SRLAgent : Amélioration des compétences d’apprentissage autorégulé par la ludification et l’assistance des modèles de langage avancés

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

June 11, 2025

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

cs.AI

Résumé

L'apprentissage autorégulé (AAR) est essentiel pour les étudiants universitaires confrontés à des exigences académiques accrues et à une plus grande autonomie. Des compétences insuffisantes en AAR peuvent entraîner des habitudes d'étude désorganisées, une faible motivation et une mauvaise gestion du temps, compromettant ainsi la capacité des apprenants à réussir dans des environnements exigeants. À travers une étude formative impliquant 59 étudiants universitaires, nous avons identifié les principaux défis auxquels les étudiants sont confrontés dans le développement des compétences en AAR, notamment des difficultés liées à la fixation d'objectifs, à la gestion du temps et à l'apprentissage réflexif. Pour relever ces défis, nous présentons SRLAgent, un système assisté par des modèles de langage de grande taille (LLM) qui favorise les compétences en AAR grâce à la ludification et à un soutien adaptatif. Fondé sur le cadre en trois phases de Zimmerman pour l'AAR, SRLAgent permet aux étudiants de s'engager dans la fixation d'objectifs, l'exécution de stratégies et l'autoréflexion au sein d'un environnement interactif basé sur le jeu. Le système propose un retour d'information en temps réel et un étayage alimenté par les LLM pour soutenir les efforts d'étude indépendants des étudiants. Nous avons évalué SRLAgent en utilisant un plan d'étude inter-sujets, en le comparant à un système de base (AAR sans les fonctionnalités de l'Agent) et à une condition d'apprentissage multimédia traditionnelle. Les résultats ont montré des améliorations significatives des compétences en AAR au sein du groupe SRLAgent (p < 0,001, d de Cohen = 0,234) et un engagement plus élevé par rapport aux conditions de référence. Ce travail met en lumière la valeur de l'intégration d'un étayage en AAR et d'un soutien en temps réel par l'IA dans des environnements ludifiés, offrant des implications pour la conception de technologies éducatives visant à promouvoir un apprentissage approfondi et le développement de compétences métacognitives.

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.