de gameplay, of waarbij docenten hun regie verliezen en slechts als "goedkeurders" fungeren in plaats van ontwerpers.
• Risico's: Naïef gebruik van LLM's kan leiden tot hallucinaties, misalignement met leerdoelen en een gebrek aan inzicht in hoe de game de leerdoelen ondersteunt. Er is behoefte aan transparantie en fijnmazige controle om de menselijke agentie te behouden.

Methodologie: Het Taal-Mapping Framework

De auteurs hebben een webtool ontworpen die een gecontroleerd natuurlijk taalframework (Controlled Natural Language) gebruikt als centrale interface voor mens-AI samenwerking. In plaats van vrije tekst, fungeert een gestructureerde zinsopbouw als de "brug" tussen pedagogiek en spelmechanica.

Het Kader (De Template):
De basis van het systeem is een specifieke zinsstructuur die pedagogische intentie omzet in spelontwerp:

"Spelers (Studenten) [Bijwoorden] [Werkwoorden] [Zelfstandige naamwoorden] in een [Bijvoeglijke naamwoorden] omgeving."

Elk grammaticaal element heeft een specifieke semantische rol die direct gekoppeld is aan game-design componenten:

1. Zelfstandige naamwoorden (Nouns): Vertegenwoordigen het kernconcept of inhoudsdomein. In de game vertaalt dit zich naar content-modellen en artefacten.
2. Werkwoorden (Verbs): Vertegenwoordigen de waarneembare leeractie. Dit vertaalt zich naar de spelmechanica en interactiepatronen.
3. Bijwoorden (Adverbs): Definieer prestatie-eisen en succescriteria. Dit vertaalt zich naar regels, parameters voor moeilijkheidsgraad en winnende/verliezende condities.
4. Bijvoeglijke naamwoorden (Adjectives): Karakteriseren de context, realiteitsgraad en instructieve toon. Dit vertaalt zich naar esthetiek, narratieve framing en de spelwereld.

Het Ontwikkelproces (Drie Fasen):
De tool leidt de gebruiker door drie fasen:

1. Requirement Extractie: De AI-assistent voert een gestructureerd gesprek om de vier grammaticale elementen te extraheren uit de doelen van de docent. De docent heeft hier de volledige regie en kan specifieke concepten, vaardigheden en contexten specificeren.
2. Taalvertaling (Language Translation): De AI genereert op basis van de pedagogische zin meerdere kandidaat-zinnen in "speltaal" die dezelfde structuur volgen. De interface toont een kleurcodering die de corresponderende elementen tussen de pedagogische zin en de spelzin visueel koppelt. Docenten kunnen alternatieven vergelijken, redeneringen inspecteren en specifieke onderdelen aanpassen.
3. Taalontwikkeling (Language Development): De geselecteerde spelzin wordt verder uitgewerkt. De docent kan via de AI gedetailleerde beschrijvende paragrafen genereren (met voorbeelden van gameplay) en, door op "Zoom In" te klikken, pseudocode genereren. Dit pseudocode dient als blauwdruk voor daadwerkelijke game-ontwikkeling in andere tools.

Technische Implementatie:

• Architectuur: Volledige webapplicatie (Full-stack).
• Front-end: Gebouwd met TypeScript en Node.js voor interactieve interfaces met kleurcodering en directe bewerking.
• Back-end: Python voor data-orkestratie, prompt-construction en logging.
• Database: MongoDB voor het opslaan van projectdata, versies en tussenresultaten.
• AI: Gebruik van de GPT-5 API (zonder fine-tuning), waarbij de output wordt beperkt door gestructureerde prompts die de gecontroleerde template afdwingen.

Belangrijkste Bijdragen

1. Een Nieuw Interface-Paradigma: De introductie van een taalgebaseerde interface die pedagogische intentie expliciet, bewerkbaar en traceerbaar maakt via een gestructureerde zinsopbouw.
2. Mens-AI Samenwerking: Een methode om "Mixed-Initiative Co-Creation" te realiseren waarbij de docent de regie behoudt. De AI fungeert als vertaler en uitbreider, maar de docent inspecteert en valideert elke stap.
3. Traceerbaarheid: Door de directe mapping tussen grammaticale elementen en game-componenten kunnen docenten precies zien hoe een ontwerpkeuze (bijv. een specifieke regel) voortkomt uit een pedagogisch doel.
4. Actievere Output: Het systeem levert geen directe game, maar een gestructureerd ontwerpdocument en pseudocode, wat beter aansluit bij de workflow van educatieve ontwerpers die vaak bestaande tools gebruiken.

Resultaten en Evaluatie (Status)

Het paper presenteert voornamelijk het ontwerp en de architectuur van het systeem.

• Er zijn nog geen uitgebreide empirische resultaten gepresenteerd over de effectiviteit in de klas (dit wordt aangekondigd als toekomstig werk).
• De auteurs stellen dat het systeem potentie heeft om de drempel voor niet-experts te verlagen en de alignment tussen pedagogiek en gameplay te verbeteren.
• De huidige "resultaten" zijn de functionaliteit van de tool zelf: het succesvol genereren van gestructureerde zinnen, het vertalen naar spelmechanica en het produceren van pseudocode.

Significantie

Dit onderzoek is significant omdat het een antwoord biedt op de kritiek dat AI-gereedschappen voor educatief ontwerp vaak "black boxes" zijn.

• Pedagogische Controle: Het stelt docenten in staat om AI-voorstellingen te inspecteren en te corrigeren zonder dat ze programmeerkennis nodig hebben.
• Transparantie: Het maakt de vertaalslag van "wat wil ik leren" naar "hoe werkt de game" expliciet en begrijpelijk.
• Toekomstige Richting: Het biedt een basis voor verder onderzoek naar hoe docenten vertrouwen opbouwen in AI-systemen en hoe deze tools de mentale modellen van educatief ontwerpen kunnen veranderen. De geplande A/B-tests zullen inzicht geven in de superioriteit van deze taal-mapping methode ten opzichte van standaard prompt-engineering.

Kortom, het paper introduceert een innovatieve benadering waarbij taal de brug vormt tussen onderwijsdoelen en spelmechanica, waardoor docenten samen met AI effectiever en transparanter educatieve games kunnen ontwerpen.