Exploring Procedural Content Generation and Personalized Learning for Virtual Driving Education

Abstract

I takt med den økte digitaliseringen i verden, har bruken av virtuelle simulatorer til pedagogiske formål blitt anerkjent og tatt i bruk i stadig økende grad. Trafikkskolen WAY har benyttet virtuelle kjøresimulatorer i opplæringen sin for å redusere risiko, spare kostnader og trene elevene på situasjoner som sjelden oppstår i virkeligheten. For å utnytte potensialet til virtuelle simulatorer og optimalisere effektiviteten, ønsker WAY å tilpasse undervisningen med skreddersydd innhold basert på hver enkelt elevs individuelle ferdighetsnivå. Denne avhandlingen utforsker anvendelsen av Procedural Content Generation (PCG) og Personalized Learning i konteksten til virtuelle kjøresimulatorer. Målet med dette er å skape varierte og personlig tilpassede trafikksituasjoner for WAYs kjøreopplæring. Ved å benytte ferdighetsnivåene som tilbys av WAYs eksisterende ferdighetsmodell, er målet å forbedre læringen gjennom optimal vanskelighetsgrad og trafikksituasjoner skreddersydd for den enkelte elev. Den valgte metodologien som benyttes for å utforske gjennomførbarheten av denne forskningen omfatter to faser. Først gjennomføres en litteraturgjennomgang som gir en oversikt over den siste utviklingen innen Procedural Content Generation og Personalized Learning. Deretter benyttes et forskningsprosjekt basert på Design Science Research for å evaluere annvendelsesomeråde. Litteraturgjennomgangen avdekker en klassifisering for PCG og en rammeverk for erfaringsbasert innholdsgenerering. Disse legger grunnlaget for den foreslåtte modellen. Bidragene fra forskningsprosjektet inkluderer en semantisk representasjon for å skildre trafikksituasjoner og kjøreopplæring, en algoritme for generering av personlig tilpasset innhold, en analyse av det genererte innholdet og tilslutt, forslag til fremtidig arbeid. Analysen ble gjennomført ved å skape scenarier med spesielle egenskaper for ulike ferdighetsnivåer, før en analyse av sammenhengen mellom ferdighetsnivåer, trente ferdigheter og vanskelighetsnivåer ble utført. Resultatene indikerer at modellen lykkes med å personalisere innholdet gjennom lovende dekning av ferdigheter og justeringer av vanskelighetsgrad, samtidig som utfordringer og begrensninger blir fremhevet.

As the world increasingly embraces digitalization, the use of virtual simulators for educational purposes has gained widespread recognition and adoption. The traffic school WAY has been using virtual driving simulators in their education to reduce risk, save money, and train students on situations that rarely happen in real life. To exploit the capabilities of virtual simulators and optimize their effectiveness, WAY wants to personalize lessons with tailor-made content based on each student's individual skill level. This thesis explores the application of Procedural Content Generation (PCG) and personalized learning in the context of virtual driving simulators, with the aim of creating varying and personalized traffic situations for WAY's driving education. By using the skill levels provided by WAY’s existing skill model, the aim is to enhance learning through optimal difficulty and traffic situations tailored to best suit the student. The selected methodology utilized when exploring the feasibility of this research encompasses two phases. First, a literature review providing an overview of the state of the art in procedural content generation and personalized learning is conducted. Subsequently, a Design Science Research project is employed to evaluate the suitability. The identified literature reveals a taxonomy of PCG variations and a framework for experience-driven content generation, both forming the foundation for the proposed model. The contributions of the Design Science Research project include a semantic representation for depicting traffic situations and driving lessons, an algorithm for generating personalized content, an analysis of the generated content, and proposals for future research directions. The analysis was conducted by creating scenarios of skill levels with special characteristics before an analysis of the correlation between skill levels and trained skills and difficulty levels was done. The results indicate that the model succeeds in personalizing content through promising skill coverage and difficulty adjustments while also highlighting the challenges and limitations.