Context / probleemstelling of aanleiding

Probleemstelling:

Leren door middel van games (game-based learning) is een aantrekkelijke manier om complexe vaardigheden aan te leren. De toepassing van ‘scaffolding’ ondersteunt de expliciete verwerving van kennis en vaardigheden, zowel bij domeinspecifieke vaardigheden (eerste-orde-scaffolding) als bij zelfregulerend leren (tweede-orde-scaffolding) (1). In games kan adaptieve scaffolding worden gebruikt, waarbij uitdaging en ondersteuning worden aangepast op het handelen van de speler. Adaptiviteit kan betrokkenheid vergroten, kennisverwerving ondersteunen en mentale modellen verbeteren. Het is echter onduidelijk welke variabelen het meest geschikt zijn als input en hoe de respons het beste kan worden bepaald.

De speler kan daarnaast de game-omgeving beïnvloeden en de leerroute wijzigen. Dit kan bevorderlijk of ongunstig zijn, afhankelijk van het vermogen tot zelfregulerend leren (ZRL). ZRL-maten op grond van zelfrapportage, zoals de Motivated Strategies for Learning Questionnaire (MSLQ) geven een globale maat. ZRL-microanalyse (SRL-MA) geeft inzicht in ZRL in de specifieke context. Interactiesporen (‘behavioral traces’) geven inzicht in probleemoplossend vermogen, besluitvorming, en gebruik van ZRL-hulpmiddelen (2).

Deze kenmerken roepen twee vragen op: (1) hoe bepalen we de indicatoren voor scaffolding, en (2) wie zou de scaffolding moeten bijstellen, de speler of het systeem?

Onderzoeksvragen

1 Op welke interactiesporen kan eerste-orde-scaffolding worden afgestemd in een medisch simulatiespel?

2 Op welke maatstaven van ZRL kan de balans tussen eerste-orde- en tweede-orde-scaffolding worden afgestemd in een medisch simulatiespel?

Methode:

Studenten geneeskunde speelden abcdeSIM, een medisch simulatiespel. De speler moet online een instabiele patiënt behandelen volgens de ABCDE-methode. Prestatie wordt gekwantificeerd in een score bestaande uit punten voor de juiste beslissingen en bonuspunten voor snelheid.

Voor onderzoeksvraag 1 registreerden we welk type acties werden uitgevoerd en hoe vaak. De systematiciteit van benadering werd berekend met een Hidden Markov model. Voor onderzoeksvraag 2 hebben we ZRL gemeten met de MSLQ, SRL-MA, en het gebruik van ZRL-instrumenten binnen het spel, te weten hulp vragen en checklistgebruik.

We gebruikten een lineair multilevelmodel met deelnemer en scenario als random effects, en interactiesporen en ZRL-maten als fixed effects. p-waardes werden berekend op basis van likelihood ratio tests van het model met en zonder het betreffende effect.

Resultaten (en conclusie):

We analyseerden 116 speelsessies van 26 studenten. Een hoge mate van systematiciteit, zorgvuldigheid en accuratesse waren gecorreleerd met betere prestaties. Het verkennen van het spel was niet gecorreleerd met prestatie.

De volgende maten van ZRL correleerden met prestatie: een hoge MSLQ-score, zelfevaluatie bij het begin, het herhalen van scenario’s en in-game zelfmonitoring met behulp van een checklist. Daarbij hadden studenten met lagere systematiciteit meer voordeel van de checklist dan studenten met een hogere systematiciteit. Echter, het niveau van ZRL gemeten met SRL-MA of hulp zoeken hielden geen verband met prestatie.

Discussie :

Een hoge mate van systematiciteit lijkt een goede indicatie van het toepassen van de juiste cognitieve strategieën. Het verband tussen checklistgebruik en systematiciteit doet vermoeden dat studenten met hoge systematiciteit al zeer gestructureerd te werk gaan en minder baat hebben bij ondersteunende informatie. Zorgvuldigheid kan worden geïnterpreteerd als graadmeter voor domeinspecifieke kennis. Deze interactiesporen kunnen input geven voor adaptieve eerste-orde-scaffolding.

Met betrekking tot ZRL bleken zelfmonitoring en een hoge MSLQ-score verband te houden met betere prestaties. Naar verwachting zullen spelers met hoger zelfregulerend vermogen baat hebben bij tweede-orde-scaffolding en vrijheid bij het kiezen van een leerroute, in plaats van eerste-orde-scaffolding en systeemgestuurde beslissingen.

Referenties:

1. van Merriënboer JJG, Kirschner PA. Ten steps to complex learning: a systematic approach to four-component instructional design. 3 ed. London: Routledge; 2017.

2. Rovers SFE, Clarebout G, Savelberg HHCM, de Bruin ABH, van Merriënboer JJG. Granularity matters: comparing different ways of measuring self-regulated learning. Metacognition and Learning. 2019;14(1):1-19.