Regression Models for the AI Gaming Chatbot for Learning Programming Based on Wordle-Type Puzzles

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅存取

详细

Программирование является одним из важнейших навыков XXI в. Однако для многих учащихся обучение программированию является довольно сложным процессом. Вт аких случаях важно поддерживать интерес и вовлеченность студентов в процесс обучения. Считается, что цифровые игры могут решить эту проблему. Одним из видов игр, которые хорошо подходят для сферы компьютерных наук, являются головоломки, которые направлены в том числе и на развитие когнитивных способностей. Целью статьи является разработка моделей, алгоритма работы и структуры игрового чат-бота с искусственным интеллектом для обучения программированию с помощью заданий-головоломок по типу словесной игры Wordle. Wordle выбрана по причине ее всемирной популярности и адаптирована в виде игрового чат-бота для использования в процессе обучения программированию. Искусственный интеллект в чат-боте необходим для контроля целесообразности и подходящего времени его использования, а также адаптивного формирования уровня сложности заданий-головоломок. На основе собранных в результате использования неинтеллектуального игрового чат-бота данных были построены регрессионные модели влияния показателей студентов на уровень интереса и сложности предлагаемых игровым чат-ботом заданий-головоломок. Разработанные модели легли в основу алгоритма работы и структуры игрового чат-бота с искусственным интеллектом. При использовании интеллектуального игрового чат-бота есть возможность дообучать модели и корректировать полученные ранее значения коэффициентов.

作者简介

A. Varnavsky

Email: avarnavsky@hse.ru

参考

  1. Mayer R.E. Computer Games in Education // Ann. Rev. Psychol. 2019. V. 70. P. 531–549. https://doi.org/10.1146/ANNUREV-PSYCH-010418-102744
  2. Zhan Z., He L., Tong Y., et. al. The effectiveness of gamification in programming education: Evidence from a meta-analysis // Comput. Educat.: Artific. Intelligence. 2022. V. 3. 100096 p. https://doi.org/10.1016/J.CAEAI.2022.100096
  3. Nouchi R., Taki Y., Takeuchi H., et. al. Brain Training Game Boosts Executive Functions, Working Memory and Processing Speed in the Young Adults: A Randomized Controlled Trial // PLoS One. 2013. V. 8. e55518 p. https://doi.org/10.1371/JOURNAL.PONE.0055518
  4. Huang V., Young M., Fiocco A.J. The Association Between Video Game Play and Cognitive Function: Does Gaming Platform Matter? // Cyberpsychol. Behav. Soc. Netw. 2017. V. 20. P. 689–694. https://doi.org/10.1089/CYBER.2017.0241
  5. Selamat S.S., Nasir M.K., Adnan N.H. Investigation of Computational Thinking Skills through Instructional Techniques, Games and Programming Tools // Int. J. Learn. Teach. Educ. Res. 2024. V. 23. No. 10. P. 435–452. https://doi.org/10.26803/ijlter.23.10.21
  6. Parsons D., Haden P. Parson’s Programming Puzzles: A Fun and Effective Learning Tool for First Programming Courses // Proceedings of the 8th Australasian Conference on Computing Education. Australian Computer Society, Inc. 2006. V. 52. P. 157–163.
  7. Murphy M., Spillane K., Cully J., et. al. Can Word Puzzles be Tailored to Improve Different Dimensions of Verbal Fluency? A Report of an Intervention Study // J. Psych. Elsevier Publ. 2016. V. 150. P. 743–754. https://doi.org/10.1080/00223980.2016.1182887
  8. Friedlander K.J., Fine P.A. Fluid Intelligence is Key to Successful Cryptic Crossword Solving // J. Expert. 2020. V. 3. P. 101–132.
  9. Juricic V., Radoˇsevic M. Puzzle-like programming languages in teaching programming // 42nd International Convention on Information and Communication Technology, Electronics and Microelectronics, MIPRO 2019 – Proceedings. Institute of Electrical and Electronics Engineers Inc. 2019. P. 542–546. hoi.org/10.239ttps://d19/MIPRO.2019.8757192
  10. Fakhoury S., Ma Y., Arnaoudova V., Adesope O. The Effect of Poor Source Code Lexicon and Readability on Developers’ Cognitive Load // 2018 IEEE/ACM 26th International Conference on Program Comprehension (ICPC). Gothenburg, Sweden. 2018. P. 286–28610.
  11. Wassila D., Tahar B. Using serious game to simplify algorithm learning // International Conference on Education and e-Learning Innovations, ICEELI 2012. 2012. P. 1–5. https://doi.org/10.1109/ICEELI.2012.6360569
  12. Liu Y., Tan J., Yang Z., et. al. Application Study of Collaborative Multi-Model in Wordle Game // 5th International Conference on Machine Learning and Computer Application (ICMLCA). 2024. P. 591–596.
  13. Zhang Z., Wang S., Sun D. A Study of Wordle Games Based on Mathematical Models // IEEE 2nd International Conference on Control, Electronics and Computer Technology (ICCECT). 2024. P. 813–817.
  14. Wang S., Zhou G., Zhang Z., et. al. Exploring wordle: a data-driven analysis of gameplay dynamics, mathematical modeling, and educational implications // Proc. SPIE 13219, Fourth International Conference on Applied Mathematics, Modelling, and Intelligent Computing (CAMMIC 2024). 2024. 132190F. https://doi.org/10.1117/12.3036932
  15. Cunningham-Nelson S., Boles W., Trouton L., et. al. A review of chatbots in education: Practical steps forward // 30th Annual Conference for the Australasian Association for Engineering Education (AAEE 2019): Educators Becoming Agents of Change: Innovate, Integrate, Motivate. Engineers Australia, Brisbane, Queensland. 2019. P. 299–306.
  16. Setiawan H., Phillipson S. The effectiveness of Game-Based Science Learning (GBSL) to improve students’ academic achievement: A meta-analysis of current research from 2010 to 2017 // REID (Research and Evaluation in Education). 2019. V. 5. P. 152–168. https://doi.org/10.21831/REID.V5I2.28073
  17. Karako，c B., Eryılmaz K., Turan ¨Ozpolat E., et. al. The Effect of GameBased Learning on Student Achievement: A Meta-Analysis Study // Technology, Knowledge and Learning. 2020. V. 27. P. 207–222. https://doi.org/10.1007/S10758-020-09471-5
  18. Connolly T.M., Boyle E.A., MacArthur E., et. al. A systematic literature review of empirical evidence on computer games and serious games // Comput. Educ. 2012. V. 59. P. 661–686. https://doi.org/10.1016/J.COMPEDU.2012.03.004
  19. Vahldick A., Mendes A.J., Marcelino M.J. A review of games designed to improve introductory computer programming competencies // Proceedings – Frontiers in Education Conference, FIE. 2014. P. 1–7. Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/FIE.2014.7044114
  20. Miljanovic M.A., Bradbury J.S. A review of serious games for programming // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2018. V. 11243 LNCS. P. 204–216. https://doi.org/10.1007/978-3-030-02762-9_21/COVER
  21. Giannakoulas A., Xinogalos S. A Review of Educational Games for Teaching Programming to Primary School Students // Handbook of Research on Tools for Teaching Computational Thinking in P-12 Education. 2020. P. 1–30. https://doi.org/10.4018/978-1-7998-4576-8.ch001
  22. Falkner N., Sooriamurthi R., Michalewicz Z. Puzzle-based learning for engineering and computer science // Computer (Long Beach Calif). 2010. V. 43. P. 20–28. https://doi.org/10.1109/MC.2010.113
  23. Khamparia A., Pandey B. Effects of visual map embedded approach on students learning performance using Briggs-Myers learning style in word puzzle gaming course // Comput. Elect. Engin. 2018. V. 66. P. 531–540. https://doi.org/10.1016/J.COMPELECENG.2017.12.041
  24. Toma M., Halpern D.F., Berger D.E. Cognitive Abilities of Elite Nationally Ranked SCRABBLE and Crossword Experts // Appl. Cogn. Psychol. 2014. V. 28. P. 727–737. https://doi.org/10.1002/ACP.3059
  25. Hambrick D.Z., Salthouse T.A., Meinz E.J. Predictors of crossword puzzle proficiency and moderators of age-cognition relations // J. Exp. Psychol. Gen. 1999. V. 128. P. 131–164. https://doi.org/10.1037/0096-3445.128.2.131
  26. Makasi T., Nili A., Desouza K.C., et. al. A Typology of Chatbots in Public Service Delivery // IEEE Softw. 2022. V. 39. P. 58–66. https://doi.org/10.1109/MS.2021.3073674
  27. Marikyan D., Papagiannidis S., Rana O.F., et. al. “Alexa, let’s talk about my productivity”: The impact of digital assistants on work productivity // J. Bus. Res. 2022. V. 142. P. 572–584. https://doi.org/10.1016/J.JBUSRES.2022.01.015
  28. Kimani E., Rowan K., McDuff D., et. al. A Conversational Agent in Support of Productivity and Wellbeing at Work // 8th International Conference on Affective Computing and Intelligent Interaction, ACII 2019. 2019. P. 332–338. https://doi.org/10.1109/ACII.2019.8925488
  29. Gkinko L., Elbanna A. Hope, tolerance and empathy: employees’ emotions when using an AI-enabled chatbot in a digitalised workplace // Information Technology and People. 2022. V. 35. P. 1714–1743. https://doi.org/10.1108/ITP-04-2021-0328/FULL/PDF
  30. Bavaresco R., Silveira D., Reis E., et. al. Conversational agents in business: A systematic literature review and future research directions // Comput. Sci. Rev. 2020. V. 36. 100239 p. https://doi.org/10.1016/J.COSREV.2020.100239
  31. Brandtzaeg P.B., Følstad A. Why people use chatbots // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2017. V. 10673 LNCS. P. 377–392. https://doi.org/10.1007/978-3-319-70284-1_30
  32. Fotheringham D., Wiles M.A. The effect of implementing chatbot customer service on stock returns: an event study analysis // J. Acad. Mark. Sci. 2023. V. 51. P. 802–822. https://doi.org/10.1007/S11747-022-00841-2/TABLES/6
  33. Ciechanowski L., Przegalinska A., Magnuski M., et. al. In the shades of the uncanny valley: An experimental study of human-chatbot interaction // Futur. Generat. Comput. Syst. 2019. V. 92. P. 539–548. https://doi.org/10.1016/J.FUTURE.2018.01.055
  34. Thakkar J., Raut P., Doshi Y., et. al. Erasmus AI Chatbot // Int. J. Comput. Sci. Eng. 2018. V. 6. P. 498–502. https://doi.org/10.26438/IJCSE/V6I10.498502
  35. Sidaoui K., Jaakkola M., Burton J. AI feel you: customer experience assessment via chatbot interviews // J. Servic. Management. 2020. V. 31. P. 745–766. https://doi.org/10.1108/JOSM-11-2019-0341/FULL/PDF
  36. Zhou L., Paul S., Demirkan H., et. al. Intelligence Augmentation: Towards Building Human-Machine Symbiotic Relationship // AIS Transactions on Human-Computer Interaction. 2021. V. 13. P. 243–264. https://doi.org/10.17705/1thci.00149
  37. Gkinko L., Elbanna A. The appropriation of conversational AI in the workplace: A taxonomy of AI chatbot users // Int. J. Inf. Management. 2023. V. 69. 102568 p. https://doi.org/10.1016/J.IJINFOMGT.2022.102568
  38. Rizomyliotis I., Kastanakis M.N., Giovanis A., et. al. “How mAy I help you today?” The use of AI chatbots in small family businesses and the moderating role of customer affective commitment // J. Bus. Res. 2022. V. 153. P. 329–340. https://doi.org/10.1016/J.JBUSRES.2022.08.035
  39. Chen Q., Gong Y., Lu Y., et. al. Classifying and measuring the service quality of AI chatbot in frontline service // J. Bus. Res. 2022. V. 145. P. 552–568. https://doi.org/10.1016/J.JBUSRES.2022.02.088
  40. Tam W., Huynh T., Tang A., et. al. Nursing education in the age of artificial intelligence powered Chatbots (AI-Chatbots): Are we ready yet? // Nurse Educ. Today. 2023. V. 129. 105917 p. https://doi.org/10.1016/J.NEDT.2023.105917
  41. Zhu Y., Zhang J., Wu J., et. al. AI is better when I’m sure: The influence of certainty of needs on consumers’ acceptance of AI chatbots // J. Bus. Res. 2022. V. 150. P. 642–652. https://doi.org/10.1016/J.JBUSRES.2022.06.044
  42. Ruan Y., Mezei J. When do AI chatbots lead to higher customer satisfaction than human frontline employees in online shopping assistance? Considering product attribute type // J. Retailing Consum. Ser. 2022. V. 68. 103059 p. https://doi.org/10.1016/J.JRETCONSER.2022.103059
  43. Janssen A., Rodr´ıguez Cardona D., Passlick J., et. al. How to Make chatbots productive – A user-oriented implementation framework // Int. J. Hum. Comput. Stud. 2022. V. 168. 102921 p. https://doi.org/10.1016/J.IJHCS.2022.102921
  44. Lee D., Yeo S. Developing an AI-based chatbot for practicing responsive teaching in mathematics // Comput. Educ. 2022. V. 191. 104646 p. https://doi.org/10.1016/J.COMPEDU.2022.104646
  45. Liu C.C., Liao M.G., Chang C.H., et. al. An analysis of children’s interaction with an AI chatbot and its impact on their interest in reading // Comput. Educ. 2022. V. 189. 104576 p. https://doi.org/10.1016/J.COMPEDU.2022.104576
  46. Johnson C., Urazov M., Zanoli E. Escapeling: A Gamified, AI-Supported Chatbot for Collaborative Language Practice // Lecture Notes in Networks and Systems. 2022. V. 349. P. 141–148. https://doi.org/10.1007/978-3-030-90677-1_14/COVER
  47. Варнавский А.Н. Сравнение показателей восприятия игрового чат-бота с заданиями-головоломками для обучения программированию с показателями восприятия других образовательных инструментов // Информатика и образование. 2024. T. 39. № 4. С. 41–50. https://doi.org/10.32517/0234-0453-2024-39-4-41-50
  48. Варнавский А.Н. Использование игрового чат-бота для развития навыков алгоритмического и логического мышления // Информатика и образование. 2024. Т. 39. № 2. С. 48–58. https://doi.org/10.32517/0234-0453-2024-39-2-48-58
  49. Варнавский А.Н. Модели интереса, сложности и воспринимаемой полезности игрового чат-бота c головоломками по типу Wordle для обучения программированию // Информационные технологии. 2024. Т. 30. № 7. С. 372–381. https://doi.org/10.17587/it.30.372-381

补充文件

附件文件
动作
1. JATS XML
下载

版权所有 © The Russian Academy of Sciences, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».