孙华阳　任永功

【摘要】作为严肃游戏的分支，教育游戏在教学中起着非常重要的辅助作用。目前我国针对教育游戏研究重心大多为对学习者的作用与反馈，少有针对教育游戏产品本身的研究。针对这一问题，本文将调查对象确定为在校大学生，采用问卷调查法确定教育游戏在大学生学习者中的可行性，确定教育游戏影响因素。后选择J48决策树算法进行数据挖掘和建模，得出游戏质量是教育游戏的最大影响因素这一结论。又通过归纳分析问卷中成功期望实例决策规则，得出部分大学生教育游戏成功实现的最优路径，为后续大学生教育游戏的实施作出参考。

【关键词】教育游戏 大学生 调查研究 数据挖掘 策略研究

【中图分类号】G642.2 【文献标识码】A 【文章编号】2095-3089（2018）15-0034-03

教育游戏是专门针对特定教育目的而开发的游戏。以成熟的教育理论作为支撑，以游戏作为教育手段，确保教育性和游戏性的平衡，进而达到预先设定的教学目的[1]。我国目前针对教育游戏的研究大体分为两类。一为针对某一特定学科的模式研究，二为基于实证分析的教育游戏评价。其中，模式研究以沉浸体验为理论基础，力求搭建寓教于乐的教学过程，将教育性与游戏性有机整合；教育游戏评价则以多元智能理论为基础，对玩家进行问卷调查与访谈，进而对所得数据进行深入分析。

然而，该研究范围内却少有针对教育游戏本身的策略研究。且目前教育游戏的应用对象主要针对中小学教育，面向成人学习者的教育游戏相对较少，即使是为数不多的针对成人学习者的教育游戏，也只是笼统的针对“成人学习者”这一大概念而言，忽视了成人学习者的个性[2]。这主要源于三点：一为我国教育游戏发展较缓慢，在游戏设计的研究上还存在着一定局限，且实施成功的教育游戏产品较少；二为学生、家长群体对教育游戏本身存在偏见，过度强调教育游戏的游戏性，而忽视了教育游戏的教育性。三为在教育方式多元化的背景下，教育游戏目前未能照比其他教育方式完全体现出自身的优越性。基于此，本文针对大学生群体，对教育游戏进行策略研究，旨在通过问卷调查判别教育游戏在大学生群体中的可行性，并对教育游戏的影响因素进行评价，进而运用J48决策树算法进行数据挖掘，得出决策规则，优化教育游戏成功实现的相关路径。

一、文献综述

我國关于教育游戏的研究照比国外起步较晚，专家学者试图利用游戏与教育的结合来解决游戏带来的一些社会问题以及一些教育弊端[3]。张琪认为我国教育游戏尚属新兴事物，应避免狭义倾向研究；整体研究不够深入，对比研究有待加强；数字化游戏理论贫乏，尚待形成专属理论系统[4]。魏婷认为相关研究只涉及个别侧面，不够系统，且理论研究的创新性不够，实证研究数量较少，研究方法单一，基本为初步的探索[5]。张文兰在《教育游戏的本质与价值审思》中提出教育游戏的价值具体体现在激发学习动机、促进认知发展、培养社交技能与调节内心情感四个部分[6]。

由于教育游戏开发的门槛较低，造成目前教育游戏产品的良莠不齐，层次较低的教育游戏产品在实施过程中很难得到用户肯定。且我国教育游戏尚未形成一套完整的评价体系。只有刘文辉在《教育游戏评价指标的设计与开发》一文中，提出了基于学习设计、游戏设计与软件开发三个层面的教育游戏评价指标。目前，学者们针对影响教学游戏的属性各有论点。安福杰认为，设计出完善的游戏激励机制，才能赢得游戏者的持久游戏兴趣，从而促进他们主动持续完成整个学习过程[7。游戏心理学认为，用户在玩游戏时须满足自身的成长需求，即希望自身尽可能快的实现从低级到高级的变换。马颖峰认为，教育游戏活动难度调控可使得学生在游戏中产生沉浸感[8]。徐思行认为，游戏的收费水平是影响该游戏是否健康发展和成功实行的重要因素[9] 。

二、研究设计

1.研究对象及样本

本研究采用问卷调查法，调查对象为辽宁师范大学西山校区的在校大学生。采用网上问卷调查进行数据收集。从一年级到四年级的被调查学生数量分别为124人，128人，125人和116人。在对教育游戏主观兴趣度的问卷调查中，共回收有效问卷488份，有效率为98.98%。在进行策略研究的环节，对应生成7320个元组，每个被调查者对15个实例进行评判。

2.研究框架及内容

数据挖掘技术能够从数据中分析出有效信息。并将这些信息归纳整合为大学生教育游戏策略。主要包括数据获取、数据挖掘和数据分析三个步骤。

（1）数据获取：通过问卷调查法证实教育游戏在高校中可行性，被调查者对生成实例作出评判，后将试验数据录入平台。

（2）数据挖掘：采用J48算法生成决策树，对不同属性的等级做出排序。后将数据集生成决策规则，得出使教育游戏获得成功的条件）

（3）数据分析：通过分析试验数据得出结论。决策树中的属性等级越高，对教育游戏实施的影响越大。生成的决策规则可谓教育游戏在高校中的实施提供参考）

3.研究思路与方法

本研究进行的前提是“教育游戏在大学生群体中普遍受欢迎。”为了证明此观点，对调查问卷进行数据分析，包含四部分内容：被调查者的基本信息（2题），教育游戏知晓状况（4题），对教育游戏的态度（6题）及对教育游戏的展望（5题）。采用SPSS19.0作为平台。首先对调查问卷进行a信度系数分析，经计算信度系数为0.815，采用主成分分析法进行探索性因子分析，因子对整体累计方差贡献率达到53.371%，说明问卷的信度效度较好。

通过分析对教育游戏成功与否造成影响的因素，筛选属性与相应实例，进而得出研究结论。数据源于预先设定相关属性产生的实例，在发放调查问卷之前，需对不现实的实例进行过滤，在调查研究中，被调查者对不同教育游戏的实例进行评判。采用决策树算法对数据进行分析建模，通过判断结点等级高低来回答“何种属性对大学生教育游戏的影响最大”这一问题。后通过生成决策规则，对实例中的成功元组进行归纳，得出能使教育游戏成功实现的最优路径。为大学生教育游戏产品的开发提供参考。

三、研究过程

1.大学生对教育游戏在高校中应用的支持度分析

本研究进行的前提是大学生对教育游戏在高校中应用大体持支持态度。被调查学生对相关问题进行回答。100%的被调查者认为教育游戏可以提高自身对某一学科的兴趣度，但同时只有83.6%的大学生认为，教育游戏能够提高他们的相应成绩。说明教育游戏在大学生是能成功实现的。应当尝试将教育游戏用于非成绩考查课的学习，一些低兴趣度的必备课程也可以插入教育游戏。92.4%的大学生表示愿意为教育游戏投入资金，说明对大学生教育游戏适当收费是可以实现的。

针对学生偏好教育游戏类别，39%的大学生表示在教学游戏中比较偏好单机游戏，61%的学生表示较偏好网络游戏。相比之下网络游戏略为更受欢迎，但二者并无太明显的差别。在教育游戏应用中，不必完全使用其中的一种，而是要视实际情况灵活使用。针对学生偏好教育游戏知识涵盖量，92.6%的同学表示希望覆盖基础或稍简单的知识量。因此，大学生教育游戏应尽量避免涉及本学科之外的太多知识点。一方面，大学生的生活质量在显著提高。同时他们的价值观也在发生着变化。针对学生愿意为教育游戏花费金额数量，经统计，89.2%的同学表示可以承担约100元以下的费用。适当的经济成本可提高教育游戏的质量，因此可以对制作成本较高的教育游戏适当收费。

2.大学生教育游戏策略研究

在确定大学生教育游戏的可行性后，拟对大学生教育游戏策略进行实证研究，预先设定多种教育游戏实例进行调查研究。被调查者对不同实例的成功与否加以评判。因此，需要列举教育游戏的不同影响属性，从而得出实例。针对第一个问题，本文欲采用决策树算法对实例构成的数据集进行挖掘建模，针对第二个问题。需要对数据集中的成功实例生成决策规则，从而归纳出能使大学生教育游戏成功实现的最优路径。

（1）属性选取与实例生成

决策树根节点设定为“你认为此教育游戏是否成功”， 在我国，对教育游戏品级的评判尚未出现较成熟的评价体系。关于教育游戏，有大量与之相关的特征属性。但不是每个属性都能起到决定性的作用。分裂属性必须能够对该教育游戏产品产生较大影响。经筛选，选择以下八个属性为分裂属性，并加以编号，編号与属性对应关系如表1所示。确定以上8个属性后对每个属性确定不同参数值如表2所示：

根据上述表格属性个数，排列组合得出最初的实例集合。但由于有些实例组合并不符合实际：例如，同时满足“所占空间小”和“游戏质量高”，或是单机游戏还需花钱。这些实例在现实中是不应存在的、因此需要对测试机进行预处理。最终得出的实例为1620个。

（2）实验样本与实验环境

本研究实验样本与上一步对大学生教育游戏可行性的问卷调查的样本相同，并处于同一问卷中。在上一研究中，若被调查者认为大学生教育游戏无法成功实行，则无须回答本问卷。显然，让每名被调查者对这1620个实例进行评析是不符合现实的。因此将实例随机分布给被调查者，每个被调查者对约15个实例进行评析。

（3）决策树算法选取

作为分类算法，决策树算法分为J48算法和ID3算法。J48算法是由ID3算法演变而来，本名C4.5算法，由于在weka中的编号为J48，因此又被称为J48算法。假设N为测试集，类标号属性具有m个不同值，m个不同类Ci（i=1，2，…，m），CiD是N中Ci类的元组的集合，|N|和|CiN|分别是N和CiN中的元组个数。ID3算法中采用信息增益Info（N）作为属性的选择度量。可使数据分类所需信息量最小，期望信息如公式（1）：

信息增益越大，对应属性越靠近决策树顶端。在本实验中，越靠近根节点的属性，对根节点的影响最大。然而在实际操作中，若是某个属性所取的不同值的个数越多，那么作为分裂属性的几率就越大。因此使用ID3算法更偏向于具有大量数据的属性。在本实验中不大符合实际状况。相比之下，在J48算法中采用了信息增益率这一概念，将信息增益规范化。分类信息通过将数据集N划分成对应于属性A测试的v个输出的v个划分产生的信息。如公式（4）所示：

在选取具有最大增益律的属性进行分裂后，继续在其余属性中选取具有最大增益律的属性。直至划分完毕。两种算法对比之下，显然J48算法更加适合于本实验数据的处理。因此选取J48算法分析本实验数据。

J48算法采用信息增益率作为测试属性标准，大大减少了复杂度与计算量；在测试过程进行剪枝，对离散点和噪点进行过滤，对不完整数据进行处理，进而对决策树进行优化。本实验数据会有大概率出现离散点，由于将生成实例随机分发给不同学生，也有可能造成部分实例无人评判的现象，使调查数据不完整。因此，相比ID3算法，本实验选择使用J48算法对试验数据进行数据挖掘。

（4）实验流程

Weka是一个开源的数据挖掘平台。在本实验中的调查数据，均以数据集的形式被录入ARFF文件中。为获取数据，需要将问卷数据人工导入，此工作较为繁琐。将判定教育游戏成功与否的属性Sussessful设为根节点，部分实例如图1所示。

四、研究结果与讨论

1.实验结果

对所得数据用J48决策树算法进行处理。在本研究中生成的决策树中，第一层叶结点为游戏质量（Inherent），之后分别为花费金额（Expense）和学习难度（Difficulty）。从决策树本身的角度来看，选择此属性可以使决策树的深度尽可能的小。

对所的决策树模型生成决策规则，以便得出能够使教育游戏成功实行的最优路径。生成的决策规则中并不适用于所有的实例，但显然讨论满足条件过多的实例是无意义的。因此选择满足条件为5或5以下的决策规则。在选定的决策规则中，未提到的属性都可以自动忽略不计。将符合决策规则的元组与问卷数据对比，准确率为82.41%，证明此决策规则是可用的。

2.实验结论

从生成的决策树模型来看，游戏質量，即加强教育游戏的内在因素（如画面质量、剧情属性等）对教育游戏能否成功影响最大。在后续生成的决策规则中也侧面印证了这一点。在此之前已有学者提出过教育游戏质量不高是导致其达不到预期目标的原因之一，这都证明了应大力加强大学生教育游戏的质量层面，将沉浸与教育有机整合。

而决策规则显示同时满足以下条件的教育游戏最大概率获得成功，在每个规则中，其余属性可忽略不计。

（1）收费程度一般，质量高的网络移动设备教育游戏。

（2）知识难度中等，质量一般的免费教育游戏。

（3）所占质量一般，收费程度一般的网络教育游戏。

（4）空间中等，知识难度高，以电脑为终端的免费网络教育游戏。

（5）质量高的网络移动设备教育游戏。

（6）以电脑为终端，知识难度一般的免费教育游戏。

（7）知识难度高，奖励程度一般，以电脑为终端的本地免费教育游戏。

（8）奖励程度高，知识难度高，以电脑为终端的教育游戏。

（9）知识难度高，奖励程度丰厚的高质量电脑端教育游戏。

（10）空间小，知识含量为基础，游戏周期一般，以电脑为终端的免费教育游戏。

3.实验结果与展望

本文基于数据挖掘技术，经调查研究，教育游戏作为一种辅助工具，能够成功激发大学生的学习兴趣，在大学生群体中是可行的；通过使用J48决策树对所得数据进行建模，得出游戏质量为判定一个教育游戏是否成功的最重要因素。因此应当对大学生教育游戏的游戏质量方面加大投入。本文还相应挖掘出10种能够成功实现的教育游戏实例，以便对大学生教育游戏的成功实现作出参考。然而，在研究中也存在着一些问题。决策规则并不包含所有成功实例。事实上，基于此规则的教育游戏也只能说在最大程度上取得成功。主要原因在于本文只是在大学生教育游戏投入使用前的策略研究 。下一步研究重点在于，如何结合现有的教育游戏，对大学生教育游戏的实际应用进行评价分析与数据挖掘，从而将理论演变为实际。

参考文献：

[1].王娜.幼儿教学中教育游戏应用分析[J]. 少儿科学周刊（教育版），2014，4：136

[2].张宁.教育游戏中三位形象的设计[D].济南：山东师范大学，2010.

[3].张璐. 电子教育游戏在银川市小学数学教学中的应用研究[D].宁夏：宁夏大学，2014.

[4].张琪. 我国教育游戏研究述评及展望[J].开放教育研究，2009，5：107.

[5].魏婷.国内外教育游戏设计研究综述[R].兰州：西北师范大学，2008.

[6].张文兰.教育游戏的本质与价值审思[J].开放教育研究，2007，5：64.

[7].安福杰. 基于需要层次理论的教育游戏激励机制研究[J]. 中国电化教育，2013，3：96.

[8].马颖峰. 探究式教育游戏设计与开发研究[C].北京：北京大学，2011.

[9].徐思行.中国网络游戏产业收费情况分析[J].消费导刊，2009，1：52.

作者简介：孙华阳（1993-），男，汉族，辽宁省鞍山市，硕士生在读，辽宁师范大学计算机与信息技术学院，研究方向：数据挖掘；任永功（1972-），男，满族，辽宁省葫芦岛市，教授，博士，辽宁师范大学计算机与信息技术学院，研究方向：数据挖掘与人工智能。