子どものための数学ゲーム型学習のパーソナライズ：予備的研究

arXiv cs.LG / 2026/3/30

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、数学教育におけるゲーム型学習（GBL）の重要な限界として、適切であり、かつ本質的に学習可能なゲームレベルを提供するには、多数の高品質なレベルと学習者の能力に合致したマッチングが必要である点を扱う。
適応的学習理論に基づくAI誘導型のフレームワークを提案し、機械学習を用いて、プレイヤーが生成したコンテンツから妥当で、プレイヤーに適したゲームレベルを分類・予測することを目指す。
著者らは、数学ゲーム型学習アプリの新しい「クリエイティブモード」ツールを用いて、専門家および上級プレイヤーが作成した206の異なるレベルを収集し、これらのレベルから特徴量を設計して分類器を学習させた。
4つのモデル（k近傍法、決定木、サポートベクターマシン、ランダムフォレスト）を比較したところ、予備結果ではランダムフォレストが最良の分類性能を示した。
本研究は、子ども向けのGBL体験をより個別化するために、ゲームレベル設計パイプラインへAIを統合できる可能性があること、また今後のシステム開発に向けた初期的な指針を提供できることを結論づけている。

Abstract

ゲームベース学習（GBL）は、数学教育において広く採用されています。GBLは、数学を学ぶ過程を通じて学習者の関与（エンゲージメント）と批判的思考を高めます。しかし、数学ゲームを通じてプレイヤーが内発的に学習できるようにすることには、依然として課題があります。特に、効果的なGBLシステムには、学習能力に応じて適切なプレイヤーに提供するために、質の高いゲームレベルを数十個と、それらを届ける仕組みが必要です。この課題に対処するため、本研究では適応的学習理論に導かれた枠組みを提案し、人工知能（AI）技術を用いてプレイヤーが生成したレベルの分類器を構築します。私たちは、数学ゲームベース学習アプリにおける新しいツールであるCreative Modeにおいて、専門家および上級プレイヤーの両者によって作成された206の異なるゲームレベルを収集し、ゲームの特徴を抽出して有効なゲームレベルを予測する分類器を開発します。予備的な結果では、4つの機械学習の分類モデル（k近傍法、決定木、サポートベクターマシン、ランダムフォレスト）の中で、ランダムフォレストモデルが最適な分類器であることが示されました。本研究はGBLシステムの開発に関する知見を提供し、AIをゲームレベル設計プロセスに統合することで、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できる可能性を明らかにします。