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

Resumo Técnico: Personalização de Aprendizagem Baseada em Jogos Matemáticos para Crianças

1. Problema Identificado

A Aprendizagem Baseada em Jogos (GBL - Game-Based Learning) é reconhecida por melhorar o pensamento crítico e o engajamento dos alunos. No entanto, os sistemas GBL atuais enfrentam dois desafios principais:

• Custo de Produção: Criar jogos intrinsecamente integrados (onde a mecânica do jogo é o aprendizado matemático) exige designers dedicados e horas de trabalho para cada nível, limitando a quantidade de conteúdo disponível.
• Filtragem e Adaptação: Com o surgimento de modos criativos onde os jogadores geram seus próprios níveis (UGC - User-Generated Content), torna-se inviável a revisão manual por especialistas de milhares de níveis criados. Além disso, é difícil fornecer níveis adaptativos que correspondam às habilidades de aprendizado individuais de cada jogador.
• Lacuna na Pesquisa: Embora existam estudos sobre previsão de desempenho do aluno usando Machine Learning (ML), há pouca pesquisa focada no uso de ML para filtrar e classificar níveis de jogos gerados por jogadores.

2. Metodologia

O estudo propõe um quadro de trabalho (framework) guiado pela teoria da aprendizagem adaptativa, utilizando técnicas de Inteligência Artificial para automatizar a seleção de níveis.

• Conjunto de Dados:
  • Fonte: Um aplicativo de GBL matemático para crianças de 5 a 10 anos.
  • Amostra: 206 níveis distintos extraídos do "Modo Criativo" (2024-2025).
  • Composição: 86 níveis desenhados por especialistas e 120 níveis gerados por jogadores avançados.
  • Validação: Dos 120 níveis de jogadores, 44 foram validados por especialistas para uso público, enquanto os demais foram rejeitados.
• Engenharia de Características (Features):
  • Extração de variáveis de arquivos JSON de cada nível.
  • Classificação das 61 variáveis em quatro grupos principais:
    1. Personagem do Jogador: Tipo e valor do personagem.
    2. Objetivo: A meta de conclusão do jogo.
    3. Objetos Físicos: Blocos de gelo, lava, bolhas, plataformas (unidirecionais, pegajosas, etc.).
    4. Obstáculos: Nuvens, portas, paredes quebráveis.
  • Pré-processamento: Uso de regressão Lasso para seleção de características e redução de dimensionalidade, melhorando a interpretabilidade e a precisão.
• Modelos de Machine Learning:
  • Foram treinados e comparados quatro classificadores:
    1. K-Nearest Neighbors (KNN)
    2. Árvores de Decisão (DT)
    3. Máquinas de Vetor de Suporte (SVM)
    4. Floresta Aleatória (Random Forest - RF)
  • Validação: Avaliação rigorosa utilizando validação cruzada aninhada (nested cross-validation) para minimizar viés e evitar overfitting.

3. Contribuições Principais

• Framework de Filtragem Automatizada: Propõe um pipeline que usa ML para identificar níveis gerados por jogadores que são pedagogicamente válidos antes da revisão final por especialistas.
• Integração de IA no Design de Níveis: Demonstra como a IA pode ser integrada ao processo de design de jogos para fornecer níveis personalizados e intrinsecamente matemáticos em escala.
• Análise de Importância de Características: Identifica quais elementos estruturais do jogo (e não apenas elementos decorativos) são os principais preditores da qualidade de um nível segundo a visão dos especialistas.

4. Resultados Preliminares

• Desempenho dos Modelos:
  • O modelo de Floresta Aleatória (Random Forest - RF) foi identificado como o classificador ótimo entre os quatro testados.
  • Métricas (Validação Cruzada Externa):
    • Precisão (Accuracy): ~82.42%
    • Recall: ~72.69%
    • F1-Score: ~72.70%
    • ROC-AUC: ~86.57%
  • O RF superou consistentemente os outros modelos (KNN, DT, SVM), especialmente em termos de Recall e F1-Score.
  • Matriz de Confusão: O RF foi o menos propenso a descartar falsos negativos (níveis validados por especialistas que o modelo rejeitaria), um requisito crítico para preservar conteúdo gerado pelo usuário de alta qualidade.
• Características Mais Importantes (Feature Importance):
  • A análise Lasso revelou que as decisões de seleção dependem principalmente de uma pequena estrutura de características centrais:
    • Número de personagens e objetivos.
    • Presença de plataformas unidirecionais, bolhas de plataforma e bolhas "estouráveis".
  • Interpretação: As características de "Objetos Físicos" (que permitem manipulação construtiva e raciocínio lógico) foram mais importantes do que as de "Obstáculos" (barreiras passivas). Isso sugere que a qualidade do nível está ligada à estrutura das ações matemáticas e objetivos, e não a elementos periféricos.

5. Significância e Conclusão

• Escalabilidade: O estudo demonstra a viabilidade de usar IA para gerenciar grandes volumes de níveis gerados por jogadores, substituindo a curadoria manual intensiva em mão de obra.
• Personalização: O sistema permite entregar níveis adaptados às habilidades individuais dos alunos, promovendo uma prática cumulativa necessária para o domínio matemático.
• Qualidade Pedagógica: Ao focar na integridade estrutural do jogo (mecânicas de resolução de problemas), o framework garante que os níveis selecionados ofereçam experiências de aprendizado intrinsecamente integradas.
• Limitações e Futuro: O estudo é preliminar e limitado pelo tamanho do conjunto de dados (206 níveis). Trabalhos futuros visam coletar mais dados para aumentar a robustez, explorar outros módulos do jogo e refinar a personalização adaptativa.

Em suma, o artigo estabelece uma base teórica e prática para o desenvolvimento de jogos de matemática mais inteligentes, onde a IA atua como um filtro de qualidade essencial para a personalização da aprendizagem.