入侵型電競表現診斷：電競表現篩選（EPS）框架
arXiv - Human-Computer InteractionMichael Trotter, Frauke Kubischta, Matthew Watson, Bastian Hougaard, Hendrik Knoche
本文提出 EPS 框架，透過五個層次系統化分析電競中的心理策略錯誤與物理操作失誤。
AI 幫你先抓重點
AI 重點 1
區分「認知錯誤」與「執行失誤」的必要性
滑鼠懸停看 AI 判斷理由
在電競教學中，若將操作失誤誤判為戰術問題，會導致錯誤的訓練方向。明確區分心理與物理層面，能讓教練精準對症下藥，提升訓練效率。
AI 重點 2
層次化架構對動態分析的價值
滑鼠懸停看 AI 判斷理由
電競是高度動態的過程，透過策略到操作的階層化模型，能幫助學習者理解複雜系統中的因果關係，這對於建立高階認知技能至關重要。
核心研究發現
- 1
提出 EPS 框架，將電競表現整合為策略、戰術、任務、行動與操作五個相互關聯的層次。
- 2
該框架能有效區分「心理錯誤」（策略與戰術層面）與「物理失誤」（動作執行層面），避免錯誤歸因。
- 3
EPS 支援兩種應用模式：用於賽後反思的診斷模式，以及用於比賽進行中的即時篩選模式。
- 4
透過層次化分析，教練能識別導致比賽從穩定狀態轉向不穩定狀態的具體層級原因。
對教育工作者的啟發
對於教育工作者或教練而言，此框架提供了「結構化反思」的工具。建議在教學設計中引入類似的層次化評估模型，不僅關注最終結果（如勝負），更要引導學習者分析問題發生在「策略規劃」還是「技能執行」層級。這有助於培養學習者的元認知能力（Metacognition），讓他們在面對失敗時能進行精準的自我診斷與修正，而非盲目重複練習。
原始文獻資訊
- 英文標題：
- Diagnosing Performance in Invasion-Based Esports: The Esports Performance Screening (EPS) Framework
- 作者：
- Michael Trotter, Frauke Kubischta, Matthew Watson, Bastian Hougaard, Hendrik Knoche
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。