SRLAgent: Aprimorando Habilidades de Autorregulação da Aprendizagem por meio de Gamificação e Assistência de LLM

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

Resumo

A aprendizagem autorregulada (SRL) é crucial para estudantes universitários que enfrentam demandas acadêmicas crescentes e maior independência. Habilidades insuficientes de SRL podem levar a hábitos de estudo desorganizados, baixa motivação e má gestão do tempo, prejudicando a capacidade dos alunos de prosperar em ambientes desafiadores. Por meio de um estudo formativo envolvendo 59 estudantes universitários, identificamos os principais desafios que os alunos enfrentam no desenvolvimento de habilidades de SRL, incluindo dificuldades com definição de metas, gestão do tempo e aprendizagem reflexiva. Para abordar esses desafios, apresentamos o SRLAgent, um sistema assistido por LLM que promove habilidades de SRL por meio de gamificação e suporte adaptativo de modelos de linguagem de grande escala (LLMs). Baseado no framework de três fases de Zimmerman para SRL, o SRLAgent permite que os alunos se envolvam na definição de metas, execução de estratégias e autorreflexão em um ambiente interativo baseado em jogos. O sistema oferece feedback em tempo real e suporte escalonado, alimentado por LLMs, para auxiliar os esforços de estudo independente dos alunos. Avaliamos o SRLAgent usando um design entre sujeitos, comparando-o a um sistema de base (SRL sem recursos do Agent) e a uma condição tradicional de aprendizagem multimídia. Os resultados mostraram melhorias significativas nas habilidades de SRL no grupo SRLAgent (p < 0,001, d de Cohen = 0,234) e maior engajamento em comparação com as condições de base. Este trabalho destaca o valor de incorporar suporte de SRL e assistência em tempo real com IA em ambientes gamificados, oferecendo implicações de design para tecnologias educacionais que visam promover aprendizagem profunda e desenvolvimento 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.