劉 霖，劉 強(qiáng)，袁 勇

（國(guó)防科技大學(xué) 計(jì)算機(jī)學(xué)院，湖南 長(zhǎng)沙 410073）

0 引言

2002年，華盛頓特區(qū)伍德羅威爾遜國(guó)際學(xué)者中心發(fā)起“嚴(yán)肅教學(xué)計(jì)劃”，鼓勵(lì)開展可用于解決政策和管理相關(guān)問題的游戲設(shè)計(jì)與開發(fā)［1］，由此衍生出嚴(yán)肅游戲（也稱應(yīng)用游戲）的概念。在2012年的嚴(yán)肅游戲高峰會(huì)上［2］，中國(guó)傳媒大學(xué)動(dòng)畫與數(shù)字藝術(shù)學(xué)院教授、中視典數(shù)字科技首席戰(zhàn)略官費(fèi)廣正圍繞應(yīng)用游戲的基本概念、社會(huì)價(jià)值、如何促進(jìn)應(yīng)用以及設(shè)計(jì)原則、開發(fā)模式等問題進(jìn)行闡述，認(rèn)為應(yīng)用游戲不是游戲的嚴(yán)肅化，而是游戲概念的擴(kuò)大。應(yīng)用游戲的行業(yè)范圍不應(yīng)僅停留在娛樂行業(yè)，而要擴(kuò)大到各領(lǐng)域各行業(yè)的知識(shí)傳播、技能培訓(xùn)、情趣培養(yǎng)等方面。數(shù)字游戲能夠模擬實(shí)操環(huán)境供學(xué)習(xí)者反復(fù)練習(xí)［3-4］，具有安全和低學(xué)習(xí)成本的特點(diǎn)。許多教育工作者將游戲與教學(xué)相結(jié)合，研究如何通過游戲的多元感官環(huán)境充分調(diào)動(dòng)學(xué)習(xí)者的動(dòng)覺、聽覺和視覺，以提供更具強(qiáng)度、活力和新異性的活動(dòng)刺激［5］，使學(xué)習(xí)者能夠迅速地注意并接受學(xué)習(xí)內(nèi)容。

近幾年，計(jì)算機(jī)教育游戲已經(jīng)得到計(jì)算機(jī)教育科學(xué)研究人員越來越多的關(guān)注，包括SIGCSE在內(nèi)的多個(gè)計(jì)算機(jī)教育頂級(jí)國(guó)際會(huì)議都有相關(guān)工作。雖然國(guó)際上一些學(xué)者近幾年就教育游戲做了很多嘗試性工作［6］，例如Cyber-CIEGE［7］、CyberAware［8］、基于嚴(yán)肅類游戲的學(xué)習(xí)［9-10］等。但是，在大多數(shù)情況下，都是學(xué)生自主探索游玩。事實(shí)上，教育教學(xué)工作是在教師和學(xué)生良好融洽的配合下順利進(jìn)行的，教師科學(xué)備課和學(xué)生自主學(xué)習(xí)的動(dòng)力是教育教學(xué)工作開展的兩大關(guān)鍵性因素。目前，嚴(yán)肅類游戲教學(xué)在這兩大關(guān)鍵性因素上還存在如下問題：在教學(xué)初期，教師無法掌握學(xué)生的具體學(xué)習(xí)情況，難以實(shí)施針對(duì)性、個(gè)性化的教學(xué)；學(xué)生在學(xué)習(xí)知識(shí)時(shí)也容易在某個(gè)知識(shí)點(diǎn)的掌握上出現(xiàn)問題，嚴(yán)重影響后續(xù)知識(shí)學(xué)習(xí)，或造成學(xué)習(xí)積極性遭受嚴(yán)重挫傷。學(xué)情分析可為解決上述問題發(fā)揮重要作用，它是教學(xué)設(shè)計(jì)的關(guān)鍵環(huán)節(jié)，也是設(shè)計(jì)并實(shí)施高質(zhì)量教學(xué)活動(dòng)的重要保障。在強(qiáng)調(diào)以學(xué)生為中心的改革理念下，學(xué)情分析更成為一個(gè)關(guān)鍵的教學(xué)要素，引導(dǎo)和推動(dòng)著整個(gè)教學(xué)活動(dòng)［11］。目前國(guó)內(nèi)尚無權(quán)威的、面向嚴(yán)肅游戲的學(xué)情分析模型。因此，設(shè)計(jì)一個(gè)合理的學(xué)習(xí)者玩家學(xué)情分析模型，幫助施教者動(dòng)態(tài)掌握受教者的學(xué)習(xí)情況，包括受教者群體的總體特征以及受教者個(gè)體的差異性特征，是基于嚴(yán)肅游戲的教育教學(xué)亟需解決的問題。

本文以嚴(yán)肅類教學(xué)游戲玩家學(xué)情分析為設(shè)計(jì)目標(biāo)，提出一個(gè)基于聚類算法的學(xué)習(xí)者玩家學(xué)情分析模型。此模型主要描述嚴(yán)肅類教學(xué)游戲從數(shù)據(jù)采集到聚類分析算法的應(yīng)用，幫助教學(xué)游戲開發(fā)人員在系統(tǒng)設(shè)計(jì)過程中完善教學(xué)反饋機(jī)制，使游戲結(jié)果產(chǎn)出能更有效地支撐常規(guī)的教育教學(xué)過程。

1 學(xué)習(xí)者玩家學(xué)情分析模型設(shè)計(jì)

本模型以云服務(wù)器為基本條件，在嚴(yán)肅類教學(xué)游戲開發(fā)設(shè)計(jì)過程中，開展詳細(xì)的游戲反饋數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)。另一方面，模型使用者在得到對(duì)應(yīng)數(shù)據(jù)后，將數(shù)據(jù)從數(shù)據(jù)庫中取出，從數(shù)據(jù)中抽取特征，繼而分析數(shù)據(jù)。

玩家注冊(cè)模塊設(shè)計(jì)是訪問數(shù)據(jù)反饋的網(wǎng)頁，并將玩家注冊(cè)的基本信息發(fā)送到云服務(wù)器網(wǎng)頁中。云服務(wù)器在完成數(shù)據(jù)合法性校驗(yàn)后將信息插入數(shù)據(jù)庫中。本地系統(tǒng)也針對(duì)這一功能設(shè)計(jì)登錄信息采集模塊，并提供反饋?zhàn)?cè)結(jié)果的方式。本模型涉及的登錄信息采集流程見圖1。

Fig.1 Workflow of collecting login data圖1 登錄信息采集流程

同樣，嚴(yán)肅類教學(xué)游戲在設(shè)計(jì)的時(shí)候需統(tǒng)計(jì)玩家答題的信息以及玩家的游玩時(shí)間。這2個(gè)數(shù)據(jù)字段的設(shè)計(jì)是模型開展數(shù)據(jù)分析的基礎(chǔ)，也是客觀上玩家在參與嚴(yán)肅游戲教學(xué)時(shí)能反饋的核心數(shù)據(jù)，采集此數(shù)據(jù)能讓后續(xù)數(shù)據(jù)分析更具有客觀性，減少玩家主觀性帶來的影響。而其采集模塊設(shè)計(jì)思想與上述類似，答題數(shù)據(jù)采集流程如圖2。

Fig.2 Workflow of collecting question answer data圖2 答題數(shù)據(jù)采集流程

最后，在數(shù)據(jù)庫獲取到用戶已填寫的反饋數(shù)據(jù)后，本模型針對(duì)玩家反饋數(shù)據(jù)開展數(shù)據(jù)分析，將所采集到的數(shù)據(jù)進(jìn)行對(duì)象化處理并分類。依據(jù)所設(shè)計(jì)的題目信息與玩家答題情況，針對(duì)每道題目、每位玩家答題結(jié)果開展數(shù)值計(jì)算，以數(shù)值計(jì)算的結(jié)果選取特征，進(jìn)一步進(jìn)行模型訓(xùn)練，并做出對(duì)應(yīng)的可視化圖表供施教者了解信息。數(shù)據(jù)分析流程見圖3。

Fig.3 Workflow of data analysis圖3 數(shù)據(jù)分析流程

將前文的模型內(nèi)容匯總，得到所設(shè)計(jì)的學(xué)習(xí)者玩家學(xué)情分析模型總體框架，如圖4。

Fig.4 Overall architecture of players' learning situation analysis model圖4 學(xué)習(xí)者玩家學(xué)情分析模型總體架構(gòu)

2 面向聚類分析的數(shù)據(jù)特征工程方法

2.1 游戲反饋數(shù)據(jù)的準(zhǔn)備及其預(yù)處理

本模型使用到的訓(xùn)練數(shù)據(jù)按照模型設(shè)計(jì)中所規(guī)定的數(shù)據(jù)結(jié)構(gòu)組織，在推廣公測(cè)后，由系統(tǒng)自動(dòng)采集用戶在真實(shí)游戲游玩過程中的反饋數(shù)據(jù)。游戲反饋數(shù)據(jù)采集流程如圖5。

Fig.5 Workflow of collecting game feedback data圖5 游戲反饋數(shù)據(jù)采集流程

具體來講，游戲反饋數(shù)據(jù)的結(jié)構(gòu)由表1所示內(nèi)容構(gòu)成。

Table 1 Data structure of game feedback data表1 游戲反饋數(shù)據(jù)結(jié)構(gòu)

完成玩家反饋數(shù)據(jù)采集后，模型基于已有的數(shù)據(jù)開展數(shù)據(jù)預(yù)處理。數(shù)據(jù)信息從數(shù)據(jù)庫中取出后存入各字典中。經(jīng)過數(shù)據(jù)預(yù)處理后的游戲反饋數(shù)據(jù)構(gòu)成如表2。

Table 2 Data structure of game feedback data after preprocessing表2 數(shù)據(jù)預(yù)處理后的游戲反饋數(shù)據(jù)結(jié)構(gòu)

2.2 面向聚類分析的混合特征選擇

2.2.1 主要思想

首先，通過收集到的題目數(shù)據(jù)計(jì)算每個(gè)題目難度系數(shù)；通過玩家答題信息得到每位玩家在每個(gè)題目上嘗試的次數(shù)；通過上述2個(gè)數(shù)據(jù)計(jì)算得到學(xué)習(xí)者玩家在每道題目上的綜合得分；最后將該玩家所有題目的綜合得分相加得到其綜合表現(xiàn)得分。

在上述工作基礎(chǔ)上，選取學(xué)習(xí)者玩家填寫的年級(jí)信息、每道題目的綜合得分以及玩家的綜合表現(xiàn)為聚類特征，開展基于聚類算法的數(shù)據(jù)分析。

2.2.2 具體流程

（1）難度系數(shù)（QW）為對(duì)題目難度的評(píng)估指標(biāo)，后續(xù)用作玩家分?jǐn)?shù)計(jì)算。其計(jì)算公式如下：

（2）通過玩家答題歷史記錄，得到每個(gè)題目每個(gè)玩家的嘗試次數(shù)N。

（3）每個(gè)題目難度系數(shù)越大，常數(shù)N越小表明玩家在此題目上的綜合得分較高。因此使用QW與1/N相乘，但實(shí)際上玩家答題一次便成功的得分與玩家兩次嘗試的得分之間的差距不應(yīng)比兩次嘗試得分與十次才成功的差距要大，常數(shù)N取倒數(shù)會(huì)導(dǎo)致數(shù)據(jù)及其不平滑。對(duì)1/N采取雙曲正切激活函數(shù)處理，最終得到每個(gè)題目的得分：

（4）計(jì)算該玩家的綜合表現(xiàn)。

（5）考慮到專業(yè)年級(jí)對(duì)玩家知識(shí)能力掌握有著比較大的影響，故將玩家填寫的年級(jí)信息進(jìn)行數(shù)值化處理，得到另一種特征Grade。

（6）對(duì)Score（i），TotalScore，Grade所有特征進(jìn)行歸一化處理。這里采取兩種歸一化處理的方式，針對(duì)得分的數(shù)據(jù)，采取標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化，計(jì)算公式如下：

針對(duì)數(shù)值化處理后的年級(jí)信息采取線性歸一化。計(jì)算公式如下：

至此，數(shù)據(jù)處理過程基本結(jié)束，下一步即可采取聚類算法對(duì)學(xué)習(xí)者玩家進(jìn)行分析。

3 學(xué)習(xí)者玩家學(xué)情分析模型應(yīng)用實(shí)例

使用文獻(xiàn)【12】中的網(wǎng)絡(luò)安全嚴(yán)肅游戲教學(xué)系統(tǒng)作為工作基礎(chǔ)，開展玩家學(xué)情分析模型應(yīng)用效果分析。

3.1 計(jì)算題目難度

根據(jù)題號(hào)將其對(duì)應(yīng)的難度系數(shù)一一標(biāo)注出來，部分結(jié)果如圖6，其中空值表明相應(yīng)的題目不存在玩家回答錯(cuò)誤。

Fig.6 Difficulty coefficient of questions（partial）圖6 題目難度系數(shù)（部分）

3.2 計(jì)算玩家單個(gè)題目的得分

由式（2）計(jì)算玩家在每個(gè)題目上的得分，圖7展示的是某玩家的部分題目得分情況。

Fig.7 Single player's score（partial）圖7 單個(gè)玩家的題目得分情況（部分）

3.2 計(jì)算玩家綜合得分

由式（3）—（6）計(jì)算每個(gè)玩家的綜合得分，得到玩家的綜合表現(xiàn)情況。圖8展示了部分玩家的綜合表現(xiàn)得分情況。

Fig.8 Players' scores of comprehensive performance（partial）圖8 玩家綜合表現(xiàn)得分（部分）

3.4 開展聚類分析

基于上述結(jié)果，使用不同的聚類算法開展聚類結(jié)果的對(duì)比分析，以初步驗(yàn)證本文提出的學(xué)情分析模型的現(xiàn)實(shí)可行性。在制圖時(shí)，為方便展示，圖片僅展示學(xué)生年級(jí)（Grade）和玩家綜合表現(xiàn)得分（Score）兩個(gè)總體特征。

圖9展示了k-means、DBSCAN、AgglomerativeClustering和k-means++4種聚類算法的聚類結(jié)果。

Fig.9 Comparative results of different clustering algorithms with respect to real game feedback data圖9 基于實(shí)際采集到的教學(xué)游戲反饋數(shù)據(jù)的不同聚類算法分析結(jié)果

根據(jù)游戲玩家有無信息安全基礎(chǔ)的實(shí)際標(biāo)簽情況，以不同形狀的數(shù)據(jù)點(diǎn)表示運(yùn)行聚類算法后得到的不同數(shù)據(jù)類別，叉形數(shù)據(jù)點(diǎn)表示相應(yīng)的游戲玩家是無信息安全基礎(chǔ)學(xué)習(xí)者，圓形數(shù)據(jù)點(diǎn)表示的是有信息安全基礎(chǔ)學(xué)習(xí)者。從結(jié)果可知，不同玩家之間的學(xué)習(xí)情況差異較大，具有明顯的聚集性特點(diǎn)。因此，通過綜合聚類結(jié)果和游戲玩家的答題對(duì)錯(cuò)結(jié)果可以預(yù)測(cè)該玩家是否為信息安全專業(yè)學(xué)習(xí)者。

值得一提的是，雖然當(dāng)前實(shí)際采集的數(shù)據(jù)樣本數(shù)量有限，但上述聚類結(jié)果初步表明，施教者在使用嚴(yán)肅類教學(xué)游戲系統(tǒng)開展教學(xué)活動(dòng)時(shí)，可以通過玩家的游戲數(shù)據(jù)反饋情況來推斷其學(xué)科專業(yè)方向。在此基礎(chǔ)上，教師也可以為不同基礎(chǔ)玩家在后續(xù)學(xué)習(xí)中視具體情況提升或降低授課難度，或以此為標(biāo)準(zhǔn)自適應(yīng)嚴(yán)肅游戲教學(xué)難度。同時(shí)，在使用模型進(jìn)行分析時(shí)，也得到不同層次的學(xué)習(xí)者數(shù)據(jù)特點(diǎn)區(qū)別明顯的結(jié)果。而數(shù)據(jù)反饋?zhàn)侄芜€可以提取出玩家在每個(gè)知識(shí)領(lǐng)域的題目作答情況，綜合此信息，可以得到學(xué)習(xí)者不同研究領(lǐng)域的能力圖。嚴(yán)肅游戲在設(shè)計(jì)時(shí)也可以實(shí)現(xiàn)精準(zhǔn)投送知識(shí)點(diǎn)，使嚴(yán)肅游戲使用者能夠有針對(duì)地補(bǔ)充知識(shí)。除此之外，模型使用者還可以根據(jù)字段進(jìn)行更多針對(duì)性數(shù)據(jù)分析以提升教學(xué)效果。這也證明模型在學(xué)情分析方面具有現(xiàn)實(shí)可行性。

4 結(jié)語

20多年來，來自教育界的理論和實(shí)踐研究表明，基于嚴(yán)肅游戲的教學(xué)效果明顯，未來發(fā)展空間廣闊。然而嚴(yán)肅游戲教學(xué)仍存在學(xué)情分析不足的問題，影響施教者對(duì)受教者的整體特征和差異性特征的掌握程度，也挫傷了受教者使用嚴(yán)肅游戲教學(xué)系統(tǒng)的積極性。

本文提出一個(gè)面向嚴(yán)肅游戲的學(xué)習(xí)者玩家學(xué)情分析模型。具體來講，首先從嚴(yán)肅游戲教學(xué)系統(tǒng)的反饋數(shù)據(jù)入手，設(shè)計(jì)了一系列游戲反饋數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)；基于此數(shù)據(jù)結(jié)構(gòu)，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)學(xué)習(xí)者玩家數(shù)據(jù)分析流程；基于網(wǎng)絡(luò)空間安全虛擬仿真教學(xué)系統(tǒng)，展示所提出模型的應(yīng)用過程和效果。數(shù)據(jù)分析結(jié)果表明，本文設(shè)計(jì)的反饋數(shù)據(jù)結(jié)構(gòu)特征具有明顯的聚集性，通過聚類能夠有效地將不同學(xué)科專業(yè)方向的玩家區(qū)別開來。

未來，嚴(yán)肅游戲教學(xué)系統(tǒng)開發(fā)者可以拓展本模型來實(shí)現(xiàn)更深層次的數(shù)據(jù)分析，以期根據(jù)不同學(xué)習(xí)者對(duì)不同知識(shí)領(lǐng)域的掌握情況來實(shí)施精準(zhǔn)的知識(shí)單元推薦。此外，施教者可以拓展本模型來研究不同受教者之間的差異性特征，幫助其優(yōu)化教學(xué)過程。