SRLAgent: Развитие навыков саморегулируемого обучения через геймификацию и поддержку языковых моделей

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

June 11, 2025

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

cs.AI

Аннотация

Саморегулируемое обучение (СРО) играет ключевую роль для студентов, сталкивающихся с возрастающими академическими требованиями и необходимостью самостоятельности. Недостаточное развитие навыков СРО может привести к неорганизованным учебным привычкам, низкой мотивации и плохому управлению временем, что подрывает способность учащихся успешно справляться с трудными условиями. В рамках формирующего исследования с участием 59 студентов мы выявили ключевые трудности, с которыми сталкиваются учащиеся в развитии навыков СРО, включая проблемы с постановкой целей, управлением временем и рефлексивным обучением. Для решения этих проблем мы представляем SRLAgent — систему, поддерживаемую крупными языковыми моделями (LLM), которая способствует развитию навыков СРО через геймификацию и адаптивную поддержку. Основанная на трехфазной модели СРО Циммермана, SRLAgent позволяет студентам участвовать в постановке целей, реализации стратегий и саморефлексии в интерактивной игровой среде. Система предоставляет обратную связь в реальном времени и поддерживает самостоятельные учебные усилия студентов с помощью LLM. Мы оценили SRLAgent, используя межгрупповой дизайн, сравнивая её с базовой системой (СРО без функций Agent) и традиционным мультимедийным обучением. Результаты показали значительное улучшение навыков СРО в группе SRLAgent (p < .001, коэффициент Коэна d = 0.234) и более высокий уровень вовлеченности по сравнению с базовыми условиями. Эта работа подчеркивает ценность внедрения поддержки СРО и реальной помощи ИИ в геймифицированные среды, предлагая рекомендации по проектированию образовательных технологий, направленных на развитие глубокого обучения и метакогнитивных навыков.

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.