分享自:

增强AI驱动环境中的数学问题解决能力:集成SEM-神经网络方法

期刊:Computers in Human Behavior ReportsDOI:10.1016/j.chbr.2024.100491

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:


AI驱动环境下提升数学问题解决能力:基于SEM-神经网络整合方法的研究

1. 研究作者、机构及发表信息

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。

2. 学术背景与研究目标

科学领域:本研究属于教育技术(EdTech)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)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)人工神经网络(ANN)的创新分析方法。

3. 研究流程与方法

研究分为以下核心步骤:

(1)实验设计与参与者
  • 样本:71名15-30岁的学生(覆盖高中至研究生阶段),男女比例均衡,采用目的性抽样(purposive sampling)确保参与者均参与数学相关课程。
  • 干预措施:基于游戏化学习(GBL)设计,包含自适应反馈关卡挑战等元素,旨在提升计算思维和数学技能。
(2)数据收集与伦理
  • 测量工具:采用已验证的问卷评估计算思维(CT)课堂参与度数学态度,所有构念的Cronbach’s α均>0.7,显示高信度。
  • 伦理审查:通过大学机构审查委员会批准(编号:H21-EDU-PGE-026),参与者签署知情同意书。
(3)数据分析方法

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。

(4)模型验证
  • 测量模型:所有构念(ACP、MCA、MMS、MP)的组合信度(CR)>0.7平均方差抽取(AVE)>0.5,且通过HTMT判别效度检验
  • 结构模型:方差膨胀因子(VIF)均,排除多重共线性问题。

4. 主要研究结果

(1)性别差异的关键发现
  • MCA对ACP的影响:女性(β=0.85, p<0.001)显著高于男性(β=0.67, p<0.001),支持假设H1(游戏化对女性认知提升更有效)。
  • MCA对MP的影响:仅在总样本中显著(β=0.37, p=0.03),性别分组后不显著,表明男性可能更依赖动机(H2部分支持)。
  • MMS和MP的路径:均无显著影响,提示数学建模需结合其他教学策略。
(2)ANN预测性能
  • 分类准确率:训练集93%、测试集88%,其中ACP3的预测准确率达100%。
  • 变量重要性:MCA2(解释问题解决步骤的能力)对ACP预测的贡献最高(标准化重要性=100%)。
(3)理论贡献
  • 首次整合SEM与ANN分析AI游戏化对数学认知的影响;
  • 揭示性别特异性路径:女性更易受游戏化激励,男性更依赖内在动机。

5. 研究结论与价值

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。

6. 研究亮点

  • 方法创新:首次结合MGA-PLS-SEM与MLP-ANN,兼顾线性与非线性关系分析;
  • 性别视角:揭示游戏化对女性数学认知的独特促进作用;
  • 实践指导:提出“发展适应性”游戏化设计原则,适用于K-12至高等教育。

7. 其他有价值内容

  • 局限性:样本量较小(n=71),未设置对照组;
  • 未来方向:扩大样本、引入对照组,探索跨文化差异。

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。

上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com