SRLAgent: Verbetering van zelfgereguleerde leer vaardigheden door middel van gamificatie en LLM-ondersteuning

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

Samenvatting

Zelfgereguleerd leren (SRL) is cruciaal voor studenten die te maken krijgen met toenemende academische eisen en meer zelfstandigheid. Onvoldoende SRL-vaardigheden kunnen leiden tot ongeorganiseerde studiegewoonten, lage motivatie en slecht tijdmanagement, wat het vermogen van studenten om te gedijen in uitdagende omgevingen ondermijnt. Via een formatieve studie met 59 studenten hebben we belangrijke uitdagingen geïdentificeerd die studenten ervaren bij het ontwikkelen van SRL-vaardigheden, waaronder moeilijkheden met doelstellingen formuleren, tijdmanagement en reflectief leren. Om deze uitdagingen aan te pakken, introduceren we SRLAgent, een LLM-ondersteund systeem dat SRL-vaardigheden bevordert door middel van gamificatie en adaptieve ondersteuning van grote taalmodellen (LLMs). Gebaseerd op Zimmermans driefasen SRL-raamwerk, stelt SRLAgent studenten in staat om zich bezig te houden met doelstellingen formuleren, strategieën uitvoeren en zelfreflectie binnen een interactieve, op games gebaseerde omgeving. Het systeem biedt real-time feedback en scaffolding, aangedreven door LLMs, om de onafhankelijke studie-inspanningen van studenten te ondersteunen. We hebben SRLAgent geëvalueerd met een between-subjects ontwerp, waarbij we het vergeleken met een basissysteem (SRL zonder Agent-functies) en een traditionele multimediabegeleidingsconditie. De resultaten toonden significante verbeteringen in SRL-vaardigheden binnen de SRLAgent-groep (p < .001, Cohens d = 0.234) en een hogere betrokkenheid in vergelijking met de baselinecondities. Dit werk benadrukt de waarde van het integreren van SRL-scaffolding en real-time AI-ondersteuning binnen gegamificeerde omgevingen, en biedt ontwerpimplicaties voor educatieve technologieën die gericht zijn op het bevorderen van dieper leren en de ontwikkeling van metacognitieve vaardigheden.

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.