SRLAgent: Mejora de las Habilidades de Aprendizaje Autorregulado mediante Gamificación y Asistencia de Modelos de Lenguaje de Gran Escala

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

June 11, 2025

Autores: Wentao Ge, Yuqing Sun, Ziyan Wang, Haoyue Zheng, Weiyang He, Piaohong Wang, Qianyu Zhu, Benyou Wang

cs.AI

Resumen

El aprendizaje autorregulado (AAR) es crucial para los estudiantes universitarios que enfrentan mayores demandas académicas y mayor independencia. La insuficiencia de habilidades de AAR puede llevar a hábitos de estudio desorganizados, baja motivación y una gestión deficiente del tiempo, lo que socava la capacidad de los estudiantes para prosperar en entornos desafiantes. A través de un estudio formativo que involucró a 59 estudiantes universitarios, identificamos los principales desafíos que enfrentan los estudiantes en el desarrollo de habilidades de AAR, incluyendo dificultades con el establecimiento de metas, la gestión del tiempo y el aprendizaje reflexivo. Para abordar estos desafíos, presentamos SRLAgent, un sistema asistido por modelos de lenguaje grandes (LLM, por sus siglas en inglés) que fomenta las habilidades de AAR mediante la gamificación y el apoyo adaptativo de estos modelos. Basado en el marco de tres fases de AAR de Zimmerman, SRLAgent permite a los estudiantes participar en el establecimiento de metas, la ejecución de estrategias y la autorreflexión dentro de un entorno interactivo basado en juegos. El sistema ofrece retroalimentación en tiempo real y andamiaje impulsado por LLM para apoyar los esfuerzos de estudio independientes de los estudiantes. Evaluamos SRLAgent utilizando un diseño entre sujetos, comparándolo con un sistema de referencia (AAR sin características de Agent) y una condición tradicional de aprendizaje multimedia. Los resultados mostraron mejoras significativas en las habilidades de AAR dentro del grupo SRLAgent (p < .001, d de Cohen = 0.234) y un mayor compromiso en comparación con los sistemas de referencia. Este trabajo destaca el valor de integrar andamiaje de AAR y apoyo de IA en tiempo real dentro de entornos gamificados, ofreciendo implicaciones de diseño para tecnologías educativas que buscan promover un aprendizaje más profundo y el desarrollo de habilidades metacognitivas.

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.