支持智慧学习的语境化叙事游戏开发与学习效果验证

王广新 王悦

【摘 要】智慧教育的核心是分析学生的各种信息使之产生意义，据此为学生提供个性化的学习服务。自适应游戏将是实现智慧教育的重要资源之一。本研究认为，以追踪学生知识结构为特点的语境化叙事游戏，比采用动态难度调整的定制化服务游戏更能有效辨别学生的认知特征。以互动叙事理论和知识空间为指导开发了语境化叙事游戏的整体模型，并用Unity 3D作为游戏开发平台制作了“拯救牛顿”游戏，以建构的“游戏化发现学习过程模型”把游戏融入初中生的摩擦力概念学习之中。实证研究的结果显示，学生对语境化叙事有较高的体验，显著提高了概念的认知细化、理解和迁移。回归分析的结果显示，游戏体验的适应性、内容适切度和注意力能显著预测学生对概念的认知细化、理解和迁移。

【关键词】  智慧学习;教育游戏;语境化叙事;人工智能;自适应;互动叙事;发现式学习;认知细化

【中图分类号】   G434        【文献标识码】  B       【文章編号】  1009-458x（2019）10-0020-09

一、引言

智慧教育是指通过技术融合的生态化学习环境来培植数据智慧、教学智慧和文化智慧，其目的是让学生获得适宜的个性化学习服务和美好的发展体验，培养他们具有较好的思维品质、较深的创造潜能等（祝智庭， 等， 2012）。智慧教育的理念超越了学校信息化建设中关注信息技术基础设施建设、强调媒体的一般教学应用状态，走向反思和探索信息化教育应用的新的教育生态，它的实现必须依靠“人类智慧与机器智慧的结合”（马小强， 等， 2017）。所谓用机器智慧构建智能的学习环境，就是用人工智能、大数据等学习分析技术来改善的使学习活动变得更好和更快的学习环境。因此，学习环境是否具有适当的适应性是智慧行为的标志，它的最显著特征是“智能化、适应性、个性化、自主性等”（Spector， 2014）。

Koper（2011）认为，许多基于计算机技术的工具和软件（如游戏和测试等）是智慧学习环境最有效的解决方案。学者把游戏作为智慧学习环境的有效解决方案，是与他们对智能化游戏开发的积极尝试有关。从技术视角来看，这些学者开发的游戏原型能够把学习情境、内容和智能算法进行有效的集成，实现了动态评估学生学习风格、知识和技能的水平等个体特征的目的，可以据此安排和调整游戏叙事，提供个性化的学习策略。从学习效果的视角来看，融入自适应技术的智能化游戏提供“做中学”的交互式学习环境，学生在环境中解决问题的同时，系统监控学生解决问题的步骤并根据需要提供指导、提示等反馈，不仅能显著地提高学习效率，同时也促进了个别化学习的实现（张志祯， 等， 2019）。

从国内外现有的自适应游戏开发成果来看，学者已从学习心理学、教学设计理论、人工智能技术等方面建立了一些有效的自适应模型，它们是根据测量的学生变量（如学习风格和认知能力等）来调整内部的参数，以适应学生需求和偏好所表现出的教学变量，如内容排序、支架和学习资源呈现方式等，为学生提供个性化的适当干预，如故事情节、学习步调或者难度。目前，国内外学者已经建立了许多旨在适应学习风格、能力发展水平等个体差异的游戏原型，其实“每个学生个体差异不仅表现在学习风格和能力发展水平上，也体现在学生的知识结构上，这早已被教育学家认可，随着诸如计算机辅助学习系统的流行，相关研究认同了适应学生知识结构为其定制学习内容的好处”（Vandewaetere， Desmet， & Clarebout， 2011）。国外学者近几年逐步展开了游戏学习情境适应学生知识结构提高学习体验的初步研究，而国内学者对该类游戏则鲜有研究。因此，建立该类游戏开发原型对充实我国自适应教育游戏的研究领域有十分重要的参考价值。

二、研究问题的提出

数字化教育游戏产生于计算机技术和网络技术的发展与普及之中，大数据、学习分析以及人工智能等技术的发展使得游戏向智慧化方向发展，游戏化学习越来越适应学生的个性化要求。

（一）教育游戏智慧化的基本发展轨迹与要求

智慧教育中描述的个性化特征或原则一直是教学设计领域的核心概念。早在20世纪初，传统课堂教学就开始尝试一对一的教学方法，这是早期经典的个性化学习设计，最有代表性的系统是布鲁姆的掌握式学习，它是基于固定的主要的教学组件（如教育目标和经典的知识评价等）来调整教学的宏观适应。用机器实现个性化学习的尝试始于20世纪60年代的程序教学，它是基于教师的直觉进行设计，而不是完善的学生学习模型或者教育理论，其适应水平是简单的。20世纪70年代以后，计算机技术逐步代替程序教学机器而进入智能化时代，开始引入人工智能技术和自适应算法测量学生的绩效，用于精确地优化教学序列，使学习活动的体验更加个性化，因其是对学习系统内部的任务进行测量和干预而被称为微观适应，并因具有智能化特征，也被称为自适应系统。

教育游戏在追求满足学生个性化学习要求的教学设计中，适应性经历了从被动适应到自适应的渐进发展过程。20世纪90年代的游戏是根据学生的喜好和水平等预先设置游戏的适应方式或水平，如提供“简单—普通—困难”选择模式，这是一种让学生来决定游戏运行路径的宏观适应方式，不具有智能化的微观调节功能。21世纪初，一些学者尝试把网络学习系统使用人工智能的成果引入到游戏的开发之中，这种自适应机制能对学生的学习过程进行有效的干预，自动引导学生获取知识（Kickmeier-Rust & Albert， 2010）。

人工智能技术融入教育游戏使得它具有自适应的智能化特征，可以自动捕捉学生和游戏之间的相互作用，并对自动调整之前的交互历史进行分析，用智能化的适应来提供学生不可预见的微观策略，或拓展学生表现出的能力，可使学生创建丰富的学习体验，使游戏更具挑战性和乐趣。Soflano等人（2015）对非适应、适应性（宏观的被动适应模式）、动态的自适应三种教育游戏的研究显示，自适应游戏相比普通教育游戏和适应性教育游戏有更好的学习结果。目前，人工智能已成为教育游戏发展的一个重要的技术支撑点，它的目标是以高成本效益的自动方法提供个性化的学习方法。

（二）智能化教育游戏的自适应模式类型与研究取向

智慧学习体现着人工智能在学习领域的应用，基本思路都是追踪学生不同的个性特质，为其提供适应个性的学习策略等。Charles等人（2005）认为自适应教育游戏的“适应”是用四种方式融入其中的：玩家角色、非玩家角色、游戏环境、反馈/学习支架。而综观国内外教育游戏的研究发现，“游戏环境”的自适应是被广泛采用的最能体现智能化的模式。Melis等人（2004）根据游戏环境适应学生的特色将其分为三类：人格化设置、定制化服务和语境化叙事。

人格化设置游戏的自适应机制是根据学生的学习风格、人格特质等调整呈现的内容、叙事等要素，以适应学生的学习偏好。有些游戏前端提供学习风格量表直接测量学生的学习风格倾向，或者通过设计特定任务间接评估学生的学习风格倾向，以引导学生进入到定制的游戏进程。这种方法主要表现出以下特征：一是它对学生特质的测量粒度比较大，游戏故事情节变化的平滑度表现得较低;二是它关注的是学生本身的特质，自适应提供的结果是表现在内容呈现和组织方式形式的差异方面。

定制化服务游戏的自适应机制思想源自Prensky的“挑战—技能平衡”的观点，它根据量化的学生对特定学习内容的掌握水平最大限度地调整游戏参数，为其匹配适应其能力挑战的学习内容或开启新的权限。常见的教育游戏多是采用项目反映理论的评估算法计算学生能力水平值，进行动态难度的调整。这种方法主要表现出以下特征：一是许多评估学生技能的算法能精确量化学生能力值，游戏故事情节变化的平滑度是比较高的;二是它只诊断学生能力表现出的“分数”，无法判断学生出现的知识结构缺陷。

语境化叙事游戏的自适应机制是根据玩家在游戏中的学习绩效和经历，或对特定任务的反应，为其匹配要传递的内容。国外的经典案例主要是基于能力的知识空间理论对学生达到某种能力所需掌握知识点结构的评估，利用二分法和决策树法等资源匹配算法定制游戏叙事，逐渐从能力水平的发展路径上分离出学生知识结构的适应方向。这种方法主要表现出以下特征：一是使用评价学生的学习绩效和学习内容两个参数来创建自适应教育游戏，为深入和准确诊断学生的能力提供了更好的支持;二是它是针对相同的学习主题为学生推送丰富的游戏故事情节，能有效提高学生的学习动机。

梳理国内外研究文献的结果发现，学者已经尝试开发了大量人格化设置、定制化服务类型的游戏原型，而对语境化叙事游戏理论建构和游戏原型开发仅见国外学者如Augustin等人（2011）开发的“80Days”游戏等案例，国内学者对语境化叙事游戏鲜有研究。因此，本研究希望引进知识结构评价技术开发语境化叙事游戏，以优化学生的认知结构评估，使所开发的游戏更加有效地匹配学生的学习需求。

三、教育游戏互动叙事结构与技术

路线的选择

本研究选择初中物理教材中摩擦力知识作为游戏化学习内容，设计一个多场景的教育游戏，它用“互动叙事”方式实现对语境叙事游戏的内核构建，达到有效追踪学生摩擦力知识结构的目的。

（一）语境化叙事游戏中互动叙事设计的要求

Kiili的流理论提出为学生生成最优学习体验而設计游戏的思想，动机被看作是为达到流体验状态的一个关键因素，而游戏产生动机的主要源泉是它的叙事语境。因此，游戏开发中非常重视叙事方式的设计。目前的游戏开发常采用互动叙事的方式，这种叙事方式不仅能提高学生的内、外动机，更重要的是增加了探索的机会，促进了知识的迁移（G?bel， et al.， 2009）。

最早尝试理解交互式叙事的历史可以追溯到20世纪70年代Schank的研究项目，以及80年代早期Liebowitz开发的“宇宙”互动系统，直至90年代Crawford才提出了“互动叙事”术语，逐渐被学者引入到数字游戏的开发之中。互动叙事是指一种动态的过程，学生能调整和操纵它，从而与它发生交互活动（Crawford， 2013， p.38）。在游戏的开发中，互动叙事是整合游戏学、文化叙事学和游戏设计的思想，发展和形成的互动式娱乐开发方法是一种特殊的叙事艺术表现形式，专注于故事的结构或文学符号的创作。

互动故事体验的成功取决于戏剧结构和用户代理的平衡（Arinbjarnar， Barber， & Kudenko， 2009），也就是说游戏互动叙事设计是否成功与两个要素密切相关：故事叙事和交互技术。第一个要素是故事叙事，意味着如何利用数字媒体来产生丰富和沉浸式的故事，并用不同的叙事结构来阐述故事，叙事结构决定着是否能满足学习内容特点的要求;第二个要素是交互技术，它决定是否能为每个学生量身定制游戏的故事情节和故事节奏。目前开发的游戏常采用人工智能技术自动使故事适应学生的需求，使学生能够根据个人兴趣、认知特征等影响故事的叙事进程。

（二）游戏故事的叙事结构选择与设计

游戏的互动叙事方式主要有三种：嵌入式叙事、应变式叙事和节点式叙事（G?bel， et al.， 2009）。嵌入式叙事指的是由设计者预先编好的故事，学生没有改变故事情节的权力，这常表现为线性的故事结构;应变式叙事可以理解为学生“掌控”的故事，学生可以在游戏既定的规则内通过与游戏的交互而演绎出故事情节，这种叙事常采用非线性的故事结构;节点式叙事可以被看作是介于嵌入式叙事和应变式叙事之间的叙事类型，是一种学生拥有一定自主选择设计空间的剧情。

本研究的游戏采用节点式叙事，它把线性叙事和非线性叙事结构融合起来，以关卡为基本的组成单位，在每个关卡中学生需合理应用摩擦力解决任务困境才能通关。游戏的开端采用线性叙事引导学生融入游戏，用影音模块创设游戏情境，授予学生学习任务;接受任务后进入关卡库，这是学生要学习的内容，它以故事的方式叙述，根据知识点的特征和学生的特点描述成几个故事，游戏的智能化评价技术将根据每个学生学习表现导入一个独特的游戏路径，整体的游戏叙事将呈现出非线性特征，如图1所示。

“拯救牛顿”游戏的核心是采用非线性叙事结构组织和表达知识。认知主义理论认为，如果按照学生的认知规律合理地组织知识，它可以有结构、网络、嵌套，由此可以组成层次，形成网络结构或等级结构，向学生呈现合乎逻辑的教学内容，容易理解和记忆，也易于提取这些知识，能较好地实现知识的迁移。教育实践中不仅把认知结构视作表征知识的工具，也常常把它当作一种认知手段（靳玉乐， 2001， pp.34-37）。因此，体现认知结构的游戏可以视作有效促进学习效果的认知工具。

“拯救牛顿”游戏是从学生知识结构出发，提供与其知识结构相适应的关卡、反馈及支架等构成的游戏叙事，使游戏化学习路径符合学生的认知特点。首先，游戏叙事的非线性结构体现在关卡匹配上，学生参与的后继关卡取决于游戏自适应机制推算出的知识结构，而学生的知识结构的推算有赖于之前参与的所有关卡的任务完成情况，即不同学生在游戏中参与的关卡种类和顺序都是因人而异的;其次，游戏叙事的非线性结构还体现在由游戏反馈和支架形成的故事描述也因人而异，它们是根据学生知识结构的不足提供的补救性指导，共同构成游戏故事描述，起到衔接前后关卡、保持游戏叙事连续性的作用。

（三）游戏互动叙事的技术路线选择

Mateas等人（2003）根据设计与开发智能游戏的经验认为，游戏的交互式叙事最好被理解为互动剧场，因为它的主要目标是戏剧意义而不是乐趣，它的设计更要依赖交互式系统创建有明确意义的参与式体验。根据以往教育游戏开发的经验，人工智能技术能有效地评估学生的技能发展水平和认知特征等，游戏引擎根据这些数据自动做出决策，以此实现按照学生的个性化要求触发游戏故事的目的。因此，用人工智能技术控制的游戏叙述机制能产生一个“有凝聚力的叙事”，既能确保叙事的复杂性和逼真性，也能实现学生对叙事事件的知识意义上的理解。

为了在保证游戏乐趣的同时赋予游戏明确的学习体验，应当使知识在游戏情境中得到有效的组织与表达。因此，本研究采用知识空间理论作为实现语境化叙事组织的指导思想，它的核心思想是如何有效地实现组织领域知识点，并提供相应的学生知识结构的自适应评估方法（Doignon & Falmagne， 1985）。

知识空间理论最初应用于以试题为基本单位的学习测评系统中，在知识内容的组织方法上先后历经了基于试题、知识点、技能三种知识空间表达方法。基于试题的知识空间表示方法是以单个知识点作为测评的基本单位进行知识结构的诊断，忽略了现实中知识点之间存在的多种前提关系;基于技能的知识空间方法描述问题与能力的关系，关注学生的技能结构，以测量学生的能力为主;基于知识点的知识空间理论在考虑知识点的逻辑结构的同时，也考虑了现实中问题情境与知识结构的多种对应关系。从知识空间理论的三种知识内容的组织方法看，基于知识点的知识空间理论在知识结构的表达上更具科学性，其测评学生知识结构的特点也更适用于实现教育游戏中的语境化叙事过程设计。因此，本研究选择基于知识点的知识空间理论组织学习内容。

用基于知识点的知识空间理论可以实现智能化评价关卡内游戏故事包含的知识点结构，以自动匹配关卡库内的叙事故事，引导学生进入新的关卡。目前，对学生知识结构的评估常采用“二分法”的资源匹配算法，孙贝（2009）针对这种算法计算成本过高、效益低下的问题，提出了“診断决策树算法”，实现的基础是根据知识结构设计理论推演出游戏的关卡逻辑结构，用于评估学生的知识结构和后续关卡的匹配，以此规避了“二分法”中反复计算知识空间引起的过量系统开销。本研究采用的算法能实现高效的自适应叙事资源推送，避免过重的认知负荷和过低的自我效能感。

四、语境化叙事游戏的设计与开发

本研究是针对初中物理中有关摩擦力的学习内容进行的游戏化设计，将从有关学习内容提炼知识点，设计与之结构相契合的能促进知识点理解和应用的叙事场景，多个场景衔接搭建闯关游戏“拯救牛顿”。

（一）语境化叙事游戏的整体设计

根据前面的分析可以发现，语境化叙事游戏反映了人工智能的思想，要求游戏能够像有人类智慧的教师一样通过与学生的对话和行为互动判断他们的状态，并及时做出适当的引导，因材施教。基于此，许多学者提出了这类游戏开发的模型框架，如Ismailovi 等人（2012）曾指出游戏中的适应包括玩家评估和自适应干预两大模块;Hodhod（2010， pp. 66-80）从智能导师角度完善了自适应教育游戏模型，明确了知识库对玩家评估和自适应干预的基础作用，即“领域模型—学生模型—教师模型”相互配合，完成学生知识技能诊断和适应性游戏叙事的匹配。语境化叙事除了强调自适应机制的构建外，还十分关注对游戏故事的安排。本研究在以往游戏开发思想的基础上改进游戏互动叙事结构的设计，使自适应机制以故事形式反映在游戏叙事发展中，实现在游戏语境中嵌入式的自适应叙事。支持智慧学习的语境化叙事游戏模型如图2所示。

图2所示的语境化叙事游戏模型是根据游戏化学习特征从引导层和呈现层两个层面来构建的。引导层是游戏的后台系统，它应用人工智能实现自适应的互动叙事;呈现层是游戏叙事结构得以表现的前台系统，学生在其中和游戏直接参与互动，包括依靠声画、交互等安排游戏故事，通过设计关卡和反馈建立游戏场景等。两个层之间信息互通，呈现层将学生的游戏表现数据输出给引导层，引导层接收参数后生成智能化教学策略，控制呈现层的互动叙事顺序。

引导层的设计思想源自Hodhod模型体现的人工智能观念，它采用模块化方式构建语境化叙事的自适应核心机制，建立了以领域模型、学生模型和教师模型三大关键模块相互作用的自适应机制。领域模型为游戏语境化叙事提供底层数据支持，包含关卡知识库、学生知识结构库和关卡关系库。关卡知识库存储游戏的每个关卡与知识内容的对应关系，联合呈现层的游戏行为数据共同输入到学生模型，用以诊断学生知识结构;学生知识结构库储存、记录学生模型的学生知识结构计算结果，联合呈现层的游戏行为数据共同输入到教师模型，以提供自适应的游戏反馈和叙事推荐;关卡关系库存储关卡树结构，提供给教师模型用以计算自适应游戏叙事资源匹配。引导层中的各模块共同承担后台计算工作，保证在不破坏游戏叙事连贯性的基础上实现语境化叙事功能。

呈现层主要起展现游戏叙事效果的作用，承载游戏和学生的直接交互，使得节点式的游戏叙事结构得以直接体现，即通过“故事背景—玩法介绍—接受任务”构成直线式游戏故事安排，由关卡库和反馈库构成分支式游戏叙事。自适应体现在分支式游戏叙事部分，即不同的学生在游戏过程中能产生各异的关卡学习路径，游戏也能针对学生的差异性提供针对性的反馈。呈现层只表现而不直接控制学生的学习路径，学习路径的规划取决于引导层对呈现层传递的学生行为数据的分析和计算。

在整个游戏过程中学生要不间断地与游戏叙事进行交互，同时游戏后台对学生进行评估并为其规划学习路径，实现了嵌入式的语境化游戏叙事。

（二）游戏故事内容的编写和关卡设计

语境化叙事游戏将知识内容融入游戏任务中，学生才能在呈现层中直接参与游戏关卡而掌握知识，如何将知识内容科学、有效地组织在游戏叙事当中是需要考虑的问题。因此，教学设计的首要过程是参照教学大纲分解知识点，找出知识点的逻辑结构，并设计游戏关卡，最终建立关卡树结构，便于互动叙事的展开。本研究选择了摩擦力中的7个知识点进行游戏化关卡设计，共设计18个关卡，组成4棵关卡树，利用游戏互动叙事结构将关卡串联起来，形成连续的游戏故事叙事。

下面将以学习内容中的四个知识点为例描述游戏故事的编写：a）摩擦力的大小与压力有关;b）摩擦力的大小与接触面粗糙程度有关;c）滑动摩擦力大于滚动摩擦力;d）摩擦力的方向与运动趋势相反。为了在“拯救牛顿”游戏中测试学生知识的掌握情况，需要建立游戏行为与知识之间的联系，本研究先设计知识点的游戏行为表现，再根据知识点组合构建包含复杂知识结构的游戏关卡。表1列举了部分知识点对应的游戏行为。

前三个知识点a、b、c呈并列关系，d和前三个知识点呈现递进的逻辑结构，即d是a、b、c知识点的前提，意思是掌握摩擦力的大小属性必然掌握了摩擦力的方向，因此相对于这四个知识点学生可能拥有9种知识结构，对应掌握的知识点组合分别是?、abcd、d、ad、bd、cd、abd、acd、bcd，前两种分别代表都没掌握和全都掌握。在许多现实的知识应用情境中，往往蕴含一种或多种知识点组合的搭配，分析以上9种知识点组合可能出现的情境，设计了7个游戏关卡S1（abcd）、S2（acd）、S3（ad、bd）、S4（cd）、S5（d）、S6（ad）、S7（bd），例如S1表示学生需要同时调整斜面、光滑度和形状才能通过关卡，S3表示学生可利用调整平面倾斜度或者改变墙面的光滑程度两种方法通过关卡。由关卡链接的知识结构可以判断关卡之间的三种前提关系：与（如S2和S3是S1的基础，即S1通关必然能通过S2和S3）、或（如S6和S7分别是S3包含的两种知识结构的基础，即S3通关必然能通过S6或S7中至少一关）、非（如S5和S6之间无直接关系）。

（三）“拯救牛顿”游戏的开发

本研究以Unity 3D 5.3.4作为游戏开发平台制作教育游戏“拯救牛顿”，它内嵌的NVIDA的PhysX物理引擎可实现在游戏中模拟如坠落、碰撞、移动等物理现象，渲染效果非常逼真，能够给玩家身临其境的感觉。另外，本研究综合Photoshop、Premiere、Camtasia Studio等多种软件绘制游戏UI、制作音视频等，共同实现游戏的界面效果。

在Unity 3D中制作关卡场景、反馈等运行载体来构建呈现层。游戏叙事单元和整体结构的开发是整个游戏实例制作中最烦琐但又至关重要的环节。本研究根据选取的7个知识点，用Unity 3D引擎共开发18个包含知识点的游戏关卡，游戏叙事机制采用基于关卡关系树的诊断决策树算法串联关卡组织游戏故事，算法根据各个关卡之间不同的与、或、非前提关系，构建4棵树形结构的关卡树，用来表示游戏可能出现的叙事分支，再根据学生的游戏表现为不同的学生推荐差异化的叙事路径。

游戏故事首先以直线叙事方式引入背景，描述了牛顿被外星人抓走而错过了发现“力”的时机，从此世界丧失了对“力”的认识;学生在与游戏互动叙事故事的交互中接受任务，进入分支式的游戏叙事结构中;叙事单元为游戏关卡，以外星人将牛顿控制在关卡中为背景，学生通过操作场景中的物体改变苹果的受力状态使苹果位置移动，例如冰冻墙面减小摩擦力，使苹果能够从墙面滑下，如果苹果移动到牛顿所在位置即为成功，苹果掉落或无法继续移动视为失败，学生可自行选择认输或者重来。

五、语境化叙事游戏的学习效果验证

（一）语境化游戏与课程整合的教学模式建构

佩特·约翰内斯等人（2018）就“自适应学习市场加速项目”的研究结果认为，自适应学习产品效果与实际实施情况和质量密切相关。对国内外文献的梳理发现，用模拟和游戏支持的科学概念学习都是借鉴发现学习方法的思想，以及探究性学习和问题式学习的理念（De Freitas & Oliver， 2006），它们都强调学生与学习情境的互动进行知识建构，由此激发学生的学习积极性，提高记忆力，有助于培养探究和解决问题的技能。因此，本研究将语境化叙事游戏置于发现学习教学设计中进行效果探究。

计算机支持的发现式学习结果显示，学生开始游戏化学习前提供与学习概念相关的预教程，可以作为支持学生深刻理解概念的先行组织者来提高学习绩效;根据计算机支持的科学课程中发现学习通常采用的“预测—观察—解释”学习设计思想（Monaghan & Clement， 1999），结合Kolb的体验学习理念以及计算机游戏支持学习的特点，所建构的计算机游戏支持的发现学习流程是“演练—体验—解释—反思”的环形结构模型;学生在教师的引导下总结学习结果，以提升自己对科学概念的认识，能实现对所学知识的合理迁移。根据上述思想建构的游戏化发现学习过程模型如图3所示。

根据图3所示的学习过程模型，课堂教学中对“拯救牛顿”游戏应用初中物理摩擦力概念学习进行了详细的教学活动设计。①基础概念认识阶段的学习目的是支持学生有效地解决游戏化学习中出现的复杂问题，教师设计的预教程提供一系列不同類型的学习支持和指导，如学习任务单包括学习目标和任务结构以及游戏操作教程等。②学生利用游戏开展的发现式学习是一个连续的环形探索结构，人工智能技术能让学生在适合自己认知结构的游戏关卡中进行操作和演练;学生置身于模拟的物理场景中可通过改变环境属性或控制游戏对象的状态体验这些操作引起的物理现象;学生可以在教师事先设计的学习活动指导表中记录相关的模拟结果，建立游戏活动与科学概念的联系，支持学生对科学概念做出合理、高效的解释;学生将对获得的这些具体知识进行反思，实现抽象化，能从游戏的模拟和活动推理出相关的知识点。③学生在教师的指导下对体验到的物理现象和概念进行归纳，实现知识概念和应用之间的联结。

（二）测量工具的编制与教学活动的实施

本研究根据自适应游戏的技术特性和游戏化学习特征编写了评价工具，以此衡量所开发游戏的叙事质量，以及能否满足学生学习科学概念的要求。这个评价工具主要包括两部分内容，每个维度编写三个题项，用双向的李克特5点量表评价游戏化学习过程的体验和游戏满足学生学习科学概念的学习效果。

游戏的语境化叙事体验量表部分主要包括四个维度：适应性体验、控制性体验、内容适切性体验和注意力体验。适应性体验和控制性体验两个维度是测量游戏的技术表现程度，用于分析游戏的智能化特征;内容适切性体验和注意力体验两个维度是测量游戏过程的质量表现程度。适应性体验、控制性体验和注意力体验维度的题项根据Fu等人（2009）的量表编制，内容适切性体验维度的题项根据Law等人（2012）的量表题项编制。

学生对科学概念学习效果的评价量表部分主要包括四个维度：认知努力、评价加工、概念理解和知识迁移。认知努力和评价加工两个维度是测量游戏化发现学习时学生对摩擦力概念的认知细化水平，这两个维度的题项根据Reynolds（1997）的量表编写。概念理解维度是指建立概念之间或概念属性之间的联系，把所感知的知识内容抽象出来，加以概括的能力;知识迁移维度是游戏化学习时学生将所学知识应用到新的情境、解决新问题时所体现出的素质和能力。这个两个维度的题项是根据薛彬（2012， pp.45-47）的量表编写。

从济南和烟台选取两所学校的八年级学生利用“拯救牛顿”游戏学习摩擦力概念，课堂学习的基本过程是依照前面建构的游戏化发现学习模式进行的。教师根据学习活动的特点严格督促学生在游戏活动中认真记录学习指导表，鼓励学生对学到的知识进行归纳。参与的学生共5个班，202名学生，共收回197份问卷，剔除无效问卷，有效问卷共计183份。

（三）实验数据的统计与分析

本研究对学生在实验过程中的游戏语境化叙事特征和摩擦力概念学习效果进行了均值统计，数据统计结果如表2所示。

表2的均值统计结果显示，学生对语境化叙事有较高的体验，并且用游戏化的发现式学习能够有效地学习摩擦力概念，说明了游戏设计的合理性和融入教学的有效性。对学生记录的学习指导表的分析发现，学生游戏化学习的路径呈现出多样化的趋势，绝大多数学生能准确归纳自己经历的知识框架。同时，访谈的学生也表示游戏能准确地判断自己的认知取向，引导的关卡知识点基本符合学习要求。这表明语境化叙事游戏具有良好的效果，即游戏能识别学生在知识结构上的差异，并提供符合学生要求的游戏叙事帮助其完善知识结构，促进学生对摩擦力概念的理解和知识的迁移。

为探究语境化叙事特征对摩擦力概念学习效果的影响，本研究以游戏属性的四个维度对游戏化学习效果的四个维度进行了皮尔森积差相关分析，结果r值如表3所示。

表5的结果显示，游戏的适应性、内容适切性、关注度等体验均对认知努力、评价加工和概念理解产生显著的影响;只有内容适切度和关注度等体验对知识迁移具有较好的预测力;游戏的控制感体验虽然与学习效果之间有显著相关性，但没有对任何类型的学习效果产生明显的预测。

语境化叙事游戏采用自适应技术能对学习效果产生明显的影响，这也在某种程度上印证了Carpenter等人（2013）的研究结果，认知努力程度和评价加工水平与感知的学习困难相关，即学生的知识结构如果能够匹配要解决的知识难题，他们投入的认知努力程度就增高，对内容评价加工的层次就提升。游戏的自适应叙事能够根据学生的知识结构，自动规划符合个体认知规律的学习路径，使学生能合理地分配认知努力，促进知识的评价加工，加深概念理解。

学生感知的内容适切度和关注度越高说明他们越认同游戏设计，将注意力集中于解决认知难题，认知努力程度就高，也能够与游戏进行深度交互，在认知层面提高知识的评价加工水平，促进摩擦力概念的理解。同时，学生感知到的内容适切度越高，就越容易识别游戏叙事表达的知识点，能有效地和现实情境产生联系，这符合知识迁移产生的“共同要素条件”（莫雷， 1997）的思想，有利于知识迁移的发生。

六、结语

学校智慧化学习的发展使得智能化资源的需求逐步增长，这需要设计和开发大量的智能化学习资源以满足学生的学习要求。本研究应用知识空间理论探索智能化教育游戏的设计思想，为自适应教育游戏的开发积累了一定的实践经验，这仅是一个自适应游戏原型的建构，有待进一步设计和完善，以及能融入课程的完整内容的开发。

[参考文献]

[捷克]佩特·约翰内斯， [美]拉里·拉格斯多姆. 2018. 自适应学习：溯源、前景与误区[J]. 张永胜，译. 中国远程教育（7）：43-53.

[美]Crawford， C. 2015. 游戏大师Chris Crawford谈互动叙事[M]. 方舟，译. 北京：人民邮电出版社.

靳玉乐. 2001. 探究教学论[M]. 重庆：西南师范大学出版社.

马小强，施建国，程莉莉，王珠珠. 2017. 智慧教育的发展及价值取向分析[J]. 中国电化教育（12）：1-6.

莫雷. 1997. 论学习迁移研究[J]. 华南师范大学学报（社會科学版）（6）：50-75.

孙贝. 2009. 基于知识空间理论的学习诊断模型研究与实现[D]. 长沙：湖南大学.

薛彬. 2013. 生物教学中训练学生知识迁移能力方法的研究[D]. 天津：天津师范大学：45-47.

张志祯，张玲玲，罗琼菱子，郑葳. 2019. 人工智能教育应用的实然分析：教学自动化的方法与限度[J]. 中国远程教育（3）：1-13.

祝智庭，贺斌. 2012. 智慧教育：教育信息化的新境界[J]. 电化教育研究（12）：5-13.

Arinbjarnar， M.， Barber， H.， & Kudenko， D. （2009）. A Critical review of interactive drama systems. Proceedings of the 2009 Conference on AI & Games. Edinburgh， 15-26.

Augustin， T.， Hockemeyer， C.， & Kickmeier-Rust， M. D.， et al. （2011）. Individualized skill assessment in digital learning Games： Basic Definitions and Mathematical Formalism. IEEE Transactions on Learning Technologies， 4（2）， 138-148.

Carpenter， C. J.， & Boster， F. J. （2013）. Modeling the effects of processing effort and ability in response to persuasive message arguments. Communication Quarterly， 61（4）： 413-430.

Charles， D.， McNeill， M.， & McAlister， M.， et al. （2005）. Player-centred game design： player modeling and adaptive digital games. Proceedings of the digital games research conference. DiGRA， 100.

De Freitas， S.， & Oliver， M. （2006）. How can exploratory learning with games and simulations within the curriculum be most effectively evaluated？ Computers & Education， 46 （3）， 249-264.

Doignon， J. P.， & Falmagne， J. C. （1985）. Spaces for the assessment of knowledge. International Journal of Man-machine Studies， 23（2）， 175-196.

Fu， F. -L.， Su， R. -C.， & Yu， S. -C. （2009）. EGameFlow： A scale to measure learnersenjoyment of e-learning games. Computers & Education， 52（1）， 101-112.

G?bel， S.， de Carvalho Rodrigues， A.， & Mehm， F.， et al. （2009）. Narrative game-based learning objects for story-based digital educational games. Proceedings of the 1st International Open Workshop on Intelligent Personalization and Adaptation in Digital Educational Games.ACM， 43-53.

Hodhod， R. （2010）. Interactive narrative for adaptive educational games： Architecture and an application to character education.York： University of York.

Ismailovi ， D.， Haladjian J.， & K?hler B.， et al. （2012）. Adaptive serious game development. International Workshop on Games and Software Engineering： Realizing User Engagement with Game Engineering Techniques. IEEE， 23-26.

Kickmeier-Rust， M. D.， & Albert， D. （2010）. Micro-adaptivity： protecting immersion in didactically adaptive digital educational games. Journal of Computer Assisted Learning， 26（2）， 95-105.

Koper， R. （2014）. Conditions for effective smart learning environments.Smart Learning Environments， 1 （5）， 1-17.

Law， E. L.-C.， Sun， X. （2012）. Evaluating user experience of adaptive digital educational games with Activity Theory. International Journal of Human-Computer Studies， 70 （7）， 478-497.

Mateas， M.， & Stern， A. （2003）. Fa?ade： An experiment in building a fully-realized interactive drama. Proceedings of Game developers conference. GDC， 4-8.

Melis， E.， & Monthienvichienchai， R. （2004）. They call it learning style but its so much more. Proceedings of World Conference on e-Learning in Corporate， Government， Healthcare， and Higher Education.AACE， 1383-1390.

Monaghan， J. M.， & Clement， J. （1999）. Use of a computer simulation to develop mental simulations for understanding relative motion concepts.International Journal of Science Education， 21（9）， 921-944.

Reynolds， R. （1997）. A validation test of a message elaboration measure. Communication Research Reports， 14 （3）， 269–278.

Soflano， M.， Connolly T. M.， & Hainey， T. （2015）. An application of adaptive games-based learning based on learning style to teach SQL. Computers & Education， 86（4）， 192-211.

Spector， J. M. （2014）. Conceptualizing the emerging field of smart learning environments. Smart Learning Environments， 1 （2）， 1-10.

Vandewaetere， M.， Desmet， P.， & Clarebout， G. （2011）. The Contribution of learner characteristics in the development of computer-based adaptive learning environments. Computers in Human Behavior， 27 （1）， 118-130.

責任编辑 韩世梅