Behavioral Modeling of Collaborative Problem Solving in Multiplayer Virtual Reality Manufacturing Simulation Games
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Engineering is an inherently creative and collaborative endeavor to solve real-world problems, in which collaborative problem solving (CPS) is considered one of the most critical professional skills. Hands-on practices and assessment methods are essential to promote deeper learning and foster the development of professional skills. However, most existing approaches are based on out-of-process procedures such as surveys, tests, or interviews that measure the effectiveness of learning activity in an aggregated way. It is desirable to quantify CPS dynamics during the learning process. Advancements in virtual reality (VR) provide great opportunities to realize digital learning environments to facilitate a learning-by-doing curriculum. In addition, sensors in VR systems allow us to collect in-process user behavioral data. This paper presents a multiplayer VR manufacturing simulation game for virtual hands-on learning experiences, as well as a behavioral modeling method for monitoring the CPS skills of participants. First, we developed the Virtual Learning Factory, where users play simulation games of various manufacturing paradigms. Second, we collected action logs from a sample of participants and used the same pattern to generate more data. Third, the behavioral data are modeled as dynamic networks for each player. Last, network features are calculated, and a CPS scoring method is driven from them. Experimental results show that the proposed behavioral modeling successfully captures different patterns of CPS dynamics according to manufacturing paradigms and individuals. This detailed assessment contributes to the development of appropriate student-specific interventions to improve learning outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,006 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle