《Technologies》：Toward the Systematic Design and Study of Mixed Reality Serious Games in Higher Education: Design Recommendations and a Multi-Dimensional Methodological Framework
编辑推荐：
混合现实（MR）严肃游戏将沉浸式技术与基于游戏的学习相结合，以支持大学教育中跨学科的培训、技能发展和决策制定。尽管先前研究已表明在参与度、可用性和学习效果方面有所改进，但较少关注开发用于研究MR严肃游戏的设计建议和方法论方法。研究人员通过整合学习理论、游戏机制
混合现实（MR）严肃游戏将沉浸式技术与基于游戏的学习相结合，以支持大学教育中跨学科的培训、技能发展和决策制定。尽管先前研究已表明在参与度、可用性和学习效果方面有所改进，但较少关注开发用于研究MR严肃游戏的设计建议和方法论方法。研究人员通过整合学习理论、游戏机制和游戏化功能，开发了一种基于理论的、基于Meta Quest 3的用于诊断分类的MR严肃游戏，该游戏同时作为教育干预和研究工具。该系统通过两项涉及本科生的互补研究进行评估：第一项研究比较了不同教学方式的学习效果，而第二项研究采用混合方法（结合客观指标、问卷和访谈）考察了学习者的表现和迁移。所提出的系统取得了与专家指导的田间训练相当的学习效果，同时显著优于课堂讲授和自主学习。研究证明了向真实世界诊断任务的显著迁移，并通过三角互证获得了互补性证据，从而推导出初步设计建议和一个多维方法论框架。这些贡献为高等教育中MR严肃游戏的系统设计和研究提供了初步基础。
论文解读文章
研究背景与问题：混合现实（Mixed Reality, MR）严肃游戏（Serious Games）将沉浸式技术与游戏化学习相结合，支持大学教育中的培训、技能发展和决策制定。尽管先前研究报道了MR严肃游戏在参与度、可用性和学习效果方面的改进，但较少关注系统评估学习效果以及如何将学习者表现和经验用于指导设计。现有研究缺乏针对观察、分类和决策活动的MR严肃游戏的设计建议和方法论框架。因此，研究人员开展这项研究，旨在开发一个理论驱动的MR严肃游戏，评估其教育效果，并提出初步设计建议和方法论框架。该论文发表在《Technologies》期刊上。
研究内容与结论：研究人员开发了一个基于Meta Quest 3的MR严肃游戏，用于水稻病害诊断和严重度分类培训。该游戏整合了学习理论（如具身学习、知觉学习、支架式教学、检索练习和反馈）和游戏化元素。通过两项研究进行评估：研究1（N=80）比较了MR游戏与课堂讲授、自主学习和农学家指导的田间训练的学习效果；研究2（N=30）考察了MR游戏内的表现、向真实叶片的迁移、交互行为、感知和体验。结论表明，MR游戏在疾病分类准确率和严重度估计误差上均显著优于课堂讲授和自主学习，与专家指导的田间训练无显著差异。MR表现与真实叶片表现显著相关，证明学习迁移发生。通过行为编码、问卷和访谈的三角互证，研究人员提出了初步设计建议（如最小化技术障碍、优先使用成就导向而非竞争性游戏化元素等）和一个包含六个维度的方法论框架。
关键方法：研究人员使用的主要关键技术方法包括：基于学习理论（具身学习、知觉学习、支架式教学、检索练习、反馈）设计的MR严肃游戏系统，包含四个教学层次（交互教程、引导识别两个病害、独立评估、反馈与排行榜）；研究1采用随机对照实验设计，比较四种教学方式（MR游戏、课堂讲授、自主学习、农学家引导的田间训练），使用方差分析和混合效应模型分析疾病分类准确率和严重度估计误差；研究2采用混合方法，结合客观行为编码（叶片旋转、近距离检查、叶片再访、比较检查、决策延迟）、问卷调查（27项量表评估教程、引导学习、独立评估、反馈、排行榜、可用性、迁移、参与度、游戏化）和半结构化访谈。样本来自哥伦比亚的Universidad de los Llanos的本科生（非农学专业，无MR/VR经验），研究1共80人，研究2共30人。
研究结果
4.1 研究1——学习方式的比较评估
4.1.1 疾病分类准确率：通过单因素方差分析（ANOVA）发现，教学方式对疾病分类准确率有显著影响（F(3,76)=16.05, p<0.001, η
p2=0.388）。MR游戏条件（89.0%）显著优于课堂讲授（72.8%）和自主学习（74.8%），与农学家引导的田间训练（85.8%）无显著差异（差异仅3.2个百分点，Hedges‘ g=0.38，置信区间包含零）。
4.1.2 严重度估计误差：单因素方差分析显示教学方式对严重度估计平均绝对误差（Mean Absolute Error, MAE）有显著影响（F(3,76)=13.99, p<0.001, η
p2=0.356）。MR游戏条件（MAE=0.328）和农学家引导条件（MAE=0.305）均显著优于课堂讲授（MAE=0.538）和自主学习（MAE=0.440），MR与农学家条件之间差异很小（0.023 MAE单位）。
4.1.3 叶片水平分析——疾病分类：混合效应逻辑回归模型（1600个叶片观察）显示，相对于课堂讲授，MR游戏条件（OR=3.07, p<0.001）和农学家引导条件（OR=2.28, p<0.001）与更高的正确分类几率相关，自主学习条件与课堂讲授无显著差异。
4.1.4 叶片水平分析——严重度估计误差：线性混合效应模型显示，相对于课堂讲授，MR游戏条件（β=-0.210, p<0.001）、农学家引导条件（β=-0.233, p<0.001）和自主学习条件（β=-0.098, p=0.014）均与更低的严重度估计误差相关。疾病类型（稻瘟病与叶斑病）对误差有显著影响（β=0.055, p=0.041），真实严重度水平无显著影响。
4.2 研究2
4.2.1 学习迁移：30名参与者在MR独立评估中疾病分类准确率平均为79.5%，严重度分类准确率为65.3%；在真实叶片转移评估中分别为70.7%和60.7%。MR疾病识别准确率与真实叶片准确率显著正相关（ρ=0.429, p=0.018），MR严重度估计误差与真实叶片误差显著正相关（ρ=0.473, p=0.008），表明学习发生迁移。
4.2.2 与迁移相关的行为指标：编码的交互行为中，叶片旋转与MR和真实叶片表现呈最强且最一致的相关性（例如，与MR严重度MAE的ρ=-0.760, p<0.001）。比较检查与任何表现无显著相关。决策延迟与部分表现相关。
4.2.3 引导学习行为与迁移感知：引导学习阶段的问卷测量（如“引导阶段帮助理解疾病特征”）与真实叶片表现显著相关（|ρ|=0.394-0.595）。但引导阶段的花费时间和检查次数与表现无显著相关，仅阶段2叶片检查次数与真实叶片严重度误差负相关（ρ=-0.410, p=0.024）。
4.2.4 教程阶段表现与感知：教程阶段的不成功抓取尝试数与感知教程效果（ρ=-0.750, p<0.001）和可用性（ρ=-0.649, p<0.001）呈强负相关。教程完成时间也与感知教程效果负相关（ρ=-0.722, p<0.001）。但教程感知与学习表现无显著相关。
4.2.5 反馈、排行榜与游戏化功能：性能总结查看时间与表现无显著相关，但同意“性能总结帮助评估表现”与MR疾病准确率正相关（ρ=0.387, p=0.035）。排行榜参与度与表现无显著相关。游戏化感知中，“游戏化元素鼓励继续参与和改进”与MR疾病准确率（ρ=0.638, p<0.001）和真实叶片准确率（ρ=0.415, p=0.023）正相关，与MR严重度误差（ρ=-0.557, p=0.001）和真实叶片严重度误差（ρ=-0.362, p=0.050）负相关。成就导向元素（奖杯、祝贺信息）也与表现正相关。
4.2.6 重玩行为：90%的参与者（27/30）自愿重玩至少一次。重玩者中85.2%减少了错误分数，初始与最佳尝试分数差异显著（W=22.50, p<0.001, 等级双列相关=0.881）。行为编码变化表明，仅近距离检查的变化与表现改善显著相关（ρ=-0.561, p=0.002）。
4.2.7 访谈发现：采用演绎主题分析，代码频率显示，参与者最常提及的主题包括：引导学习作为准备（83.3%）、向独立过渡（83.3%）、视觉模式识别（80.0%）、感知迁移（80.0%）、享受与兴趣（76.7%）、表现意识（60.0%）、理解错误（56.7%）、成就与奖励（60.0%）、游戏化支持的参与度（56.7%）、差异感知（56.7%）、交互行为（53.3%）、自我评估（43.3%）、重玩（43.3%）、导航与交互（43.3%）、难度与挑战（40.0%）、竞争动机（30.0%）、社会比较（20.0%）、比较检查（20.0%）。
讨论总结：研究人员讨论了教育效果与真实任务对齐（MR游戏与专家引导训练效果相当，支持真实学习理论）；学习迁移、独立表现与诊断行为（表现从MR向真实叶片迁移，叶片旋转行为与表现相关）；引导学习与知觉学习（引导阶段增强感知准备，但暴露时间并非关键因素）；交互熟悉化（教程降低技术障碍，但并非直接贡献学习）；反馈与自我调节学习（性能总结支持反思）；游戏化差异效应（成就导向和自我改进导向比竞争导向更有效）；重玩与重复实践（自愿重玩显著改善表现）；设计决策到实证证据的可追溯性（表13总结了T1-T8路径）。研究人员提出了初步设计建议（R1-R7），包括：最小化技术障碍、不假设可用性改善带来学习收益、保留任务相关观察过程、使用引导学习建立独立准备、优先自我改进而非竞争性游戏化、使用解释性反馈、单独评估设计特征。此外，研究人员推导了一个包含六个维度的多维方法论框架（图7），包括：学习成果、学习迁移、交互行为、学习者感知、游戏化特征评估、行为适应。该框架旨在指导未来MR严肃游戏的研究。
研究结论翻译：通过整合学习成果与行为及经验证据，本研究提出了一套面向开发者的初步设计建议和一个探索性方法论框架，这可能为涉及观察、分类和决策活动的MR严肃游戏的设计、开发和评估提供基础。这些贡献在当前教育背景之外的适用性应通过未来的实证验证来确立。
