刘 霖，刘 强，袁 勇
（国防科技大学 计算机学院，湖南 长沙 410073）
2002年，华盛顿特区伍德罗威尔逊国际学者中心发起“严肃教学计划”，鼓励开展可用于解决政策和管理相关问题的游戏设计与开发［1］，由此衍生出严肃游戏（也称应用游戏）的概念。在2012年的严肃游戏高峰会上［2］，中国传媒大学动画与数字艺术学院教授、中视典数字科技首席战略官费广正围绕应用游戏的基本概念、社会价值、如何促进应用以及设计原则、开发模式等问题进行阐述，认为应用游戏不是游戏的严肃化，而是游戏概念的扩大。应用游戏的行业范围不应仅停留在娱乐行业，而要扩大到各领域各行业的知识传播、技能培训、情趣培养等方面。数字游戏能够模拟实操环境供学习者反复练习［3-4］，具有安全和低学习成本的特点。许多教育工作者将游戏与教学相结合，研究如何通过游戏的多元感官环境充分调动学习者的动觉、听觉和视觉，以提供更具强度、活力和新异性的活动刺激［5］，使学习者能够迅速地注意并接受学习内容。
近几年，计算机教育游戏已经得到计算机教育科学研究人员越来越多的关注，包括SIGCSE在内的多个计算机教育顶级国际会议都有相关工作。虽然国际上一些学者近几年就教育游戏做了很多尝试性工作［6］，例如Cyber-CIEGE［7］、CyberAware［8］、基于严肃类游戏的学习［9-10］等。但是，在大多数情况下，都是学生自主探索游玩。事实上，教育教学工作是在教师和学生良好融洽的配合下顺利进行的，教师科学备课和学生自主学习的动力是教育教学工作开展的两大关键性因素。目前，严肃类游戏教学在这两大关键性因素上还存在如下问题：在教学初期，教师无法掌握学生的具体学习情况，难以实施针对性、个性化的教学；
学生在学习知识时也容易在某个知识点的掌握上出现问题，严重影响后续知识学习，或造成学习积极性遭受严重挫伤。学情分析可为解决上述问题发挥重要作用，它是教学设计的关键环节，也是设计并实施高质量教学活动的重要保障。在强调以学生为中心的改革理念下，学情分析更成为一个关键的教学要素，引导和推动着整个教学活动［11］。目前国内尚无权威的、面向严肃游戏的学情分析模型。因此，设计一个合理的学习者玩家学情分析模型，帮助施教者动态掌握受教者的学习情况，包括受教者群体的总体特征以及受教者个体的差异性特征，是基于严肃游戏的教育教学亟需解决的问题。
本文以严肃类教学游戏玩家学情分析为设计目标，提出一个基于聚类算法的学习者玩家学情分析模型。此模型主要描述严肃类教学游戏从数据采集到聚类分析算法的应用，帮助教学游戏开发人员在系统设计过程中完善教学反馈机制，使游戏结果产出能更有效地支撑常规的教育教学过程。
本模型以云服务器为基本条件，在严肃类教学游戏开发设计过程中，开展详细的游戏反馈数据结构设计。另一方面，模型使用者在得到对应数据后，将数据从数据库中取出，从数据中抽取特征，继而分析数据。
玩家注册模块设计是访问数据反馈的网页，并将玩家注册的基本信息发送到云服务器网页中。云服务器在完成数据合法性校验后将信息插入数据库中。本地系统也针对这一功能设计登录信息采集模块，并提供反馈注册结果的方式。本模型涉及的登录信息采集流程见图1。
Fig.1 Workflow of collecting login data图1 登录信息采集流程
同样，严肃类教学游戏在设计的时候需统计玩家答题的信息以及玩家的游玩时间。这2个数据字段的设计是模型开展数据分析的基础，也是客观上玩家在参与严肃游戏教学时能反馈的核心数据，采集此数据能让后续数据分析更具有客观性，减少玩家主观性带来的影响。而其采集模块设计思想与上述类似，答题数据采集流程如图2。
Fig.2 Workflow of collecting question answer data图2 答题数据采集流程
最后，在数据库获取到用户已填写的反馈数据后，本模型针对玩家反馈数据开展数据分析，将所采集到的数据进行对象化处理并分类。依据所设计的题目信息与玩家答题情况，针对每道题目、每位玩家答题结果开展数值计算，以数值计算的结果选取特征，进一步进行模型训练，并做出对应的可视化图表供施教者了解信息。数据分析流程见图3。
Fig.3 Workflow of data analysis图3 数据分析流程
将前文的模型内容汇总，得到所设计的学习者玩家学情分析模型总体框架，如图4。
Fig.4 Overall architecture of players" learning situation analysis model图4 学习者玩家学情分析模型总体架构
2.1 游戏反馈数据的准备及其预处理
本模型使用到的训练数据按照模型设计中所规定的数据结构组织，在推广公测后，由系统自动采集用户在真实游戏游玩过程中的反馈数据。游戏反馈数据采集流程如图5。
Fig.5 Workflow of collecting game feedback data图5 游戏反馈数据采集流程
具体来讲，游戏反馈数据的结构由表1所示内容构成。
Table 1 Data structure of game feedback data表1 游戏反馈数据结构
完成玩家反馈数据采集后，模型基于已有的数据开展数据预处理。数据信息从数据库中取出后存入各字典中。经过数据预处理后的游戏反馈数据构成如表2。
Table 2 Data structure of game feedback data after preprocessing表2 数据预处理后的游戏反馈数据结构
2.2 面向聚类分析的混合特征选择
2.2.1 主要思想
首先，通过收集到的题目数据计算每个题目难度系数；
通过玩家答题信息得到每位玩家在每个题目上尝试的次数；
通过上述2个数据计算得到学习者玩家在每道题目上的综合得分；
最后将该玩家所有题目的综合得分相加得到其综合表现得分。
在上述工作基础上，选取学习者玩家填写的年级信息、每道题目的综合得分以及玩家的综合表现为聚类特征，开展基于聚类算法的数据分析。
2.2.2 具体流程
（1）难度系数（QW）为对题目难度的评估指标，后续用作玩家分数计算。其计算公式如下：
（2）通过玩家答题历史记录，得到每个题目每个玩家的尝试次数N。
（3）每个题目难度系数越大，常数N越小表明玩家在此题目上的综合得分较高。因此使用QW与1/N相乘，但实际上玩家答题一次便成功的得分与玩家两次尝试的得分之间的差距不应比两次尝试得分与十次才成功的差距要大，常数N取倒数会导致数据及其不平滑。对1/N采取双曲正切激活函数处理，最终得到每个题目的得分：
（4）计算该玩家的综合表现。
（5）考虑到专业年级对玩家知识能力掌握有着比较大的影响，故将玩家填写的年级信息进行数值化处理，得到另一种特征Grade。
（6）对Score（i），TotalScore，Grade所有特征进行归一化处理。这里采取两种归一化处理的方式，针对得分的数据，采取标准差标准化，计算公式如下：
针对数值化处理后的年级信息采取线性归一化。计算公式如下：
至此，数据处理过程基本结束，下一步即可采取聚类算法对学习者玩家进行分析。
使用文献【12】中的网络安全严肃游戏教学系统作为工作基础，开展玩家学情分析模型应用效果分析。
3.1 计算题目难度
根据题号将其对应的难度系数一一标注出来，部分结果如图6，其中空值表明相应的题目不存在玩家回答错误。
Fig.6 Difficulty coefficient of questions（partial）图6 题目难度系数（部分）
3.2 计算玩家单个题目的得分
由式（2）计算玩家在每个题目上的得分，图7展示的是某玩家的部分题目得分情况。
Fig.7 Single player"s score（partial）图7 单个玩家的题目得分情况（部分）
3.2 计算玩家综合得分
由式（3）—（6）计算每个玩家的综合得分，得到玩家的综合表现情况。图8展示了部分玩家的综合表现得分情况。
Fig.8 Players" scores of comprehensive performance（partial）图8 玩家综合表现得分（部分）
3.4 开展聚类分析
基于上述结果，使用不同的聚类算法开展聚类结果的对比分析，以初步验证本文提出的学情分析模型的现实可行性。在制图时，为方便展示，图片仅展示学生年级（Grade）和玩家综合表现得分（Score）两个总体特征。
图9展示了k-means、DBSCAN、AgglomerativeClustering和k-means++4种聚类算法的聚类结果。
Fig.9 Comparative results of different clustering algorithms with respect to real game feedback data图9 基于实际采集到的教学游戏反馈数据的不同聚类算法分析结果
根据游戏玩家有无信息安全基础的实际标签情况，以不同形状的数据点表示运行聚类算法后得到的不同数据类别，叉形数据点表示相应的游戏玩家是无信息安全基础学习者，圆形数据点表示的是有信息安全基础学习者。从结果可知，不同玩家之间的学习情况差异较大，具有明显的聚集性特点。因此，通过综合聚类结果和游戏玩家的答题对错结果可以预测该玩家是否为信息安全专业学习者。
值得一提的是，虽然当前实际采集的数据样本数量有限，但上述聚类结果初步表明，施教者在使用严肃类教学游戏系统开展教学活动时，可以通过玩家的游戏数据反馈情况来推断其学科专业方向。在此基础上，教师也可以为不同基础玩家在后续学习中视具体情况提升或降低授课难度，或以此为标准自适应严肃游戏教学难度。同时，在使用模型进行分析时，也得到不同层次的学习者数据特点区别明显的结果。而数据反馈字段还可以提取出玩家在每个知识领域的题目作答情况，综合此信息，可以得到学习者不同研究领域的能力图。严肃游戏在设计时也可以实现精准投送知识点，使严肃游戏使用者能够有针对地补充知识。除此之外，模型使用者还可以根据字段进行更多针对性数据分析以提升教学效果。这也证明模型在学情分析方面具有现实可行性。
20多年来，来自教育界的理论和实践研究表明，基于严肃游戏的教学效果明显，未来发展空间广阔。然而严肃游戏教学仍存在学情分析不足的问题，影响施教者对受教者的整体特征和差异性特征的掌握程度，也挫伤了受教者使用严肃游戏教学系统的积极性。
本文提出一个面向严肃游戏的学习者玩家学情分析模型。具体来讲，首先从严肃游戏教学系统的反馈数据入手，设计了一系列游戏反馈数据的数据结构；
基于此数据结构，设计并实现了一个学习者玩家数据分析流程；
基于网络空间安全虚拟仿真教学系统，展示所提出模型的应用过程和效果。数据分析结果表明，本文设计的反馈数据结构特征具有明显的聚集性，通过聚类能够有效地将不同学科专业方向的玩家区别开来。
未来，严肃游戏教学系统开发者可以拓展本模型来实现更深层次的数据分析，以期根据不同学习者对不同知识领域的掌握情况来实施精准的知识单元推荐。此外，施教者可以拓展本模型来研究不同受教者之间的差异性特征，帮助其优化教学过程。
猜你喜欢分析模型学情聚类基于BERT-VGG16的多模态情感分析模型成都信息工程大学学报(2022年4期)2022-11-18针对学情，实干巧干新世纪智能(教师)(2021年3期)2021-05-21作业批改中如何了解学情甘肃教育(2020年6期)2020-09-11立足学情以点带面初中生世界·初中教学研究(2020年1期)2020-04-30基于DBSACN聚类算法的XML文档聚类电子测试(2017年15期)2017-12-18基于高斯混合聚类的阵列干涉SAR三维成像雷达学报(2017年6期)2017-03-26例说依据学情开展课堂教学的必要性中学历史教学(2016年7期)2016-12-01层次分析模型在结核疾病预防控制系统中的应用中国医学装备(2016年6期)2016-12-01全启发式语言分析模型燕山大学学报(2015年4期)2015-12-25一种层次初始的聚类个数自适应的聚类方法研究电子设计工程(2015年6期)2015-02-27
