SRLAgent: Potenziamento delle Competenze di Apprendimento Autoregolato attraverso Gamification e Assistenza di LLM

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

June 11, 2025

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

cs.AI

Abstract

L'apprendimento autoregolato (SRL) è fondamentale per gli studenti universitari che affrontano crescenti richieste accademiche e maggiore indipendenza. Competenze SRL insufficienti possono portare a abitudini di studio disorganizzate, bassa motivazione e scarsa gestione del tempo, compromettendo la capacità degli studenti di prosperare in ambienti impegnativi. Attraverso uno studio formativo che ha coinvolto 59 studenti universitari, abbiamo identificato le principali sfide che gli studenti incontrano nello sviluppo delle competenze SRL, tra cui difficoltà nella definizione degli obiettivi, nella gestione del tempo e nell'apprendimento riflessivo. Per affrontare queste sfide, introduciamo SRLAgent, un sistema assistito da LLM che promuove le competenze SRL attraverso la gamification e il supporto adattivo offerto dai grandi modelli linguistici (LLM). Basato sul framework SRL a tre fasi di Zimmerman, SRLAgent consente agli studenti di impegnarsi nella definizione degli obiettivi, nell'esecuzione delle strategie e nella riflessione personale all'interno di un ambiente interattivo basato sul gioco. Il sistema offre feedback in tempo reale e scaffolding supportato da LLM per sostenere gli sforzi di studio indipendenti degli studenti. Abbiamo valutato SRLAgent utilizzando un disegno tra soggetti, confrontandolo con un sistema di base (SRL senza funzionalità Agent) e una condizione tradizionale di apprendimento multimediale. I risultati hanno mostrato miglioramenti significativi nelle competenze SRL nel gruppo SRLAgent (p < .001, d di Cohen = 0.234) e un maggiore coinvolgimento rispetto ai sistemi di base. Questo lavoro evidenzia il valore dell'integrazione di scaffolding SRL e supporto AI in tempo reale all'interno di ambienti gamificati, offrendo implicazioni progettuali per le tecnologie educative che mirano a promuovere un apprendimento più profondo e lo sviluppo di competenze metacognitive.

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.