Utafiti huu ulichunguza ikiwa matriksi ya Q inayotumiwa kubainisha ujuzi wa utambuzi unaopimwa na michezo ya kidijitali ya elimu inaweza kupimwa kwa data ya utendaji wa wanafunzi badala ya kuachiwa maoni ya wataalamu pekee. Data kutoka jukwaa la elimu lililofanywa mchezo liitwalo Okosdoboz nchini Hungaria inahusisha wanafunzi 261, kazi 38 za mchezo na ujuzi 18 wa utambuzi, kama vile utatuzi wa matatizo, kumbukumbu, umakinifu, upangaji, fikra za kinamba, muda wa mwitikio na utambuzi wa hisia.

Watafiti hawakutumia matriksi ya Q inayoonyesha mahusiano kati ya kazi na ujuzi kama ingizo lisilobadilika; waliibadilisha kuwa kipengele cha modeli kinachoweza kujifunza, kinachoanzishwa kwa lebo za wataalamu lakini kinaweza kubadilika kupitia uenezaji wa nyuma wakati wa mafunzo. Modeli ya Neuroni ya Utambuzi wa Kiakili ilibainisha upya asilimia 87 ya miunganisho ya kazi-ujuzi iliyofafanuliwa na wataalamu wakati utabiri thabiti kutoka mafunzo 20 tofauti ulipotumiwa. Modeli pia ilipendekeza mahusiano ya ujuzi wa pili yanayoonyesha kuwa baadhi ya michezo inaweza kutegemea michakato mingi ya utambuzi badala ya ujuzi mmoja.

Kiwango cha urejeshaji wa matriksi ya Q cha mbinu ya NeuroCDM kilibaki juu ya asilimia 68 ya mbinu ya Uchanganuzi wa Matriks Isiyo Hasi. Katika ulinganisho tofauti ambapo ujuzi kumi na minane ulipunguzwa kuwa sifa 12 zilizounganishwa kwa madhumuni ya ukokotoaji, NCDM ilionyesha ulinganifu wa asilimia 91,4 na G-DINA takribani asilimia 40. Hata hivyo, tofauti ya mafanikio ya utabiri ni ndogo zaidi: AUC ilikuwa 0,86858 kwa matriksi ya Q ya wataalamu na ikaongezeka hadi 0,87338 kwa matriksi iliyopanuliwa na NCDM. Ongezeko hili la takribani vitengo 0,0048 vya AUC linadokeza kuwa modeli inaweza kueleza muundo wa ujuzi kwa undani zaidi, lakini halimaanishi ongezeko kubwa la utendaji wa vitendo.

Utafiti pia unaonyesha kuwa profaili za ujuzi wenye nguvu na dhaifu zinazomhusu kila mwanafunzi zinaweza kutolewa kutoka rekodi za mchezo. Hata hivyo, profaili hizi si utambuzi wa kitabibu, utambuzi wa tatizo maalum la kujifunza wala kipimo dhahiri cha uwezo binafsi. Utafiti haujapitiwa na wataalamu rika; sampuli yake ni ndogo, mbinu ya kugawanya data haijaelezwa vya kutosha, na kwa kuwa modeli ilianzishwa kutoka matriksi ya wataalamu, ulinganifu mkubwa na lebo za wataalamu hauwezi kufasiriwa kuwa uthibitishaji huru kabisa.

Matriksi ya Q ni nini na kwa nini ni muhimu?

Modeli za utambuzi wa kiakili hulenga kutabiri ni katika ujuzi gani mdogo mwanafunzi ana nguvu au udhaifu badala ya kukokotoa alama yake ya jumla pekee. Kwa hili, jedwali la ulinganishaji linaloonyesha sifa za utambuzi zinazohitajika na kila kazi linahitajika. Jedwali hili huitwa matriksi ya Q.

Safu mlalo za matriksi ya Q zinawakilisha kazi, huku safu wima zikiwakilisha ujuzi. Katika matriksi ya kawaida ya thamani mbili, seli yenye 1 inaonyesha kuwa kazi husika inahitaji ujuzi huo; 0 inaonyesha kuwa haiuhitaji. Kwa mfano, ikiwa kazi ya mchezo inahitaji upangaji, umakinifu na kumbukumbu ya kuona, miunganisho inaweza kuwepo katika safu wima hizi tatu.

Muundo huu unapofafanuliwa vibaya, tatizo haliishii katika uainishaji wa kazi. Profaili ya ujuzi wa mwanafunzi, ugumu wa kazi, uwezekano wa mafanikio na mapendekezo ya maudhui yaliyobinafsishwa pia yanaweza kukokotolewa vibaya. Hoja ya kuanzia ya utafiti ni kwamba, hasa katika kazi zilizofanywa mchezo, wataalamu kubainisha “ujuzi mkuu” mmoja kunaweza kurahisisha kupita kiasi mchakato halisi wa utambuzi.

Utafiti ulijaribu maswali gani?

Utafiti ulifanywa kwa dhana tatu kuu:

1. Dhana ya uthibitishaji: Modeli ya neuroni inapaswa kuweza kubainisha upya miunganisho mingi ya kazi-ujuzi iliyoundwa na wataalamu kupitia data halisi ya utendaji.
2. Dhana ya vipimo vingi: Mahitaji ya ujuzi wa pili na uliofichika yanapaswa kuonekana katika baadhi ya kazi zinazodhaniwa kupima ujuzi mmoja.
3. Dhana ya marekebisho: Katika kazi ambapo modeli na maoni ya wataalamu yanatofautiana wazi, ujuzi tofauti na sifa iliyochaguliwa na mtaalamu kuwa ujuzi mkuu unaweza kuonekana kutawala zaidi kwa ushahidi wa data.

Watafiti pia walilinganisha mbinu ya neuroni na mbinu za NMF na G-DINA, wakajaribu kama matokeo yalibadilika chini ya vizingiti tofauti vya mafanikio, na kuchunguza kwa mifano uwezo wa modeli kutoa profaili ya ujuzi katika kiwango cha mwanafunzi.

Data ilitoka wapi?

Data ilitokana na mwingiliano wa michezo wa watumiaji waliosajiliwa kwenye jukwaa la elimu la Okosdoboz lenye makao yake Hungaria, linalofanya kazi tangu 2016. Jukwaa hutoa mazoezi yanayohusiana na mtaala wa shule na michezo inayolenga kukuza ujuzi wa utambuzi. Rekodi ghafi zilizotumiwa katika utafiti zinahusisha kipindi cha 2016–2025.

Watumiaji waliokamilisha angalau vipindi 30 tofauti vya mchezo pekee ndio waliojumuishwa katika uchanganuzi. Baada ya kichujio cha wanafunzi, kazi zilizochezwa angalau mara 27 zilihifadhiwa. Kazi iliyochezwa zaidi ilifikia vipindi 3.597, huku wastani wa idadi ya michezo kwa kila kazi ukiwa 515,6. Robo ya kwanza ya mgawanyo iliripotiwa kuwa 120,25, mediani 194 na robo ya tatu 490,75. Vipindi vyenye muda usio halisi wa kukamilisha viliondolewa ili kupunguza uwezekano wa kubofya kwa bahati mbaya au kutoshiriki vya kutosha katika kazi.

Data ya watumiaji ilichakatwa kwa vitambulisho bandia kabla ya uchanganuzi. Kulingana na maandishi, masharti ya matumizi na faragha ya jukwaa yanaruhusu data ya mchezo isiyomtambulisha mtu kutumiwa katika utafiti na uendelezaji, na idhini ya wazazi inahitajika kwa usajili wa watumiaji watoto. Hata hivyo, jina la kamati huru ya maadili, namba ya idhini au tarehe ya mapitio haikuripotiwa.

Alama za michezo tofauti ziligeuzwaje kuwa kipimo cha pamoja?

Kwa kuwa mifumo ya alama ya michezo ni tofauti, alama ghafi hazikulinganishwa moja kwa moja. Kila kazi ya mchezo ilisawazishwa ndani ya mgawanyo wake wa alama. Kwa alama ghafi ya mwanafunzi ikatika kazi j, alama ya z iliyotumiwa ni hii:

\[ z_{i,j} = \frac{x_{i,j}-\mu_j}{\sigma_j} \]

Hapa:

• x_i,j, ni alama ghafi aliyopata mwanafunzi katika kazi.
• μ_j, ni wastani wa alama ya kazi husika.
• σ_j, ni mkengeuko sanifu wa alama za kazi husika.
• z_i,j, ni nafasi ya mwanafunzi ikilinganishwa na watumiaji wengine waliocheza kazi hiyo.

Kisha alama endelevu ilibadilishwa kuwa matokeo ya thamani mbili:

\[ y_{i,j} = \begin{cases} 1, & z_{i,j} \geq 0 \\ 0, & z_{i,j} < 0 \end{cases} \]

Kwa hiyo, thamani ya 1 katika modeli haimaanishi kwamba mchezo “ulitatuliwa kwa usahihi” kwa kipimo halisi. Inamaanisha mwanafunzi alionyesha utendaji sawa au wa juu kuliko wastani wa sampuli katika kazi hiyo. Sifuri inaonyesha kubaki chini ya wastani. Tofauti hii ni muhimu katika kutafsiri matokeo.

Usawazishaji ndani ya kazi ulifanya mizani tofauti za alama ilingane; hata hivyo, kufanya alama kuwa za thamani mbili huondoa ukubwa wa tofauti za utendaji. Matokeo mawili yaliyo juu kidogo na juu sana ya wastani yanaingia katika darasa moja; na matokeo mawili yaliyo chini kidogo na chini sana ya wastani yanaingia katika darasa lingine.

Modeli ya neuroni ilifanyaje kazi?

Usanifu wa NeuroCDM uliotumiwa katika utafiti hujifunza vipengele vitatu vya msingi kwa pamoja:

• Vekta fichwa za uwezo zinazowakilisha viwango vya ujuzi vya wanafunzi,
• Vigezo vya ugumu na sifa za kazi,
• Matriksi ya Q inayoweza kujifunza inayowakilisha kiwango ambacho kila kazi inategemea kila ujuzi.

Matriksi ya awali ya Q ilitokana na lebo za wataalamu zilizoundwa na wanaualimu na wanasaikolojia. Hata hivyo, matriksi haikuachwa bila kubadilika wakati wa mafunzo; kadiri kosa la utabiri lilivyoenezwa nyuma, uzito wa kazi-ujuzi pia ulisasishwa. Hivyo, badala ya kukataa kabisa muundo wa wataalamu, modeli ilitumia mbinu mseto inayourejesha kwa data.

Vigezo ghafi vya utegemezi wa ujuzi vilitofautiana kutoka takribani −4,45 hadi 3,01. Watafiti walitumia ubadilishaji wa sigmoid kuvileta kati ya 0 na 1. Uhusiano sanifu wa kihisabati unaoeleza ubadilishaji wa sigmoid ni huu:

\[ \operatorname{sigmoid}(a)=\frac{1}{1+e^{-a}} \]

Fomula hii ni uhusiano sanifu wa usuli uliotolewa ili kuufanya utafiti uwe wazi. Kuongezeka kwa thamani iliyobadilishwa kulifasiriwa kuwa kazi inategemea kwa nguvu zaidi ujuzi husika. Kwa mfano, thamani ghafi ya karibu 0,8 inalingana na nguvu ya muunganisho iliyo juu ya 0,70 baada ya sigmoid.

Modeli ilifunzwa kwa mipangilio ipi?

Kwa kuwa marudio ya kazi kuchezwa yalitofautiana sana, uzito katika kiwango cha kazi ulitumika ili kazi zilizochezwa mara nyingi zisitawale mafunzo. Ingawa maandishi yanasema mbinu hii ni “mzizi wa mraba wa kinyume wa marudio”, fomula iliyotolewa ni hii:

\[ w_i = \frac{1}{f_i} \]

Hapa f_i, ni marudio ya kazi kuonekana katika data ya mafunzo; w_i na ni uzito wa sampuli katika kitendakazi cha hasara. Fomula iliyotolewa ni kinyume cha moja kwa moja cha marudio; si mzizi wa mraba wa kinyume. Kwa hiyo, kuna kutolingana kwa ripoti ambako hakujatatuliwa kati ya maelezo ya mbinu na uwakilishi wa kihisabati. Haiwezi kubainishwa kwa uhakika kutoka maandishi yaliyochapishwa ni usemi upi uliotumiwa kwenye msimbo.

Ulinganifu wa asilimia 87 ulikokotolewaje?

Ujuzi watatu ulioonekana kuwa muhimu zaidi kwa modeli ulitolewa kwa kila kazi. Kwa sababu mitandao ya neuroni inaweza kuathiriwa na mianzo nasibu, modeli ilifunzwa mara 20. Ujuzi ulikubaliwa kuwa muunganisho thabiti ikiwa ulionekana miongoni mwa ujuzi watatu wa kwanza katika angalau asilimia 30 ya uendeshaji huo.

Kwa kigezo hiki, modeli ilibainisha upya asilimia 87 ya miunganisho ya kazi-ujuzi iliyofafanuliwa na wataalamu. Matokeo yanaonyesha ulinganifu katika kazi nyingi kati ya uainishaji wa wataalamu na muundo uliojifunzwa kutoka utendaji wa wanafunzi.

Hata hivyo, asilimia 87 haimaanishi kwamba modeli ilifikia kwa kujitegemea matokeo ya wataalamu bila taarifa yoyote ya awali. Matriks ya Q ya modeli iliundwa kwanza kwa lebo za wataalamu, kisha kiwango chake cha kulingana na matriksi hiyo hiyo ya wataalamu kikapimwa. Mbinu hii inafaa kurekebisha maarifa ya wataalamu kwa data; lakini si “uthibitishaji wa wataalamu” ulio huru kabisa. Hali ya mwanzo inaweza kuipa modeli nanga ya kubaki karibu na muundo wa wataalamu.

Matokeo yalihifadhiwa kizingiti cha mafanikio kilipobadilika?

Watafiti pia walijaribu vizingiti vya z = 0,5 na z = −0,5 ili kuona kama kizingiti cha z = 0 kinachotenganisha utendaji wa wastani ndicho kilichoamua matokeo.

Katika hali zote tatu, kiwango kilibaki takribani kati ya asilimia 87–92. Matokeo haya yanaonyesha kuwa ulinganifu na miunganisho ya wataalamu hautegemei kizingiti kimoja tu cha uainishaji wa thamani mbili. Hata hivyo, ulinganifu mkubwa zaidi kupatikana katika kizingiti chepesi zaidi pia unaonyesha kwamba uteuzi wa kizingiti si jambo lisilo muhimu kabisa.

Ulinganisho wa NMF ulionyesha nini?

Uchanganuzi wa Matriks Isiyo Hasi ni mbinu ya mstari isiyosimamiwa inayotoa ruwaza fiche katika matriksi ya mwanafunzi-kazi bila lebo za wataalamu. Kwa kuwa vipengele fiche vya NMF havina moja kwa moja majina kama kumbukumbu, umakinifu au upangaji, watafiti walilinganisha kila kipengele baadaye na ujuzi wa wataalamu.

NeuroCDM ilitoa ulinganifu wa juu kwa takribani pointi 19 za asilimia. Hata hivyo, mbinu hizo mbili hazianzi na kiwango sawa cha taarifa. NMF haisimamiwi; NeuroCDM huanzishwa kutoka matriksi ya wataalamu. Kwa hiyo, tofauti inaakisi si ubora wa usanifu wa neuroni pekee, bali pia faida ya kujumuisha maarifa ya awali ya wataalamu katika modeli.

Ulinganisho wa G-DINA ulifanywaje?

G-DINA ni modeli nyumbufu ya utambuzi wa kiakili inayoweza kuwakilisha athari kuu na za pamoja za ujuzi. Ujuzi kumi na minane unapotumiwa, idadi ya profaili fiche za ujuzi zinazowezekana ni:

\[ 2^{18}=262.144 \]

Watafiti waliona nafasi hii kuwa kubwa mno kwa kiasi cha data na kuunda matriksi ya Q yenye sifa 12 kwa kuunganisha baadhi ya ujuzi unaofanana kimawazo. Katika hali hii, idadi ya profaili hushuka hadi:

\[ 2^{12}=4.096 \]

G-DINA na NCDM zililinganishwa kwenye matriksi hii iliyopunguzwa yenye sifa 12.

Matokeo haya yanadokeza kuwa NCDM inaweza kuwa thabiti zaidi katika data haba na yenye kelele. Hata hivyo, kuunganishwa kwa ujuzi, kuongezeka kwa utegemezi wa eneo na nafasi pana zaidi ya vigezo vya G-DINA vinaweza kuathiri ulinganisho. Kiwango cha asilimia 91,4 si matokeo ya jaribio lilelile na asilimia 87 katika uchanganuzi wa awali wenye ujuzi 18; ni tathmini tofauti inayotegemea sifa 12 zilizounganishwa.

Mafanikio ya utabiri yaliongezeka kwa kiasi gani matriksi ya Q ilipobadilika?

Watafiti waliunda modeli za NCDM zinazotabiri utendaji wa wanafunzi kwa matriksi nne tofauti za Q. Kigezo cha tathmini ni eneo chini ya mkunjo wa ROC, yaani AUC, linaloonyesha uwezo wa kutenganisha madarasa sahihi na yasiyo sahihi.

Miundo yote minne ilitoa AUC zaidi ya 0,86. Ingawa matokeo ya juu zaidi yalionekana katika matriksi iliyopanuliwa na NCDM, tofauti ikilinganishwa na matriksi ya wataalamu ni vitengo 0,0048 vya AUC, yaani takribani pointi 0,48 za asilimia. Utafiti haukutoa kipindi cha kujiamini, mgawanyo wa uthibitishaji mtambuka au jaribio la umuhimu wa kitakwimu kwa tofauti hii. Kwa hiyo, inaweza kusemwa kuwa modeli ilitoa uboreshaji mdogo, si ubora “dhahiri” wa utabiri.

Modeli ilipata ujuzi gani wa pili?

Majedwali katika kurasa za 13 na 14 yanaonyesha michezo 14 kati ya 38 kama mifano ya kina. Lebo kuu na za ziada za ujuzi za wataalamu zimetolewa sambamba na mapendekezo matatu ya kwanza ya ujuzi ya NCDM.

• The Bell Player: Katika kazi ambayo ujuzi mkuu wa mtaalamu ulikuwa kumbukumbu, modeli pia iliweka kumbukumbu katika nafasi ya kwanza.
• The Delivery Job: Katika jedwali, ujuzi mkuu unaonyeshwa kuwa upangaji na ujuzi wa ziada kuwa utatuzi wa matatizo na fikra za anga; modeli ilitabiri upangaji.
• The Amnesiac Principal: Ujuzi mkuu uliwekwa alama kuwa fikra za kinamba; modeli pia ilipendekeza kumbukumbu ya kuona na kumbukumbu pamoja na fikra za kinamba.
• Wedding Photography: Katika kazi ambayo lebo kuu ya mtaalamu ilikuwa umakinifu, modeli iliangazia umakinifu na utambuzi wa hisia.
• Balaton Obstacle Course: Katika kazi inayohusiana na muda wa mwitikio, utambuzi na kasi, modeli ilibainisha sifa hizi tatu pamoja.
• Paintball: Katika kazi iliyokuwa na uzuiaji na utendaji mtendaji katika lebo za wataalamu, modeli pia iliangazia maeneo haya mawili.

Majedwali ya kazi yanaonyesha kwamba baadhi ya michezo haiwezi kuelezwa kwa ujuzi mmoja tu. Kwa mfano, kuunda njia ya kuwasilisha kunaweza kuhitaji si upangaji pekee, bali pia tathmini ya umbali, utatuzi wa matatizo na fikra za anga.

Hata hivyo, kuna kutolingana kwa maudhui katika ripoti. Ingawa kazi ya “The Delivery Job” imeonyeshwa katika safu ya ujuzi mkuu ya jedwali kuwa Planning ilhali maelezo yaliyotangulia yanasema kwamba kazi kimsingi inahitaji Spatial Thinking kama hitaji la msingi. Hali hii inaleta utata wa uhariri kuhusu lebo ipi ya mtaalamu iliyokubaliwa kuwa “ujuzi mkuu”.

Profaili za ujuzi wa wanafunzi ziliundwaje?

Modeli ilijifunza vigezo fiche vya namba halisi vinavyowakilisha ujuzi 18 kwa kila mwanafunzi. Thamani ghafi za embedding za wanafunzi zilitofautiana kutoka −2,72 hadi 2,91, wastani uliripotiwa kuwa −0,098 na mkengeuko sanifu 0,344. Thamani nyingi ziko karibu na sifuri.

Baada ya ubadilishaji wa sigmoid, takribani:

• Thamani ghafi chini ya −0,3 zinalingana na uwezekano wa ujuzi chini ya 0,42,
• Thamani kati ya −0,3 na 0,3 zinalingana na masafa ya 0,42–0,57,
• Thamani juu ya 1,3 zinalingana na uwezekano wa ujuzi juu ya 0,80,
• Thamani karibu na 2,7 zinalingana na takribani 0,93

. Watafiti walifasiri zaidi ya 0,80 kuwa umahiri mkubwa, thamani chini ya −0,3 kuwa umahiri dhaifu, na eneo karibu na sifuri kuwa umahiri wa kati au usio na uhakika. Mipaka hii ni vizingiti vya tafsiri vilivyotumiwa katika utafiti; haijathibitishwa kwa kiwango huru cha kitabibu au kisaikometria.

Mifano mitatu ya wanafunzi ilionyesha nini?

Mtumiaji 1: Modeli iliunda profaili yenye nguvu katika utatuzi wa matatizo, muda wa mwitikio, utambuzi na kasi; na yenye nguvu sana katika umakinifu. Kumbukumbu, upangaji, fikra za kinamba, ubadilishaji wa umakinifu na utambuzi wa hisia zilionekana dhaifu. Rekodi za kazi katika ukurasa wa 20 zinaonyesha kwamba mwanafunzi alifanya vizuri mara kwa mara katika baadhi ya kazi za umakinifu, lakini alipata shida zaidi katika kazi za upangaji na kumbukumbu.

Mtumiaji 60: Modeli ilitoa profaili dhaifu katika maeneo mengi ya utambuzi. Ingawa mwanafunzi alikuwa na matokeo moja yaliyofanikiwa katika kazi ya kumbukumbu, kwa kuwa ruwaza ya jumla ilibaki dhaifu, modeli haikuhamisha ujuzi huu kwenda darasa lenye nguvu. Mfano huu unaonyesha kwamba modeli hutoa uzito kwa ruwaza thabiti katika kazi zote, si kwa matokeo moja sahihi.

Mtumiaji 42: Kwa sababu kulikuwa na matokeo mengi yaliyofanikiwa katika kazi ya upangaji, upangaji ulionekana wenye nguvu sana. Kushindwa katika kazi nyingine iliyohusisha muda wa mwitikio, utambuzi na kasi kulichangia hasa kasi kubainishwa kuwa dhaifu. Kwa kuwa matokeo ya kumbukumbu na utatuzi wa matatizo hayakuwa thabiti, ujuzi huu ulibaki katika eneo la wastani.

Taswira hizi tatu ni mifano ya matukio ya kueleza. Haijaonyeshwa kwamba profaili za wanafunzi zilithibitishwa kwa tathmini huru ya mwalimu, jaribio sanifu la utambuzi, alama za shule au kigezo kingine cha nje. Kwa hiyo, taswira zinaonyesha kuwa matokeo ya modeli yanaonekana kuendana na rekodi za mchezo; hazithibitishi uhalali wa nje wa utabiri wa ujuzi.

Nguvu za utafiti ni zipi?

• Ulitumia rekodi halisi na zenye kelele za michezo ya elimu badala ya data sintetiki.
• Uliunda matriksi mseto ya Q inayoweza kusasishwa kwa data badala ya kuondoa kabisa maarifa ya wataalamu.
• Ulifanya uendeshaji 20 tofauti wa mafunzo ili kupunguza ubadilifu nasibu wa modeli.
• Ulifanya uchanganuzi wa unyeti kwa vizingiti tofauti vya alama ya z.
• Ulilinganisha mbinu ya neuroni na NMF isiyosimamiwa pamoja na mbinu ya kawaida ya utambuzi wa kiakili ya G-DINA.
• Ulichunguza si ulinganishaji wa kazi-ujuzi pekee, bali pia profaili za ujuzi katika kiwango cha mwanafunzi.
• Ulionyesha kwa mifano halisi ya kazi kwamba dhana ya ujuzi mmoja inaweza kutotosha kwa kazi zilizofanywa mchezo.

Mapungufu makuu ya utafiti ni yapi?

• Sampuli ni ndogo: Ingawa jukwaa lina watumiaji wengi, sampuli ya uchanganuzi ina wanafunzi 261 na kazi 38 pekee.
• Sifa za sampuli hazijaelezwa: Umri, madarasa, jinsia, aina za shule, sifa za kijamii na kiuchumi au mgawanyo wa kieneo wa wanafunzi haukutolewa.
• Kigezo cha mafanikio ni cha kulinganisha: Matokeo ya thamani mbili hayategemei sahihi au si sahihi kwa kipimo halisi, bali kubaki chini au juu ya wastani wa kazi.
• Mabadiliko ya muda hayakuundwa kielelezo: Ingawa rekodi zinatoka kipindi cha 2016–2025, ilidhaniwa kwamba ujuzi wa wanafunzi haubadiliki kati ya vipindi vinavyorudiwa. Haikuripotiwa vipindi vya kila mtumiaji vilikusanywa katika muda mfupi kiasi gani.
• Kuna nanga ya mwanzo: Modeli ilianzishwa kutoka matriksi ya Q ya wataalamu na mafanikio yake yakatathminiwa tena kwa ulinganifu na matriksi ya wataalamu.
• Maelezo ya mgawanyo wa data hayatoshi: Uwiano wa seti za mafunzo, uthibitishaji na majaribio, na jinsi mwanafunzi yuleyule au marudio ya kazi ileile yalivyotenganishwa kati ya seti, havijaelezwa.
• Tofauti ya AUC ni ndogo: Tofauti kati ya muundo bora zaidi na unaotegemea wataalamu ni 0,0048; hakuna uchanganuzi wa kutokuwa na uhakika au umuhimu uliotolewa.
• Ulinganisho haulingani kikamilifu: NMF hufanya kazi bila lebo za wataalamu, huku NCDM ikianzishwa kwa muundo wa wataalamu. Ulinganisho wa G-DINA ulifanywa kwa ujuzi 12 uliounganishwa badala ya 18.
• Fomula ya uzito haitangamani: Ingawa maandishi yanataja uzito wa mzizi wa mraba wa kinyume, fomula inaonyesha kinyume cha moja kwa moja cha marudio.
• Kuna kutolingana katika maelezo ya kazi: Ujuzi mkuu wa “The Delivery Job” umewasilishwa tofauti katika maandishi na jedwali.
• Hakuna uthibitishaji wa nje: Profaili za wanafunzi hazikulinganishwa na jaribio sanifu, tathmini ya mwalimu au kipimo huru cha kisaikometria.
• Hakuna uchanganuzi wa haki uliofanywa: Haikuchunguzwa kama modeli inaonyesha usahihi sawa katika makundi tofauti ya wanafunzi.

Utafiti unaonyesha nini?

• Sehemu kubwa ya ramani za kazi-ujuzi zilizoandaliwa na wataalamu inaonekana kuendana na data ya utendaji wa mchezo.
• Kazi nyingi za mchezo zinaweza kuhitaji zaidi ya ujuzi mmoja wa utambuzi.
• Modeli ya neuroni iliyoanzishwa kwa lebo za wataalamu inaweza kutoa ulinganifu wa juu zaidi na matriksi ya wataalamu kuliko NMF.
• Matokeo ya matriksi ya Q ya modeli yalitoa viwango vya jumla vinavyofanana vya ulinganifu katika vizingiti vitatu tofauti vya mafanikio ya thamani mbili.
• Upanuzi wa matriksi ya Q ulitoa uboreshaji mdogo katika AUC ya utabiri.
• Profaili za kueleza za ujuzi wa wanafunzi zinaweza kutolewa kutoka mwingiliano wa michezo.

Utafiti hauthibitishi nini?

• Hauthibitishi kwamba modeli inapima kwa usahihi ujuzi halisi wa utambuzi wa wanafunzi.
• Hautoi utambuzi wa tatizo la kujifunza, hitilafu ya ukuaji au hitaji la elimu maalum.
• Hauonyeshi kwamba NCDM itakuwa bora kuliko G-DINA au NMF katika seti zote za data.
• Hauthibitishi kwamba kila tofauti ya modeli katika matriksi ya Q ya wataalamu ni kosa la mtaalamu.
• Hauonyeshi kwamba ujuzi wa pili uliopendekezwa na modeli unahitajika kisababishi katika kutatua kazi.
• Haujaribu kama profaili za ujuzi zilizoundwa zinaongeza mafanikio ya wanafunzi kupitia hatua zilizobinafsishwa.
• Hauonyeshi kwamba matokeo ya Hungaria yanaweza kutumiwa moja kwa moja kwa wanafunzi nchini Uturuki.

Ina maana gani kwa mifumo ya elimu nchini Uturuki?

Utafiti hauna data ya wanafunzi au shule kutoka Uturuki. Kwa hiyo, kiwango cha ulinganifu cha asilimia 87 hakiwezi kutumiwa kama thamani ya utendaji inayotarajiwa kwa majukwaa ya elimu ya kidijitali nchini Uturuki. Hata hivyo, mbinu hii inatoa mfumo wa utafiti unaoweza kutumika katika kuendeleza zana za tathmini zilizofanywa mchezo na benki za maswali za kidijitali nchini Uturuki.

Katika matumizi yatakayofanywa nchini Uturuki, timu za walimu, wanasaikolojia, wataalamu wa upimaji na tathmini na wataalamu wa taaluma zinaweza kwanza kuandaa ramani ya kazi-ujuzi. Modeli ya neuroni inaweza kisha kujaribu miunganisho katika ramani hii kwa majibu halisi ya wanafunzi. Kazi ambazo mtaalamu na modeli hazikubaliani hazipaswi kubadilishwa kiotomatiki; maandishi ya kazi, kiolesura, shinikizo la muda, mzigo wa lugha na mikakati iliyotumiwa vinapaswa kuchunguzwa upya na wataalamu.

Utafiti wa uthibitishaji wa eneo unapaswa kujumuisha wanafunzi wa umri, aina za shule, maeneo na viwango tofauti vya mafanikio; mgawanyo wa mafunzo, uthibitishaji na majaribio ufanywe katika kiwango cha mwanafunzi; marudio ya mwanafunzi yuleyule yazuiwe kuvuja katika seti tofauti; na utabiri wa modeli ulinganishwe na majaribio huru. Profaili za wanafunzi zinapaswa kutumiwa tu kama chanzo cha data cha kumsaidia mwalimu, na zisifanywe msingi pekee wa maamuzi ya elimu yenye athari kubwa.

Mbinu na Matokeo ya Utafiti

Matokeo makuu

Matokeo yenye nguvu zaidi ya utafiti ni kwamba miunganisho mingi ya wataalamu ilihifadhiwa pamoja na data halisi ya mchezo na modeli ilipendekeza ujuzi wa pili katika baadhi ya kazi. Matokeo yanayohitaji tafsiri ya tahadhari zaidi ni madarasa ya ujuzi “wenye nguvu” na “dhaifu” katika kiwango cha mwanafunzi. Madarasa haya yalitolewa kutoka vigezo fiche vinavyoeleza ruwaza nzima ya majibu ya modeli; si vipimo vya moja kwa moja vilivyothibitishwa kwa majaribio huru ya kisaikometria.

Dokezo la Chanzo na Mbinu

Jina asili la utafiti: Data-Driven Q-Matrix Refinement in Gamified Assessments: A Neural Cognitive Diagnosis Approach

Waandishi na mpangilio wao: Judit Tevesz; Bertalan Forstner.

Mwandishi mwenza wa kwanza au mchango sawa: Utafiti hauna tamko la mchango sawa au uandishi mwenza wa kwanza.

Mwandishi wa mawasiliano: Hakuna alama tofauti ya mwandishi wa mawasiliano katika PDF. Rekodi ya SSRN inamtaja Judit Tevesz kama mwandishi wa mawasiliano.

Taasisi: Hakuna taarifa ya taasisi iliyotolewa ndani ya utafiti au katika profaili ya mwandishi ya SSRN. Rekodi rasmi za taasisi zinawahusisha watafiti wote wawili na Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics, Department of Automation and Applied Informatics. Judit Tevesz ni mwanafunzi wa udaktari; Bertalan Forstner ni profesa mshiriki na naibu mkuu wa idara. Uhusiano wao na Cognitive Computing Research Group pia upo katika kurasa rasmi za taasisi.

Eneo la mada: Akili bandia katika elimu, uchimbaji wa data ya elimu, saikometria, modeli za utambuzi wa kiakili, tathmini zilizofanywa mchezo na ujifunzaji uliobinafsishwa.

Aina ya chanzo: Chapisho la awali la utafiti wa kitaalamu unaotegemea data ya jukwaa halisi.

Mwaka: 2026.

DOI:10.2139/ssrn.6992640

Jarida: Toleo la jarida linalopitiwa na wataalamu rika halijathibitishwa.

Jukwaa la uchapishaji: SSRN.

Hali ya mapitio ya wataalamu rika: Haujapitiwa na wataalamu rika. Kila ukurasa wa utafiti una onyo “This preprint research paper has not been peer reviewed”.

Kiungo rasmi:Ukurasa wa utafiti wa SSRN

Ufadhili: Hakuna tamko tofauti la ufadhili katika utafiti.

Mgongano wa maslahi: Hakuna tamko tofauti la mgongano wa maslahi katika utafiti.

Maadili na ulinzi wa data: Imeelezwa kwamba rekodi za watumiaji zilichakatwa kwa vitambulisho bandia, matumizi ya data ya mchezo isiyomtambulisha mtu katika utafiti yamo katika masharti ya jukwaa, na idhini ya wazazi inahitajika kwa usajili wa watoto. Jina la kamati huru ya maadili au namba ya idhini haikuripotiwa.

Mapitio haya ya Kiswahili yaliandaliwa kwa kutathmini pamoja maandishi ya utafiti, milinganyo, maelezo ya mbinu, majedwali ya kazi, uchanganuzi wa unyeti, matokeo ya modeli yaliyolinganishwa na taswira za profaili za wanafunzi. Maudhui ya kisayansi yanategemea utafiti wenyewe; vyanzo vya nje vilitumika tu kuthibitisha kibibliografia mpangilio wa waandishi, mwandishi wa mawasiliano, DOI, uhusiano wa taasisi, jukwaa la uchapishaji na hali ya mapitio ya wataalamu rika.

Matokeo yanapaswa kutathminiwa kwa kuzingatia sampuli ndogo na iliyochaguliwa, ufafanuzi wa mafanikio wa kulinganisha, dhana ya ujuzi usiobadilika licha ya kipindi kirefu cha data, modeli iliyoanzishwa kwa matriksi ya wataalamu, ukosefu wa maelezo ya mgawanyo wa data, tofauti za kimuundo katika modeli za kulinganisha, ongezeko dogo la AUC, kutokuwepo kwa uthibitishaji wa nje na baadhi ya kutolingana kwa ndani katika maandishi ya mbinu. Utafiti unaonyesha kuwa uboreshaji wa matriksi ya Q kwa neuroni una matumaini; hauonyeshi kwamba unatoa mfumo wa utambuzi uliothibitishwa kwa uhakika na ulio tayari kutumiwa katika maamuzi yenye athari kubwa kwa wanafunzi.