这篇文档属于类型a,即报告了一项原创性研究。以下是针对该研究的学术报告:
本研究由Anass Bayaga(南非西开普大学)完成,发表于期刊Computers in Human Behavior Reports(2024年9月30日在线发表)。研究标题为《Enhancing Mathematics Problem-Solving Skills in AI-Driven Environment: Integrated SEM-Neural Network Approach》,探讨了人工智能(AI)与游戏化(gamification)在数学认知中的协同作用。
科学领域:本研究属于教育技术(EdTech)与数学教育的交叉领域,结合了人工智能(AI)、游戏化学习(Game-Based Learning, GBL)和计算思维(Computational Thinking, CT)的理论框架。
研究背景:
- AI和游戏化在教育中的应用已被证明能提升学生参与度和成绩,但针对数学问题解决能力(尤其是性别差异)的研究仍不足。
- 现有文献主要关注三大主题:
1. AI对教育成果的影响(如学生表现、AI教学应用);
2. 游戏化学习(GBL)与学习参与度的关系;
3. 计算思维(CT)与数学教育的关联。
- 这些研究存在空白,例如:AI在教育中的理论应用不足、GBL的实践机制需进一步探索、CT在K-12数学教育中的整合尚未系统化。
研究目标:
- 探究AI驱动的游戏化如何影响数学认知,重点关注性别差异;
- 验证数学与计算算法(MCA)、数学建模与模拟(MMS)、数学原则的抽象与具体表征(MP)以及类比比较原则(ACP)之间的路径关系;
- 提出一种结合多组偏最小二乘结构方程模型(MGA-PLS-SEM)和人工神经网络(ANN)的创新分析方法。
研究分为以下核心步骤:
研究采用两种互补的分析技术:
1. 多组PLS-SEM(MGA-PLS-SEM):
- 用于检验性别差异对MCA→MP→ACP路径的调节作用;
- 通过Bootstrap多组分析验证路径系数的性别差异显著性。
2. 人工神经网络(ANN):
- 采用多层感知机(MLP)架构,输入层8个节点(对应MCA1-MCA8),隐藏层15个节点(激活函数为双曲正切),输出层7个节点(对应ACP1-ACP7);
- 优化算法为缩放共轭梯度下降,损失函数为交叉熵误差。
科学价值:
- 为AI教育中的性别差异研究提供实证支持;
- 提出“动态游戏化设计”框架,强调需根据学习者性别和年龄调整GBL策略。
应用价值:
- 建议教育者将游戏化元素(如积分、徽章)融入数学课程;
- 为政策制定者提供数据支持,推动个性化AI教育工具开发。
此报告全面涵盖了研究的背景、方法、结果与意义,可作为同行研究者参考的学术资料。