Gamification MOOC 学习笔记4——动机与心理(上)

1.动机设计(Motivational Design)

动机非常复杂,并没有统一的激励手段,结合实际、创新很重要。


2.行为主义(Behaviorism)

强调通过刺激(stimulus)影响行为,出现某种结果(consequences)

最初来源于经典的反射。


经济学中人们常犯的一些“错误”:

更加看重失去什么而不是得到什么

人们有默认倾向

证实偏见(confirmation bias)——人们会为了证实自己所想的而只看见有利于它的证据,忽略相反的和其他的


游戏化能从中学到:

观察(observation):观察人们的实际行为,而非纸上谈兵,拘泥于理论

反馈循环(feedback loops):重视反馈循环

强化观点(reinforcement):即洗脑。。。


3.游戏化中的行为主义(Behaviorism in Gamification)

观察受到外部刺激后,人们的反应

及时反馈的重要性

结果影响着人们的选择

奖励坚定了人们的态度


多巴胺系统(dopamine system)

多巴胺使人愉悦,希望回到之前的选择中


4.奖励结构(Reward Structures)

设计者要知道哪些奖励是他们希望的,有价值的奖励,能够激励玩家的奖励。


奖励的分类(认知评价理论 Cognitive Evolution Theory):

1.实物奖励/非实物奖励(Tangible/Intangible)

2.预期之内的/预期之外的(Expected/Unexpected)

3.不同情况的(随机的 Contingency):无条件的奖励,参与奖励,完成任务奖励,结果出色奖励


5.奖励时间表(Reward Schedules)

连续的奖励(奖励随着事件连续出现):

时间长了会感到无聊

固定比率的奖励(奖励与操作次数有固定比率):

让玩家养成习惯,时间长了激励作用下降

固定时间间隔(奖励有周期性):

同上

不固定的奖励(没有规律):是否需要竞争、是否是随机性的

使玩家感到惊喜,类似人脑思维(狩猎思维):人们喜欢彩蛋



深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小损失函数。 11. **正则(Regularization)**:技术如 Dropout、L1/L2 正则等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值