KI‑gestützte Level‑Generierung verbessert personalisiertes GBL in Mathematik

In der Mathematikbildung gewinnt spielbasiertes Lernen (GBL) immer mehr an Bedeutung, weil es Lernende motiviert und ihr kritisches Denken fördert. Doch die Herausforderung bleibt: Für ein wirkungsvolles GBL-System müssen zahlreiche hochwertige Levels existieren und exakt den Fähigkeiten der Spieler entsprechen.

Um dieses Problem anzugehen, hat ein Forschungsteam einen KI‑gestützten Rahmen entwickelt, der adaptive Lernprinzipien nutzt, um aus von Spielern selbst erstellten Levels einen Klassifikator zu bauen. Dabei wurden 206 einzigartige Levels aus dem Creative Mode einer neuen Mathematik‑App gesammelt, die sowohl von Experten als auch von fortgeschrittenen Spielern erstellt wurden.

Der Klassifikator extrahiert spielrelevante Merkmale und bewertet, ob ein Level gültig ist. In den ersten Tests zeigte sich, dass das Random‑Forest‑Modell die höchste Genauigkeit erzielt – besser als k‑Nearest‑Neighbors, Entscheidungsbäume und Support‑Vector‑Machines.

Die Ergebnisse unterstreichen das Potenzial, KI in den Level‑Design‑Prozess zu integrieren, um Lernenden individuell zugeschnittene, qualitativ hochwertige Mathematik‑Levels anzubieten. Damit ebnet die Studie einen Weg für die nächste Generation von GBL‑Systemen, die sowohl motivierend als auch lernwirksam sind.