近年来,我国的教育发展进入到重视学生身心健康、促进学生个性化发展的新阶段。基于数字化游戏的学习(Digital Game-based learning,DGBL)是一种新兴教育形式,它将严肃的学习过程与计算机互动娱乐相结合,采用寓教于乐的思想,使得学习过程不再枯燥,促使孩子们更有兴趣、更有动力地投入到课程学习中。其交互方式主要有PC端交互、移动设备端交互和VR设备端交互。但现有的DGBL存在着三个问题:1)交互方式存在着健康隐患。PC或移动设备上的交互,存在着久坐不动和长时间盯着电子屏幕损伤视力的问题;而VR设备上的交互,常有VR晕动症情况,且厂商并不建议13岁以下的人群使用。2)没有对于学习活动的长期性的足够支持。在DGBL相关工作中多次提及了应该对学习者的纵向研究分析,说明对学习行为的长期性考虑是有必要的。但一部分DGBL没有记录用户的身份,还有记录用户身份只是为了简单的记录课程进度,并没有进一步收集学习数据并分析。3)忽略了学生的个体差异和长期发展,没有很好地提供个性化、自适应的学习内容。没有在长期历史学习数据的基础上,根据学生的能力水平和能力变化来为每个学生提供和调整合适的学习内容。为了促进学生进行健康的、长期的、个性化学习,本文提出了一种融合运动的学习模式及其内容自适应推荐方法。其将学习、运动及游戏乐趣结合在一起,为学生提供健康的学习方式。Exer-Learning考虑了 DGBL学习活动中的长时性因素,支持长期学习和运动,并对学习过程中的数据进行记录。并且它利用学生历史学习数据,为每个人提供自适应的学习内容,提供个性化的学习体验。具体而言,本文的主要工作和贡献概括如下:1.提出融合运动的学习模式——Exer-Learning交互模式,它在有趣的游戏的背景下结合了学习活动和体育锻炼。构建了一个交互系统,它将体育锻炼作为英语学习游戏的一个关键元素。在其中,学生们可以很自然地利用投影区域的位置和身体运动作为交互的方式,在学习知识的同时进行一定的体育锻炼。本文进行了一项对照研究,以了解在这种Exer-Learning交互模式下两个元素(体育锻炼水平和学习游戏的知识水平)的最佳设计权衡。本文区分了四种权衡条件,并考察了它们对参与者运动益处、学习效率和游戏乐趣的影响。结果表明,在高运动和低知识水平下,运动和学习的益处相对较高。然而,高强度的体育锻炼水平降低了参与者学习的乐趣。2.针对英语学习内容,本文实现了自适应学习的题目推送策略,可以分为学习者建模和应用模型两个部分。首先利用循环神经网络(Recurrent Neural Network,RNN)实现的深度知识追踪(Deep Knowledge Tracing,DKT)模型,在学生仿真训练数据上对学习者知识状态建模。然后在自适应学习任务中,应用训练好的学习者模型,来为每个学习者提供自适应的学习内容和个性化的学习体验。最后本文对整个自适应学习从系统标准、成绩标准、满意度标准三方面进行了评估。实验测试结果表明,学习者模型的准确率较高,自适应组在学习成绩和学习效率方面均优于对照组,且在主观满意度得分上也较为理想。