SRLAgent: Förderung selbstregulierten Lernens durch Gamification und KI-Unterstützung

Zusammenfassung

Selbstreguliertes Lernen (SRL) ist entscheidend für Studierende, die mit gesteigerten akademischen Anforderungen und größerer Unabhängigkeit konfrontiert sind. Unzureichende SRL-Fähigkeiten können zu unorganisierten Lerngewohnheiten, geringer Motivation und schlechtem Zeitmanagement führen, was die Fähigkeit der Lernenden beeinträchtigt, in anspruchsvollen Umgebungen erfolgreich zu sein. In einer formativen Studie mit 59 Studierenden identifizierten wir zentrale Herausforderungen, die Studierende bei der Entwicklung von SRL-Fähigkeiten bewältigen müssen, darunter Schwierigkeiten bei der Zielsetzung, dem Zeitmanagement und dem reflektierenden Lernen. Um diese Herausforderungen zu adressieren, stellen wir SRLAgent vor, ein LLM-unterstütztes System, das SRL-Fähigkeiten durch Gamification und adaptive Unterstützung durch Large Language Models (LLMs) fördert. Basierend auf Zimmermans Drei-Phasen-SRL-Rahmenwerk ermöglicht SRLAgent den Studierenden, sich in einem interaktiven, spielbasierten Umfeld mit Zielsetzung, Strategieumsetzung und Selbstreflexion auseinanderzusetzen. Das System bietet Echtzeit-Feedback und Scaffolding, das durch LLMs unterstützt wird, um die unabhängigen Lernbemühungen der Studierenden zu fördern. Wir evaluierten SRLAgent mithilfe eines Between-Subjects-Designs und verglichen es mit einem Basissystem (SRL ohne Agent-Funktionen) und einer traditionellen multimedialen Lernbedingung. Die Ergebnisse zeigten signifikante Verbesserungen der SRL-Fähigkeiten in der SRLAgent-Gruppe (p < .001, Cohens d = 0,234) sowie eine höhere Engagementrate im Vergleich zu den Baseline-Bedingungen. Diese Arbeit unterstreicht den Wert der Integration von SRL-Scaffolding und Echtzeit-KI-Unterstützung in gamifizierte Umgebungen und bietet Gestaltungsimplikationen für Bildungstechnologien, die darauf abzielen, vertieftes Lernen und die Entwicklung metakognitiver Fähigkeiten zu fördern.

English

Self-regulated learning (SRL) is crucial for college students navigating increased academic demands and independence. Insufficient SRL skills can lead to disorganized study habits, low motivation, and poor time management, undermining learners ability to thrive in challenging environments. Through a formative study involving 59 college students, we identified key challenges students face in developing SRL skills, including difficulties with goal-setting, time management, and reflective learning. To address these challenges, we introduce SRLAgent, an LLM-assisted system that fosters SRL skills through gamification and adaptive support from large language models (LLMs). Grounded in Zimmermans three-phase SRL framework, SRLAgent enables students to engage in goal-setting, strategy execution, and self-reflection within an interactive game-based environment. The system offers real-time feedback and scaffolding powered by LLMs to support students independent study efforts. We evaluated SRLAgent using a between-subjects design, comparing it to a baseline system (SRL without Agent features) and a traditional multimedia learning condition. Results showed significant improvements in SRL skills within the SRLAgent group (p < .001, Cohens d = 0.234) and higher engagement compared to the baselines. This work highlights the value of embedding SRL scaffolding and real-time AI support within gamified environments, offering design implications for educational technologies that aim to promote deeper learning and metacognitive skill development.

SRLAgent: Förderung selbstregulierten Lernens durch Gamification und KI-Unterstützung

SRLAgent: Enhancing Self-Regulated Learning Skills through Gamification and LLM Assistance

Zusammenfassung

Support