論文の概要: Learning by gaming, coding and making with EDUMING: A new approach to utilising atypical digital games for learning

• arxiv url: http://arxiv.org/abs/2504.13878v2
• Date: Fri, 25 Apr 2025 08:11:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:52.634476
• Title: Learning by gaming, coding and making with EDUMING: A new approach to utilising atypical digital games for learning
• Title（参考訳）: EDUMINGによるゲーム、コーディング、メイキングによる学習:非定型デジタルゲームによる学習への新たなアプローチ
• Authors: Stefan Pietrusky,
• Abstract要約: 本稿では、EDUMINGの概念を用いて、デジタル学習ゲームの開発を簡単にするための新しい方法を提案する。 ゲームベースの学習のような概念と確立された概念の主な違いは、ゲームが閉じられず、受動的に消費されることである。 この研究は、コンセプトの実践的なテストに対する最初の経験的アプローチとして意図されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Papert's constructionism makes it clear that learning is particularly effective when learners create tangible artifacts and share and discuss them in social contexts. Technological progress in recent decades has created numerous opportunities for learners to not only passively consume media, but to actively shape it through construction. This article uses the EDUMING concept to present a new method to simplify the development of digital learning games and thus support their integration into learning situations. A key difference between the concept and established ideas such as game-based learning, gamification, serious games, etc. is that games are not closed and are consumed passively, but can also be actively developed by users individually by modifying the source code with the help of an IDE. As part of an empirical study, the usability of the game "Professor Chip's Learning Quest" (PCLQ) is recorded, as well as previous experience with digital learning games and the acceptance and motivation to use new technologies. The purpose of this article is to test the PCLQ digital learning game, developed according to the EDUMING concept, as part of an exploratory study regarding its usability, acceptance and suitability for use in schools. The study is intended as a first empirical approach to practical testing of the concept.
• Abstract（参考訳）: パレットの構成主義は、学習者が有形人工物を作成し、それらを社会的文脈で共有し、議論する際に、学習が特に効果的であることを明確にしている。 近年の技術進歩は、学習者がメディアを受動的に消費するだけでなく、建設を通じてそれを積極的に形成する多くの機会を生み出してきた。 本稿では、EDUMINGの概念を用いて、デジタル学習ゲームの開発を簡素化し、学習状況への統合を支援する新しい方法を提案する。 ゲームベースの学習、ゲーミフィケーション、真剣なゲームなどといった概念と確立されたアイデアとの大きな違いは、ゲームはクローズドではなく、受動的に消費されるだけでなく、IDEの助けを借りてソースコードを変更することで、ユーザ個人が積極的に開発できる点である。 実証研究の一環として、ゲーム「PCLQ(Professor Chip's Learning Quest)」のユーザビリティと、デジタル学習ゲームにおける過去の経験、新しいテクノロジの受容とモチベーションが記録されている。 本研究の目的は,学校における使用性,受容性,適合性に関する探索的研究の一環として,EDUMINGの概念に基づいて開発されたPCLQデジタル学習ゲームをテストすることである。 この研究は、コンセプトの実践的なテストに対する最初の経験的アプローチとして意図されている。

関連論文リスト

• Visual Encoders for Data-Efficient Imitation Learning in Modern Video Games [13.241655571625822]
  現代のゲームにおけるトレーニングエージェントに向けたアタリゲームを超えることは、研究コミュニティの大部分にとって違法に高価である。 大規模ビジョンモデルの研究、開発、オープンリリースの最近の進歩は、コミュニティ全体でこれらのコストの一部を償却する可能性がある。 本稿では, Minecraft, Minecraft Dungeons および Counter-Strike: Global Offensive の典型的な, タスク固有のエンドツーエンドトレーニングアプローチと比較して, 公開可能なビジュアルエンコーダを用いた模倣学習の体系的研究を行う。
  論文  参考訳（メタデータ） (2023-12-04T19:52:12Z)
• Accelerate Multi-Agent Reinforcement Learning in Zero-Sum Games with Subgame Curriculum Learning [65.36326734799587]
  ゼロサムゲームのための新しいサブゲームカリキュラム学習フレームワークを提案する。 エージェントを以前に訪れた状態にリセットすることで、適応的な初期状態分布を採用する。 我々は,2乗距離をNE値に近似するサブゲーム選択指標を導出する。
  論文  参考訳（メタデータ） (2023-10-07T13:09:37Z)
• Technical Challenges of Deploying Reinforcement Learning Agents for Game Testing in AAA Games [58.720142291102135]
  本稿では,既存の自動ゲームテストソリューションに,スクリプト型ボットをベースとして,実験的な強化学習システムを追加する取り組みについて述べる。 ゲーム制作において強化学習を活用するためのユースケースを示し、ゲームのために同じ旅をしたいと思う人なら誰でも遭遇する最大の時間をカバーしています。 我々は、機械学習、特にゲーム生産において効果的なツールである強化学習を作るのに価値があり、必要であると考えるいくつかの研究指針を提案する。
  論文  参考訳（メタデータ） (2023-07-19T18:19:23Z)
• Learning to Play Text-based Adventure Games with Maximum Entropy Reinforcement Learning [4.698846136465861]
  我々はテキストベースの環境にソフト・アクター・クリティック(SAC)アルゴリズムを適用する。 報酬形成技術は、エージェントがポリシーをより早く学習し、より高いスコアを得るのに役立つことを示す。
  論文  参考訳（メタデータ） (2023-02-21T15:16:12Z)
• Deep Apprenticeship Learning for Playing Games [0.0]
  複雑な多次元タスクのエキスパート行動に基づく学習モデルの設計の可能性について検討する。 本稿では,強化学習における教師あり学習技術に関する従来の研究をもとに,新しい見習い学習手法を提案する。 本手法は,アタリゲームからの映像フレームに適用し,人工エージェントによるゲームプレイの指導を行う。
  論文  参考訳（メタデータ） (2022-05-16T19:52:45Z)
• A Review of Game-based Mobile E-Learning Applications [0.0]
  本研究は,ゲームベースラーニング(Game Based Learning)と呼ばれる手法を用いて,TESDAのeラーニングプログラムの再編成を促進することを目的とする。 本報告では,本分野のレビューは多いが,本分野ではほとんど行われていないため,TESDA言語技能研究所と技術教育プログラムに焦点をあてる。
  論文  参考訳（メタデータ） (2021-01-11T03:00:18Z)
• DeepCrawl: Deep Reinforcement Learning for Turn-based Strategy Games [137.86426963572214]
  Deep CrawlはiOSとAndroid用の完全にプレイ可能なRogueライクなプロトタイプで、すべてのエージェントがDeep Reinforcement Learning (DRL)を使用してトレーニングされたポリシーネットワークによって制御される。 本研究の目的は、近年のDRLの進歩が、ビデオゲームにおける非プレイヤーキャラクターに対する説得力のある行動モデルの開発に有効であるかどうかを理解することである。
  論文  参考訳（メタデータ） (2020-12-03T13:53:29Z)
• Deep Reinforcement Learning with Stacked Hierarchical Attention for Text-based Games [64.11746320061965]
  自然言語の文脈におけるインタラクティブなシミュレーションであるテキストベースゲームの強化学習について検討する。 エージェントの動作が解釈可能な推論手順によって生成され、支援されるように、意思決定のための知識グラフを用いた明示的な推論を行うことを目指している。 提案手法を多数の人為的ベンチマークゲームで広範囲に評価し,本手法が既存のテキストベースエージェントよりも優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2020-10-22T12:40:22Z)
• Encouraging early mastery of computational concepts through play [0.615738282053772]
  コードを学ぶことは、活動と研究の成長する分野です。 計算の概念は、コンピュータ科学以外の多くの分野において、認知ツールとしてますます使われています。 本稿では,教室やコードクラブにおける遊び心のある計算活動のセットの概念,洗練,設計,評価について述べる。
  論文  参考訳（メタデータ） (2020-05-08T09:47:30Z)
• Learning from Learners: Adapting Reinforcement Learning Agents to be Competitive in a Card Game [71.24825724518847]
  本稿では,競争力のあるマルチプレイヤーカードゲームの現実的な実装を学習・プレイするために,一般的な強化学習アルゴリズムをどのように適用できるかについて検討する。 本研究は,学習エージェントに対して,エージェントが競争力を持つことの学習方法を評価するための特定のトレーニングと検証ルーチンを提案し,それらが相互の演奏スタイルにどのように適応するかを説明する。
  論文  参考訳（メタデータ） (2020-04-08T14:11:05Z)
• Exploration Based Language Learning for Text-Based Games [72.30525050367216]
  本研究は,テキストベースのコンピュータゲームにおいて,最先端の性能を発揮できる探索・模倣学習型エージェントを提案する。 テキストベースのコンピュータゲームは、自然言語でプレイヤーの世界を記述し、プレイヤーがテキストを使ってゲームと対話することを期待する。 これらのゲームは、言語理解、問題解決、および人工エージェントによる言語生成のためのテストベッドと見なすことができるため、興味がある。
  論文  参考訳（メタデータ） (2020-01-24T03:03:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。