Mining Event-Stream Learner Profiles in an Educational Math Game
Notice bibliographique
Résumé
Educational games can provide rich, interactive environments for learning, generating extensive event-stream data that can offer deep insights into student behavior and learning outcomes. However, research on mining learner profiles from event-stream play data remains limited, particularly in adaptive game-based environments. This study applies learning analytics and educational data mining (LA/EDM) methods to analyze student playstyles in My Math Academy, a game-based adaptive learning system. Using a predictive profiling approach, we employ interpretable tree-based models to identify distinct learner groups based on in-game interactions and their relationship to learning outcomes. Results reveal five learner profiles: high-volume learners, slow-paced learners, selective-cancel high-success learners, fast-paced learners, and low-duration learners. Each group exhibits unique behavioral patterns in usage, pacing, and playstyle, especially highlighting the nuanced relationship between time on task and learning. These findings reinforce the importance of adaptive learning environments that support diverse learner needs and inform instructional design tailored to individual student trajectories. By integrating educational research with industry best practices in player profiling, this study contributes to the growing body of research at the intersection of learner profiles and game-based LA/EDM. More broadly, this deeper understanding of student profiles in immersive, adaptive digital learning environments provides a foundation for more responsive, data-driven educational design-fostering richly personalized learning experiences tailored to student pacing, interaction style, and performance.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».