透過20Q遊戲學習解釋網路安全
arXiv - Computers and SocietyMary Nusrat, Sarfuddin Bhuiyan, Gahangir Hossain
提出一種結合可解釋AI與20Q遊戲的互動式推薦系統，能在最少提問下為網路安全教育提供最佳建議並說明理由。
AI 幫你先抓重點
AI 重點 1
將可解釋AI與20Q遊戲結合，提供透明且可追溯的安全建議。
滑鼠懸停看 AI 判斷理由
此結合使學習者能清楚看到每一步決策的依據，降低對AI建議的懷疑，進而提升學習動機與信任度，對教育科技設計具有重要參考價值。
AI 重點 2
政策式強化學習自適調整提問難度，促進自主學習與元認知發展。
滑鼠懸停看 AI 判斷理由
RL 代理能根據學習者回應即時調整問題難度，讓學習者在適度挑戰中保持投入，這對設計自適化學習路徑與評量具有實務啟示。
核心研究發現
- 1
EQ‑20CR 透過政策式強化學習，能在最少提問下獲得足夠證據，進而推薦最適合的網路安全教育內容。
- 2
系統以 20Q 遊戲形式呈現，使用者在互動過程中逐步接觸到難度自適的問題，提升學習參與度與理解深度。
- 3
案例研究顯示，該框架不僅能提供精準建議，還能以簡潔對話紀錄說明決策依據，增強學習者的信任感與學習成效。
對教育工作者的啟發
實務工作者可將 EQ‑20CR 內嵌於線上安全課程，透過 20Q 遊戲化提問快速捕捉學習者知識缺口，並即時給予個別化建議與簡短說明。此方式不僅提升學習者的參與度，亦能在課程評量時提供可追溯的決策紀錄，方便教師檢視學習成效與調整教學策略。建議先在小規模班級試點，收集對話紀錄與學習成效數據，再擴展至大規模課程，並結合元認知指引，協助學習者反思提問過程與決策依據。
原始文獻資訊
- 英文標題：
- Learning-to-Explain through 20Q Gaming: An Explainable Recommender for Cybersecurity Education
- 作者：
- Mary Nusrat, Sarfuddin Bhuiyan, Gahangir Hossain
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
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。