游戏化真的能促进学习吗？一项关于“匹配样本”（matching-to-sample）方法的实验

《Learning and Motivation》：Does gamification really facilitate learning? An experiment with matching-to-sample

　　阿尔塞·雷加索（Alceu Rega?o）|西尔维娅·R·德索扎（Silvia R. de Souza）|朱利奥·C·德罗泽（Julio C. de Rose）
巴西圣卡洛斯联邦大学（Universidade Federal de S?o Carlos），圣卡洛斯

摘要
“匹配样本”（Matching-to-Sample, MTS）程序常用于刺激等价性研究。尽管已有许多变量通过MTS方法进行过研究，但其格式和设计自50多年前首次被描述以来基本未发生变化。虽然保持简单性有其优势，但MTS通常被认为是一种枯燥的学习过程。鉴于在其他程序中加入游戏元素（即游戏化）能够对学习和动机产生积极影响，本研究旨在比较三种包含不同数量游戏元素的MTS程序。49名参与者被分为三组：传统MTS（G1）、加入部分游戏元素的MTS（G2）以及完全游戏化的MTS版本（G3）。所有组别参与者都接受了条件辨别训练，并接受了用于构建三个三人等价类的测试。结果表明，与G1相比，加入游戏元素（G3组）既促进了也干扰了等价类的构建；G3组中有更高比例的参与者达到了等价类构建标准（77%），而G1组为63%，G2组为50%。研究结果从所加入的游戏元素、它们之间的相互作用以及未来研究方向等方面进行了讨论。

根据刺激等价性理论（Sidman & Tailby, 1982），在涉及一组刺激（例如AB和BC）的条件辨别训练后，等价刺激的类别基于反射性（例如AA、BB和CC）、对称性（例如BA和CB）以及传递性（例如AC）等属性来定义。Sidman和Tailby还强调，条件辨别应与基于新关系建立的“匹配样本”行为区分开来：“将条件关系称为‘匹配样本’需要证明该关系具备等价关系的三个属性”（1982, p. 6）。

虽然“匹配样本”一词最初用于描述参与者的行为（参见Hively, 1962），但后来该术语特指在刺激等价性研究中常用的条件辨别任务。典型的MTS试验首先呈现一个样本刺激（例如A1），参与者对该刺激作出反应（选择或点击后），随后会呈现至少两个比较刺激（例如B1和B2）。在训练阶段，选择其中一个比较刺激会得到奖励；而选择其他刺激则不会获得任何奖励或受到惩罚。在测试阶段，无论选择哪个比较刺激都不会产生预设的后果。

最初的MTS设备由一个3×3矩阵排列的透明按键组成。刺激信息保存在透明胶片上，并投射到按键上供参与者点击。正确答案会触发电路，自动发放巧克力或代币（Stoddard和Sidman, 1966; Stoddard和Sidman, 1967）。随着个人电脑的出现，开发了多种数字格式的MTS实现软件，如Matching to Sample Program（Dube & Hiris, 1997）和Match to Sample Program III（Wallace, 2003）。这些软件简化了MTS的实施过程，同时便于数据收集和变量操作。

尽管技术有所进步，MTS的整体格式仍基本保持不变——几乎与Sidman及其同事最初使用的设备相同。数字格式中保留了传统MTS的特点：黑白图像、单色屏幕以及对正确/错误答案的简单反馈（例如“正确”和“错误”文字）。这种简单性虽然有助于研究人员控制影响等价类形成的各种变量（Arntzen, 2012; Rega?o et al., 2023），但却可能降低参与者的积极性。

评估基于等价性的教学方法（Equivalence-Based Instruction, EBI; Fienup & Critchfield, 2011）社会有效性的实验显示，参与者认为EBI与非传统教学方法（如录制课程或讲座）相当（Augland et al., 2020; Ferman et al., 2020; Kelly-Sisken et al., 2025; Lovett et al., 2011; Ostrosky et al., 2022）。也就是说，尽管EBI没有得到负面评价，但作为一种学习方法并未展现出特别高的吸引力或激励作用（至少与其他教学方法相比）。此外，操作性任务通常被认为是简单、重复且乏味的（Pilgrim, 1998），而MTS则需要数百次尝试、高标准的正确率以及简单的正确/错误反馈。这些特点可能会降低参与者的积极性，增加退出试验的意愿，从而影响学习效果。尽管关于MTS动机方面的反馈多为轶事性，但仍表明：(i) 需要更广泛地评估刺激等价性研究中的社会有效性（而不仅仅是EBI研究）；(ii) 需寻找改进MTS程序动机方面的方法。

提高MTS任务参与者积极性的一个方法是引入游戏元素（即游戏化）。这种策略涉及将游戏机制和设计融入非游戏场景（Deterding et al., 2011）。研究表明，与传统非游戏化方法相比，游戏化对学习有积极影响（Bai et al., 2020; Li et al., 2024; Sailer and Homner, 2020; Zeng et al., 2024）。然而，尽管游戏化和行为分析之间存在交集（Morford et al., 2014），但目前仍缺乏利用游戏或游戏化版本进行行为分析研究的实验。

作为对传统行为分析程序中游戏化效应进行更全面评估的第一步，本研究旨在验证游戏化对MTS程序的影响。实验比较了三种包含不同数量游戏化元素的MTS程序（详见软件部分）。评估标准包括达到条件辨别训练标准所需的训练次数以及测试中正确回答的百分比。此外，还使用了专门为游戏化程序设计的社交有效性量表来评估参与者的感受。

1. 方法
1.1 参与者
49名大学生参与了实验（35名女性，14名男性，平均年龄21.6岁，年龄标准差4.2岁）。招聘通过校园广告进行，所有参与者在实验开始前均签署了知情同意书。

1.2 刺激
刺激物为九个黑白抽象形状（见附录A），分为三个三人等价类（A1B1C1、A2B2C2和A3B3C3）。为避免刺激可区分性问题，C类刺激在参与者间进行了平衡分配（即一半参与者对应的等价类为A1B1C3，另一半为A2B2C1或A3B3C2）。所有指令和文本均以葡萄牙语呈现。

1.3 设备与环境
实验在隔音室内进行，配备了一张桌子和一把椅子。使用电脑执行程序并记录结果。参与者单独完成实验。

1.4 软件
1.4.1 传统MTS（G1）
使用PyMTS软件（Carvalho et al., 2024），操作如下：
“屏幕中央会显示一个图像。点击后，屏幕底部会出现另外三个图像。你需要判断应该选择哪个图像。点击图像时，如果选择正确则显示绿色“正确”提示，错误则显示红色“错误”提示。目标是尽可能准确地完成整个过程。”
每次试验开始时，屏幕顶部会显示一个样本刺激（见图1）。点击样本刺激后，屏幕底部会出现三个比较刺激。训练阶段，选择正确刺激会获得奖励；选择其他刺激则不会得到任何反馈。测试阶段，无论选择哪个刺激都不会有奖励。

1.4.2 改进型MTS（G2）
该软件在传统MTS基础上增加了两个游戏化元素：正确连续尝试计数器和得分计数器（Toda et al., 2019）。正确连续尝试计数器显示在屏幕左上角，得分计数器显示在右上角。正确答案会增加两个计数器的数值；错误答案会重置连续尝试计数器并减少得分计数器的数值（该计数器最低不会降至零）。软件初始状态为连续尝试次数为零，总分为20分。测试阶段不包含这些元素。操作说明如下：
“屏幕中央会显示一个图像。点击后，屏幕底部会出现三个比较刺激。需要判断哪个图像正确。点击图像后，选择正确答案会显示绿色“正确”提示并得分；错误则显示红色“错误”提示并扣分。”

1.4.3 完全游戏化的MTS（G3）
使用Miner Troubles软件（Rega?o et al., 2024），这是MTS的完全游戏化版本。除G2中的元素外，还加入了故事情节和感官元素（如音乐、音效和视觉效果）。操作说明如下：
“Miner是一名挖矿工人，负责销售钻石。某天他在挖掘时掉进了一个洞穴，发现自己身处著名的迷宫Namdis中。这个迷宫有两个主要房间：第一个房间有一张图像，第二个房间有三个门，每个门后面分别有不同的图像。你必须找出正确的出口。正确路径上有钻石，错误路径会导致角色跌入陷阱。目标是帮助Miner找到出口并收集尽可能多的钻石。连续正确尝试的次数显示在屏幕左上角，钻石数量显示在右上角。”

该软件通过键盘箭头控制角色移动。打开某个门后，角色会进入另一个房间，其中有两个门，每个门后面分别有一个比较刺激。选择正确门会进入含有钻石的房间；错误选择则进入无钻石的房间并触发陷阱。与改编后的MTS类似，Miner Troubles也在屏幕的顶部角落展示了连续正确的试验次数和得分计数器（在游戏故事的背景下，得分用钻石符号表示）。计数器的配置与改编后的MTS相同。在测试试验中，所有反应都指向没有钻石或坑洞的走廊。打开样本门与呈现对照刺激之间的时间间隔大约为2.5秒。在0.5秒的ITI期间，屏幕会显示为黑色。

2. 程序
采用基于组的设计。参与者被半随机分配到三个不同的组中，这些组在使用的软件上有所区别：组1（G1；传统MTS）、组2（G2；改编后的MTS）和组3（G3；游戏化的MTS）。所有参与者都通过Google Forms文档完成了人口统计表格，并被告知仔细阅读说明。实验包括七个顺序为AB训练、BA测试、BC训练、CB测试、混合训练（AB和BC）、等价性测试（AC和CA）以及维护测试（AC和CA，一周后）的延迟MTS试验块。选择这种顺序是为了比较不同组之间的表现（参见Rega?o, Perez等人，2025年的类似结构）。实验在程序完成或参与者退出时结束。

2.1 AB训练
该块训练了三种条件辨别：A1/B1B2B3、A2/B1B2B3和A3/B1B2B3（下划线字母表示正确的对照刺激）。试验随机呈现，直到参与者达到12次连续正确反应的掌握标准或选择停止。这一标准适用于所有训练块。最低试验次数为12次，而最高次数则根据参与者的表现而变化。

2.2 BA测试
参与者完成了12次测试试验，包括：B1/A1A2A3、B2/A1A2A3和B3/A1A2A3（每种试验类型四次）。无论参与者表现如何，这一块都会结束。

2.3 BC训练
该块训练了B1/C1C2C3、B2/C1C2C3和B3/C1C2C3条件辨别。所有其他程序方面与AB训练相同。

2.4 CB测试
该测试评估了C1/B1B2B3、C2/B1B2B3和C3/B1B2B3的关系。程序与BA测试相同。

2.5 混合训练
该块以随机顺序呈现AB和BC试验，直到达到掌握标准。

2.6 等价性测试
该测试评估了AC和CA的关系：A1/C1C2C3、A2/C1C2C3、A3/C1C2C3、C1/A1A2A3、C2/A1A2A3和C3/A1A2A3。共呈现了18次试验（每种试验类型三次）。当参与者在某块中至少达到94%的正确反应次数（即≥17次正确反应）或经过三次呈现后（即最多54次试验），该块结束。

2.7 维护测试
该测试在第一次会话后一周内重复进行，以评估等价类的维持情况。所有参与者都完成了这项测试，无论他们在等价性测试中的表现如何。

3. 社会有效性问卷
等价性测试后，参与者完成了EGameFlow量表（Fu等人，2009年），该量表用于评估对数字学习游戏的喜爱程度。量表由56个项目组成，每个项目在七点李克特量表上评分，分为八个类别：集中注意力（8个项目）、目标清晰度（5个项目）、反馈（6个项目）、挑战性（10个项目）、自主性（9个项目）、沉浸感（7个项目）和社会互动（6个项目）以及知识提升（5个项目）。量表直接翻译成巴西葡萄牙语，并适应到Google Forms中，但由于所使用软件的个性化特性，社会互动项目被排除在外。尽管直接翻译会限制解释（见结果部分），但我们选择保留翻译后的量表，因为其涵盖了广泛的受试者群体。

4. 统计分析
为了进行推断统计分析，考虑了三个变量：（1）每个训练块达到标准的试验次数（AB、BC和混合）；（2）所有测试块中正确反应的百分比（BA、CB、等价性和维护）；（3）对EGameFlow社会有效性问卷的回答。对于变量（1）和（2），只包括在等价性测试中达到≥94%正确反应的十名参与者（见结果部分），以确保各组之间的基线能力可比较（即，仅比较那些正确推导出等价类的参与者的表现）。对于变量（3），考虑了所有完成程序的参与者。分析是在R（版本2025.05.0，Build 496；R Core Team，2025）中进行的，使用了RStudio工具包：dplyr、tidyr、glmmTMB、ggplot2、lme4、car、emmeans、MASS、ggsignif和parameters。所有分析都使用了广义线性混合模型（GLMM）来考虑被试内的变异性。具体来说：（1）一个负二项GLMM分析了达到标准的试验次数，固定效应包括块、组及其交互作用；（2）一个二项GLMM分析了对称性测试块（即BA和CB）中的正确反应，固定效应包括块和组；（3）一个二项GLMM评估了等价性和维护测试的表现，固定效应包括块、组及其交互作用；（4）一个GLMM考虑了问卷类别、组及其交互作用来评估EGameFlow评分。使用Wald卡方检验（第二类或第三类）来评估显著性，并应用了Bonferroni校正进行事后比较。效应大小以发生率比率（IRR）的形式报告。

5. 结果
研究持续进行，直到每个组的十名参与者都达到等价类形成的标准。因此，尽管达到标准的最终参与者数量在组间相同，但在总参与者数量和流失率（即因未达到标准而被排除的参与者数量）方面存在差异（见图2）。G3组达到标准的参与者比例最高（77%），其次是G1组（63%）和G2组（50%）。按比例计算，G2组未能达到标准的参与者比例最高（30%，N=6），相比之下G1组为25%（N=4），G3组为15%（N=2），同时G2组的流失率也是最高的：G1组为13%（N=2），G2组为20%（N=4），G3组为8%（N=1）。所有后续的参与者表现分析都仅考虑了每个组中达到等价类标准的十名参与者。

图2显示了每个训练块所需的平均试验次数。在AB训练期间，G1组的参与者需要更多的试验次数（平均数M=40，标准误差SE=3.9，95%置信区间[33, 48]），而G2组（M=32，SE=3.2，95%置信区间[26, 39]）和G3组（M=28，SE=2.8，95%置信区间[23, 34]）则需要较少。在所有组中，BC训练块所需的试验次数均少于AB训练块：G1组（M=19，SE=2.1，95%置信区间[15, 24]），G2组（M=18，SE=2.0，95%置信区间[14, 22]），G3组（M=15，SE=1.8，95%置信区间[12, 19]）。同样，在混合训练块中，所有组的试验次数也都减少了：G1组（M=13，SE=1.6，95%置信区间[11, 17]），G2组（M=22，SE=2.4，95%置信区间[18, 27]），G3组（M=16，SE=1.8，95%置信区间[13, 20]）。第三类似然比卡方检验表明块（χ2(2) = 63.57，p<.001）、组（χ2(2) = 6.76，p=.034）及其交互作用（χ2(4) = 15.08，p=.005）的主效应显著。事后比较确认，所有组中AB训练的表现与BC和混合训练块有显著差异（详见补充材料中的完整统计结果）。此外，G3组在AB训练中所需的试验次数显著少于G1组（p=.032），而在混合训练块中G2组所需的试验次数显著多于G1组（p=.005）。效应大小分析表明，平均而言，G3组在AB训练中需要的试验次数比G1组少30%，而G2组在混合训练中需要的试验次数比G1组多73%。尽管在统计上不显著，但考虑到所有训练块，G3组的平均总试验次数（M=59.1，SD=9.5）小于G1组（M=72.5，SD=13.7）和G2组（M=72.8，SD=22.7）。

图3显示了每个训练块达到标准所需的平均试验次数（详见补充材料中的个别数据）。在AB训练期间，G1组的参与者需要更多的试验次数（平均数M=40，标准误差SE=3.9，95%置信区间[33, 48]），而G2组（M=32，SE=3.2，95%置信区间[26, 39]）和G3组（M=28，SE=2.8，95%置信区间[23, 34]）则需要较少。在所有组中，BC训练块所需的试验次数都少于AB训练块：G1组（M=19，SE=2.1，95%置信区间[15, 24]），G2组（M=18，SE=2.0，95%置信区间[14, 22]），G3组（M=15，SE=1.8，95%置信区间[12, 19]）。同样，在混合训练块中，所有组的试验次数也减少了：G1组（M=13，SE=1.6，95%置信区间[11, 17]），G2组（M=22，SE=2.4，95%置信区间[18, 27]），G3组（M=16，SE=1.8，95%置信区间[13, 20]）。第三类似然比卡方检验表明块（χ2(2) = 63.57，p<.001）、组（χ2(2) = 6.76，p=.034）及其交互作用（χ2(4) = 15.08，p=.005）的主效应显著。事后比较确认，所有组中AB训练的表现与BC和混合训练块有显著差异（详见补充材料）。此外，G3组在AB训练中所需的试验次数显著少于G1组（p=.032），而G2组在混合训练块中所需的试验次数显著多于G1组（p=.005）。效应大小分析表明，平均而言，G3组在AB训练中需要的试验次数比G1组少30%，而G2组在混合训练中需要的试验次数比G1组多73%。虽然没有统计学意义，但考虑到所有训练块，G3组的平均总试验次数（M=59.1，SD=9.5）小于G1组（M=72.5，SD=13.7）和G2组（M=72.8，SD=22.7）。

图4显示了所有测试块中的平均正确反应比例。在对称性测试中，大多数参与者至少达到了90%的准确率，表明存在天花板效应。第二类似然比卡方检验显示测试块的主效应显著（χ2(2) = 4.08，p=.043），这可能是由于G2测试中所有参与者都获得了100%的正确反应。等价性测试得分在所有组中也显示出天花板效应：G1组（M=0.98，SE=0.012，95%置信区间[0.93, 1.00]），G2组（M=0.95，SE=0.029，95%置信区间[0.85, 0.99]），G3组（M=0.97，SE=0.005，95%置信区间[0.97, 1.00]），这是意料之中的，因为只有达到94%标准的参与者被包括在内。相比之下，维护测试的表现在各组间有所不同：G1组（M=0.85，SE=0.085，95%置信区间[0.60, 0.95]），G2组（M=0.54，SE=0.160，95%置信区间[0.25, 0.80]），G3组（M=0.82，SE=0.100，95%置信区间[0.55, 0.94]）。根据94%准确率的标准，维持等价类的参与者比例分别为G1组50%，G2组40%，G3组60%。第三类似然比卡方检验显示测试块的主效应显著（χ2(1) = 50.98，p<.001），但组和交互作用无效应。事后比较确认，从等价性测试到维护测试的表现在不同组间有显著下降（p<.001）。虽然不具有统计学意义，但G2组的维持效果最弱，无论是在达到等价标准的百分比方面还是与其他组相比的性能下降方面。

平均试验持续时间在各组间有所不同：G1组（M=5.92秒，SD=3.44），G2组（M=5.99秒，SD=4.29），G3组（M=15.01秒，SD=5.45）。因此，完成实验的平均时间（从AB训练到等价性测试）也有所不同：G1组（M=15.7分钟），G2组（M=16.7分钟），G3组（M=34.3分钟）。然而，值得注意的是，G3组的实验时间较长可能是由于软件的特性，因为这个组的参与者并没有完成比G1组或G2组更多的试验。

6. 社会有效性问卷
所有组的参与者在知识提升（M≈5.7）、沉浸感（M≈4.7）、目标清晰度（M≈6.0）、集中注意力（M≈5.3）和挑战性（M≈4.9）等类别上的回答相似。然而，在反馈项目上，G1组的参与者得分较低（M=4.7），相比之下G2组（M=6.2）和G3组（M=6.2）得分较高。在自主性方面，G3组的参与者对该程序的评分较高（M=5.4），高于G1组（M=4.6）和G2组（M=4.7）。第三类似然比卡方检验显示类别（χ2(6) = 40.06，p<.001）和类别与组之间的交互作用（χ2(12) = 38.29，p<.001）有显著效应，但组之间的交互作用几乎显著（χ2(2) = 5.53，p=.063）。这些数据表明，尽管组别可能影响了评估，但在单独考虑每个量表时仍存在显著差异。事后检验确认G1组与其他组在反馈类别上有显著差异（p<.001），这表明该组的参与者认为程序提供的反馈较少。这些发现应谨慎解读，原因包括：（1）量表尚未正式适应葡萄牙语；（2）所有项目都被纳入了分析（见脚注4）；（3）残差不符合正态分布——这在李克特型数据中是预期的；（4）参与者只经历了一个程序，限制了组间的直接比较。虽然不是结果部分的重点，但检查各个项目可能会提供有用信息（详见补充材料中的每个问题的平均回答）。例如，尽管在参与度类别中各组之间没有总体差异，但对“我感到自己在游戏中有情感投入”这一项目的反应，G1组（平均值=3.5）低于G2组（平均值=4.6）和G3组（平均值=4.5）。7. 讨论本实验旨在通过评估等价类的形成和维持来验证游戏化在MTS程序中的影响。为此，使用了三种MTS程序，这些程序在包含的游戏化元素数量上有所不同。总体而言，Miner Troubles程序（G3）的流失率最低，其次是传统的MTS（G1）和改编后的MTS（G2）。在达到等价标准的参与者中，G3组在AB训练块所需的尝试次数少于G1组，而在混合训练块中，G1组所需的尝试次数少于G2组。最后，尽管没有统计学上的显著性，但G3组的参与者总体上所需的训练尝试次数较少，而且G3组中有更高比例的参与者保持了等价类，其次是G1组和G2组。因此，结果表明了一个看似矛盾的结论：游戏元素的加入既可能促进也可能阻碍学习。与传统MTS相比，Miner Troubles更有效率，使得更多参与者能够在更少的训练尝试次数内正确推导出等价类（尽管实验持续时间更长）。相比之下，改编后的MTS结果较差，因为达到标准的参与者较少，并且在最后的训练块中需要更多的尝试次数——这表明之前的训练可能不足以建立条件区分。重要的是，改编后的MTS中包含的游戏元素（即积分和进度）也被纳入了Miner Troubles中，这表明G2组的表现不佳不能仅仅归因于这些元素的加入。对于这种混合结果的一个可能解释是，Miner Troubles的叙事和游戏设计所创造的动机环境改变了积分和进度元素的功能。在Miner Troubles中，学习条件区分的意义不仅仅是赢取积分——它有助于实现帮助角色逃离陵墓的总体目标。因此，在这种动机环境下，积分和进度元素的吸引功能可能增强了，而抽象刺激可能获得了更强的导向功能，最终促进了关系学习和推导（Barnes-Holmes和Harte，2022；Gomes等人，2019）。未来的研究可以通过不包含故事情节（例如，排除引言故事）来测试这一假设，这样可以单独分析叙事元素，同时减少动机环境的影响，或者可以通过为该程序提供背景故事来测试这一假设。然而，这一假设并不能解释为什么在改编后的MTS中仅使用积分和进度元素会干扰学习。即使叙事元素在G3组中放大了这些后果的强化价值，但G2组表现不如G1组仍是一个令人困惑的结果，考虑到改编后的MTS和传统MTS之间的差异很小。一种可能的解释是，这些组件引入了负面因素（例如，积分的丢失和进度计数的重置），可能干扰了等价类的推导（Rega?o，Perez等人，2025）。然而，社会有效性问卷中的任何项目都没有表明G2组的参与者认为该程序比其他组特别令人反感，尽管不同组的评估可能影响了对立感性的正确评估。未来的研究可以通过为不同组分别使用积分和进度元素，并包括实验后的访谈来更好地理解参与者的体验。8. 关于游戏化元素的文献尽管有假设认为叙事元素有利于G3组参与者的表现，但过去的研究报告了关于在教育环境中使用叙事元素的混合或负面结果（例如，Armstrong & Landers，2017；Ritzhaupt等人，2021；Sailer & Homner，2020）。然而，与其他元素（如积分、排行榜和徽章）相比，叙事元素仍研究不足（Dichev & Dicheva，2017），而且叙事（或任何其他游戏元素）的实施方式会显著影响其功能——特别是从行为分析的角度来看。例如，在负面环境中嵌入故事（例如，在Miner Troubles中角色被困在陵墓中）可能与在非负面环境中设置的故事（例如，寻宝游戏，De Souza等人，2023；Gris & de Souza，2016）具有不同的行为功能，尽管两者都是叙事元素。因此，这些特征不应被视为具有固定效果的静态组件，而应被视为其功能依赖于上下文的变量。然而，这种行为分析的解释在更广泛的游戏化文献中仍然不够普遍，尽管这两个领域在概念上有相似之处（Morford等人，2014）。Krath等人（2021）的系统综述确定了118种不同的理论来解释游戏化如何影响行为，作者将行为分析描述为一种“强化理论”，该理论“将行为形成的认知过程视为‘黑箱’，并建议刺激与结果之间存在直接关系”。因此，至少在行为分析方面，游戏化领域存在理论上的混淆和误解（但可能也适用于其他方面）。这种理论上的碎片化和分歧可能部分解释了关于游戏化对学习影响的研究结果不一致（Dichev和Dicheva，2017；Krath等人，2021；Seaborn和Fels，2015），特别是与叙事元素相关的研究。除了众多不同的理论外，用于评估游戏化效果的程序也没有标准化。许多研究使用不同的软件（例如，Sailer等人，2017）或讲座（例如，Coelho等人，2025）作为游戏化学习程序的比较对象。然而，这些程序的有效性和效率可能因与每个学习环境相关的一些变量而异。在这种背景下，Miner Troubles与其他程序不同，因为它基于传统程序（即MTS）发展而来，并具有强大的理论和实验基础（即SE描述），使其成为隔离和评估特定游戏元素及其相互作用的有希望的平台。9. 社会有效性尽管各组之间存在差异，但在社会有效性量表的大多数类别中，参与者的评价大致相似。最初预计评价会受到所使用软件的显著影响，G3组的参与者会认为该程序比G1组和G2组的参与者更具激励性和刺激性。然而，组设计可能限制了组间的差异。在当前实验中，参与者评估了他们实际体验的程序，而没有接触到所有其他选项。也就是说，对量表的回答并未反映对所有三种程序的考虑，而是基于参与者个人使用计算机化学习环境的经验进行的评估。这不仅限于当前研究，也适用于评估参与者评价的其他EBI研究（例如，Ferman等人，2020；Kelly-Sisken等人，2025；Lovett等人，2011；Ostrosky等人，2022）。只有一项研究（Augland等人，2020）使用了单主题设计，允许参与者同时体验EBI和涉及讲座、同伴辅导、课堂讨论等主动学习方法。结果显示，首先接触EBI的参与者退出率更高，并对该条件的评价不太积极。未来的研究可以采用类似的主题内设计来评估不同MTS实现方式下的参与者偏好和表现，包括Miner Troubles。此外，定性反馈也可以提供更丰富的见解。据传闻，一些G1组和G2组的参与者在实验后看到所有三种软件后对Miner Troubles表示出热情。虽然口头报告可能受到许多不可控变量的影响，但它们可能会突出评分量表无法捕捉到的相关方面。10. 限制已经讨论了一些限制因素，但可能还有其他因素影响了结果：（1）Miner Troubles引入了许多传统SE研究中不常见的变量（例如，采矿主题），可能增加了干扰变量的数量；（2）比较刺激呈现的延迟在不同条件下有所不同（G3中为2.5秒，而G1和G2中为2秒），这可能影响了表现（Arntzen，2006；Vilela等人，2025）；（3）G3组的完成时间明显更长，这可能会削弱关于Miner Troubes有效性的论点（即，如果参与者完成程序所需时间更长，它就不可能更有效）；（4）统计分析中每组的参与者数量相对较少；（5）该研究没有控制参与者的游戏习惯。未来的研究可以通过增加参与者数量、匹配比较刺激呈现的延迟，并在初始表格中包含关于游戏习惯的问题来避免这些问题。11. 结论刺激等价研究在教授社会相关行为方面有着悠久的应用历史（Brodsky和Fienup，2018；Pilgrim，2020；Rega?o等人，2025）。然而，尽管技术有所进步，标准MTS格式在过去的五十年中几乎没有创新。Miner Troubles代表了一种尝试，将行为分析与游戏化相结合（Rega?o等人，2024），表明游戏元素的整合可以根据其设计方式积极影响学习结果。鉴于当前实验中发现的令人困惑的结果，我们希望这项研究能鼓励更多的重复实验，并更广泛地探索吸引人和激励性的学习程序如何影响学习，我们认为这是推进行为分析的基础工作。CRediT作者贡献声明de Rose Julio：撰写 - 审稿与编辑、监督、方法论、资金获取、概念化。Souza Silvia：撰写 - 审稿与编辑、监督、概念化。Alceu Rega?o：撰写 - 审稿与编辑、撰写 - 原稿、软件、项目管理、方法论、调查、资金获取、形式分析、数据管理、概念化。资金第一作者得到了圣保罗研究基金会（FAPESP；资助编号#2021/09616–0）的支持。这项研究是巴西国家认知与教育科学技术研究所（INCT-ECCE）科学计划的一部分，得到了圣保罗研究基金会（资助编号#2014/50909–8）、巴西科学技术发展委员会（CNPq：资助编号#465686/2014–1）以及高等教育人员协调委员会（CAPES：资助编号#88887.136407/2017–00）的支持。遵守伦理标准这项研究得到了巴西国家人类研究委员会（协议CAAE 40154520.1.0000.5504）的批准。利益冲突作者声明作者声明没有与提交发表的工作直接或间接相关的财务或非财务利益。