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

Titel: Personalisatie van Wiskundig Game-based Learning voor Kinderen: Een Voorlopige Studie

1. Het Probleem

Game-based learning (GBL) wordt breed ingezet in het wiskundeonderwijs om betrokkenheid en kritisch denken te stimuleren. Echter, het creëren van effectieve GBL-systemen stuit op twee fundamentele uitdagingen:

• Schaalbaarheid en Kwaliteit: Het handmatig ontwerpen van tientallen hoogwaardige spelniveaus door experts is tijdrovend en kostbaar.
• Adaptiviteit en Cursatie: Het is onhaalbaar om duizenden door spelers gegenereerde niveaus (User Generated Content) handmatig te beoordelen om te bepalen welke geschikt zijn om te delen. Zonder automatische filtering is het moeilijk om niveaus te leveren die precies aansluiten bij het leervermogen van individuele spelers.

De huidige literatuur richt zich voornamelijk op het voorspellen van leerprestaties, maar er is weinig onderzoek naar het filteren en selecteren van speler-gegenereerde spelniveaus met behulp van machine learning (ML).

2. Methodologie

De auteurs stellen een raamwerk voor dat adaptieve leertheorie combineert met AI-technieken om een classifier te bouwen voor het selecteren van kwalitatieve spelniveaus.

• Dataset:
  • Bron: Een wiskunde-app voor kinderen (leeftijd 5-10) met een "Creative Mode".
  • Omvang: 206 unieke spelniveaus verzameld tussen 2024 en 2025.
  • Samenstelling: 86 door experts ontworpen niveaus en 120 door spelers gegenereerde niveaus.
  • Labeling: Van de 120 speler-niveaus werden er 44 door experts gevalideerd als "geschikt" voor publicatie; de rest werd uitgesloten.
• Feature Extractie:
  • Elke level is gecodeerd in een JSON-bestand.
  • Er zijn 61 variabelen geëxtraheerd en gegroepeerd in vier categorieën:
    1. Speler Karakter: Type karakter en waarden.
    2. Doel: Het einddoel van het level.
    3. Fysieke Objecten: Blokken (ijs, lava), bubbels, platformen (en hun waarden die bij interactie worden opgeteld/afgetrokken).
    4. Obstakels: Wolken, deuren, muren die beweging blokkeren.
• Data Processing:
  • Ontbrekende waarden werden gemarkeerd.
  • Lasso-regressie werd toegepast voor feature selectie en dimensiereductie om de voorspellingsnauwkeurigheid en interpretatie te verbeteren.
• Modellen:
  • Vier ML-classificatiemodellen werden getest:
    1. K-Nearest Neighbors (KNN)
    2. Decision Trees (DT)
    3. Support Vector Machines (SVM)
    4. Random Forest (RF)
  • Validatie: Prestaties werden beoordeeld met behulp van geneste kruisvalidatie (nested cross-validation) om bias te minimaliseren en overfitting te voorkomen.

3. Belangrijkste Resultaten

De prestaties van de modellen werden gemeten aan de hand van nauwkeurigheid, precisie, recall, F1-score en ROC-AUC.

• Optimaal Model: Random Forest (RF) bleek het meest geschikte model.
  • Prestaties (Outer Loop): RF behaalde een nauwkeurigheid van 82,42%, een recall van 72,69% en een F1-score van 72,70%.
  • Vergelijking: Hoewel SVM een hoge ROC-AUC had (86,22%), was RF superieur in het vinden van een balans tussen robuustheid en sensitiviteit. RF was het minst geneigd om door experts goedgekeurde niveaus ten onrechte te verwerpen (lage False Negatives), wat cruciaal is voor het behoud van hoogwaardige content.
• Feature Importance:
  • Lasso-analyse toonde aan dat selectiebeslissingen voornamelijk afhankelijk zijn van een kleine set structurele kenmerken: het aantal spelkarakters, doelen, en de aanwezigheid van specifieke objecten zoals "one-way platforms", "platform bubbles" en "poppable bubbles".
  • Kenmerken uit de categorie "Fysieke Objecten" bleken belangrijker dan "Obstakels". Dit suggereert dat experts niveaus beoordelen op basis van constructieve manipulatie (rekenen en logisch redeneren) in plaats van passieve barrières.

4. Kernbijdragen

1. Nieuw Raamwerk: Een geautomatiseerd systeem dat ML gebruikt om speler-gegenereerde wiskundige niveaus te filteren, waardoor de afhankelijkheid van handmatige curatie door experts wordt verminderd.
2. Validatie van AI in GBL: Het bewijs dat AI-technieken effectief kunnen worden ingezet om de kwaliteit van intrinsiek geïntegreerde educatieve games te waarborgen.
3. Inzicht in Level-Design: De studie identificeert welke structurele elementen (zoals interactieve objecten en doelen) essentieel zijn voor een kwalitatief goed wiskundig spel, in plaats van decoratieve elementen.
4. Persoonlijke Leromgeving: Het biedt een pad naar het leveren van gepersonaliseerde spelniveaus die aansluiten bij het leerpeil van individuele kinderen.

5. Betekenis en Toekomstperspectief

De studie legt een theoretische en praktische basis voor de ontwikkeling van wiskundige GBL-systemen die schaalbaar en adaptief zijn.

• Efficiëntie: Het automatiseert het selectieproces, wat leidt tot een grotere verscheidenheid aan niveaus voor leerlingen zonder kwaliteitsverlies.
• Lerend Effect: Door het garanderen van intrinsiek geïntegreerde niveaus, wordt de motivatie, betrokkenheid en het kritische denken van leerlingen versterkt.
• Beperkingen: De huidige dataset (206 niveaus) is beperkt. Toekomstig werk richt zich op het verzamelen van meer data voor robuustheid, het onderzoeken van andere modules in de Creative Mode, en het verder ontwikkelen van volledig adaptieve systemen op basis van dit raamwerk.

Kortom, dit onderzoek toont aan dat machine learning, en specifiek Random Forest, een krachtige tool is om de kloof te overbruggen tussen de creatieve vrijheid van spelers en de pedagogische eisen van wiskundeonderwijs.