論文の概要: Personalizing Mathematical Game-based Learning for Children: A Preliminary Study

• arxiv url: http://arxiv.org/abs/2603.25925v1
• Date: Thu, 26 Mar 2026 21:31:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.284103
• Title: Personalizing Mathematical Game-based Learning for Children: A Preliminary Study
• Title（参考訳）: 子どもに対する算数学習のパーソナライズ : 予備的研究
• Authors: Jie Gao, Adam K. Dubé,
• Abstract要約: ゲームベースラーニング(GBL)は数学教育において広く採用されている。 本稿では、AI技術を用いてプレイヤー生成レベルの分類器を構築する適応学習理論によって導かれるフレームワークを提案する。 数学ゲームベースの学習アプリCreative Modeでは、専門家と上級プレイヤーの両方が作成した206の異なるゲームレベルを収集しています。
• 参考スコア（独自算出の注目度）: 3.9039335134518254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Game-based learning (GBL) is widely adopted in mathematics education. It enhances learners' engagement and critical thinking throughout the mathematics learning process. However, enabling players to learn intrinsically through mathematical games still presents challenges. In particular, effective GBL systems require dozens of high-quality game levels and mechanisms to deliver them to appropriate players in a way that matches their learning abilities. To address this challenge, we propose a framework, guided by adaptive learning theory, that uses artificial intelligence (AI) techniques to build a classifier for player-generated levels. We collect 206 distinct game levels created by both experts and advanced players in Creative Mode, a new tool in a math game-based learning app, and develop a classifier to extract game features and predict valid game levels. The preliminary results show that the Random Forest model is the optimal classifier among the four machine learning classification models (k-nearest neighbors, decision trees, support vector machines, and random forests). This study provides insights into the development of GBL systems, highlighting the potential of integrating AI into the game-level design process to provide more personalized game levels for players.
• Abstract（参考訳）: ゲームベースラーニング(GBL)は数学教育において広く採用されている。 数学の学習過程を通じて、学習者のエンゲージメントと批判的思考を高める。 しかし、プレイヤーが数学ゲームを通して本質的に学習できることは、依然として課題である。 特に、効果的なGBLシステムは、学習能力に合った方法で適切なプレイヤーにゲームを提供するために、何十もの高品質なゲームレベルとメカニズムを必要とする。 この課題に対処するために,人工知能(AI)技術を用いてプレイヤー生成レベルの分類器を構築する適応学習理論によって導かれるフレームワークを提案する。 算数ゲームベースの学習アプリの新しいツールであるCreative Modeで、専門家と上級プレイヤーの両方が作成した206個の異なるゲームレベルを収集し、ゲームの特徴を抽出し、有効なゲームレベルを予測する分類器を開発した。 予備的な結果は、ランダムフォレストモデルが4つの機械学習分類モデル(k-nearest neighbors、決定木、サポートベクターマシン、ランダムフォレスト)の最適分類であることを示している。 本研究は,GBLシステム開発に関する知見を提供し,ゲームレベル設計プロセスにAIを統合することにより,よりパーソナライズされたゲームレベルをプレイヤーに提供する可能性を明らかにする。

関連論文リスト

• ChatPCG: Large Language Model-Driven Reward Design for Procedural Content Generation [3.333383360927007]
  本稿では,大規模言語モデル(LLM)による報酬設計フレームワークChatPCGを提案する。 ゲーム専門知識と組み合わさった人間レベルの洞察を活用して、特定のゲーム機能に合わせた報酬を自動的に生成する。 ChatPCGは深層強化学習と統合されており、マルチプレイヤーゲームコンテンツ生成タスクの可能性を示している。
  論文  参考訳（メタデータ） (2024-06-07T08:18:42Z)
• Instruction-Driven Game Engines on Large Language Models [59.280666591243154]
  IDGEプロジェクトは、大規模な言語モデルが自由形式のゲームルールに従うことを可能にすることで、ゲーム開発を民主化することを目的としている。 我々は、複雑なシナリオに対するモデルの露出を徐々に増大させるカリキュラム方式でIDGEを訓練する。 私たちの最初の進歩は、汎用的なカードゲームであるPoker用のIDGEを開発することです。
  論文  参考訳（メタデータ） (2024-03-30T08:02:16Z)
• Unsupervised Hebbian Learning on Point Sets in StarCraft II [12.095363582092904]
  本稿では,StarCraft IIゲームユニットにおける点集合のグローバルな特徴を抽出するヘビアン学習手法を提案する。 我々のモデルはエンコーダ、LSTM、デコーダを含み、教師なし学習法でエンコーダを訓練する。
  論文  参考訳（メタデータ） (2022-07-13T13:09:48Z)
• Human-Level Reinforcement Learning through Theory-Based Modeling, Exploration, and Planning [27.593497502386143]
  理論に基づく強化学習は、人間のような直感的な理論を使って環境を探索しモデル化する。 EMPAと呼ばれるゲームプレイエージェントのアプローチをインスタンス化する。 EMPAは90のAtariスタイルのビデオゲームで人間の学習効率と一致します。
  論文  参考訳（メタデータ） (2021-07-27T01:38:13Z)
• AI in (and for) Games [0.9920773256693857]
  この章では、人工知能(AI)/機械学習(ML)アルゴリズムとデジタルゲームとの関係について概説する。 一方、ai/ml研究者は、人間の感情的活動、プレイヤーの行動に関する大規模かつ内部的なデータセットを生成できる。 一方、ゲームは知的アルゴリズムを利用して、ゲームレベルのテストの自動化、コンテンツの生成、知的でレスポンシブな非プレイヤーキャラクタ(NPC)の開発、プレイヤーの振る舞いの予測と応答を行うことができる。
  論文  参考訳（メタデータ） (2021-05-07T08:57:07Z)
• Teach me to play, gamer! Imitative learning in computer games via linguistic description of complex phenomena and decision tree [55.41644538483948]
  本稿では,複雑な現象の言語記述に基づく模倣による新しい機械学習モデルを提案する。 この手法は,ゲーム開発における知的エージェントの動作を設計し,実装するための優れた代替手段となる。
  論文  参考訳（メタデータ） (2021-01-06T21:14:10Z)
• 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)

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。