《Cogent Social Sciences》：SmartTA: a blockchain and AutoML approach for game-based teaching guidance to improve student performance
编辑推荐：
游戏化教学（Game-based teaching, GBT）在现代教育中已广泛采用，但教师在设计GBT活动与解读学生学习表现方面负担沉重，而集中式教育数据存储带来显著的安全与可信风险。针对上述瓶颈，研究人员提出SmartTA，一种融合GBT推荐模块、自动机器
游戏化教学（Game-based teaching, GBT）在现代教育中已广泛采用，但教师在设计GBT活动与解读学生学习表现方面负担沉重，而集中式教育数据存储带来显著的安全与可信风险。针对上述瓶颈，研究人员提出SmartTA，一种融合GBT推荐模块、自动机器学习（Automated Machine Learning, AutoML）与区块链的集成教学助理系统。具体而言，SmartTA为教师提供定制化的GBT案例与考试评分建议，并利用AutoML在零编码需求下自动挖掘学生学习行为。研究人员开展三组实验验证系统：AutoML在六个公开教育数据集上取得最高93%的预测准确率；基于Hyperledger Fabric的区块链原型实现平均约2.2秒的数据写入延迟与约150毫秒的查询延迟；20名一线教育从业者给出85%的正面反馈。实验结果表明，SmartTA有助于降低教师备课负荷、支撑教学质量提升，同时通过区块链实现防篡改数据存储。本研究实现了AutoML与区块链在GBT场景中的实用融合，建立了一种面向非技术型教育者的新型安全数据驱动教学辅助范式。
研究背景方面，游戏化教学（Game-based teaching, GBT）因能提升课堂参与度与学习效率而快速普及，但真实场景中受限于双重障碍：一是教师端需承担定制化游戏内容开发、多维能力评估与差异化教学调整，备课与管理负荷过重；二是传统集中式存储面临学生数据丢失、篡改及多方信任争议。机器学习虽已用于学业预测，但常规流水线要求编码与调参能力，对一线教师门槛过高；自动机器学习（Automated Machine Learning, AutoML）可消除编码障碍，区块链凭借密码学与原型共识实现不可变记录，但既有研究多将GBT、AutoML与区块链孤立探讨，缺乏三者同步集成的端到端平台。为此，研究人员设计SmartTA，统一GBT推荐、AutoML分析与联盟链存储，以服务非技术教育者并保障数据全周期安全。
关键技术方法上，系统采用三层架构（用户层、应用层、技术层），技术层以Auto-sklearn 0.14执行数据预处理、特征选择与模型选择，训练集测试集按80%/20%划分并施以5折交叉验证；区块链层基于Hyperledger Fabric v2.4搭建含教师、学生、监管方与管理员四类组织的联盟链，Raft共识，Ubuntu 22.04与Docker容器化部署。评估数据来自六组Kaggle及学术公开教育数据集（分类、多分类、回归三类任务），20名运城职业技术大学教育者（平均教龄6.2年，便利抽样平分实验/对照两组）于2024年9至11月提供五维评分，区块链延迟在原型环境实测。
研究结果部分，6.3.1节AutoML性能显示，四组分类/多分类任务准确率最高0.931、最低0.711，精确率最高0.952、最低0.681，召回率最高0.917、最低0.603，F1最高0.923、最低0.602；两组回归任务中，学生测试分预测库MAE 2.276、RMSE 2.888、MAPE 3.556、R2 0.957，学生饮酒库MAE 0.871、RMSE 1.359、MAPE 7.962、R2 0.822，证实AutoML可零编码处理典型教育数据。6.3.2节区块链性能表明，1至1000条插入响应稳定约2200毫秒，查询约150毫秒，满足课堂吞吐。6.3.3节用户评估中，使用GBT组在隐私保护维度较对照组提升1.9分（达4.325），UI与交互约4分，教学效率领先，可靠性维度两组差异未达显著（p=0.07），总体满意率85%。
讨论部分指出，SmartTA预测精度不低于传统教育机器学习且兼具自动化优势，联盟链通过密码学哈希、分布式共识与不可变账本天然提供完整性与可追溯性；其教育意义在于降低教师技术屏障、以风险预警驱动GBT活动选择、以可审计记录构建家校信任，但AutoML输出应作为专业判断的辅助而非处方。局限包括单校20人样本、AutoML未用真实课堂回流数据、缺 longitudinal 与 RCT 学习效果证明、可靠性未显著、高并发扩展性未测、设备门槛存在。
结论部分翻译：本文提出SmartTA，一种结合区块链与AutoML以引导教师应用GBT的原型系统。实验显示AutoML在多教育数据集上最高预测准确率93%，区块链组件插入延迟<3秒且保障数据完整性，20名教育者85%正面反馈，尤赞隐私与效率。但研究人员强调此为初步评估，尚未证明SmartTA在真实课堂提升学业表现，系统应视为有前景原型而非已验证干预；贡献主要在三方技术集成的可行性与可接受性演示，为后续研究奠基。下一步将扩至多校大规模部署、整学年纵向追踪及随机对照试验，并扩充GBT案例库与优化AutoML模型。论文发表于《Cogent Social Sciences》。
