Designing an interactive machine learning challenge within an escape game to enhance student motivation and understanding

Abstract

Context. Machine learning (ML) is a key driver of technological innovation and increasingly relevant in everyday applications. Despite this, younger learners often lack accessible entry points into this complex field. Problem. While numerous educational tools and curricula exist for teaching ML, they typically focus on individual concepts like training or inference, often outside of a cohesive narrative. Few approaches provide a comprehensive, gamified learning experience that introduces core ML principles-such as classification, data quality, and model evaluation-within a single, story-driven environment tailored to younger learners. Objective. This thesis develops and evaluates an interactive ML challenge embedded in a narrative escape game designed to introduce students to ML concepts in an engaging and age-appropriate way. Method. The task was designed using educational theory and gamification principles and implemented in a Jupyter Notebook with pretrained ML models. Learners interact with classification tasks, train models, and make in-game decisions based on model predictions. Results. Asmall evaluation study indicated a modest improvement in self-assessed ML understanding and generally positive feedback regarding usability and visual design. However, motivation and emotional engagement varied among participants. Conclusion. The study suggests that gamified, interactive approaches can facilitate ML education for novices. Future work should refine the concept and expand evaluation to larger, more representative samples for reliable assessment of learning effects. Kontext. Maschinelles Lernen (ML) ist ein zentraler Treiber technologischer Innovation und gewinnt zunehmend an Bedeutung in alltäglichen Anwendungen. Dennoch fehlt es insbesondere jüngeren Lernenden an geeigneten, niedrigschwelligen Zugängen zu diesem komplexen Themenfeld. Problem. Es existieren zahlreiche Bildungsansätze und Materialien zur Vermittlung von ML, doch behandeln diese meist nur einzelne Teilaspekte wie Modelltraining oder Inferenz isoliert und ohne didaktischen Zusammenhang. Spielerische, ganzheitliche Lernumgebungen, die zentrale ML-Konzepte wie Klassifikation, Datenqualität und Modellevaluation in einem zusammenhängenden, narrativen Format vermitteln, sind bislang selten. Ziel. Diese Arbeit entwickelt und evaluiert eine interaktive ML-Aufgabe, die in ein narratives Escape Game eingebettet ist und Schülerinnen und Schülern grundlegende ML-Konzepte auf motivierende und altersgerechte Weise näherbringt. Methode. Die Aufgabe basiert auf didaktischen Modellen und Gamification-Prinzipien und wurde in einem Jupyter Notebook mit vortrainierten ML-Modellen umgesetzt. Die Lernenden führen Klassifikationsaufgaben durch, trainieren Modelle selbstständig und treffen spielinterne Entscheidungen basierend auf den Modellergebnissen. Ergebnisse. Eine explorative Evaluationsstudie mit wenigen Teilnehmenden zeigt eine leichte Verbesserung des selbst eingeschätzten ML-Verständnisses sowie überwiegend positives Feedback zur Bedienbarkeit und visuellen Gestaltung. Die emotionale Beteiligung und Motivation fielen hingegen individuell unterschiedlich aus. Schlussfolgerung. Die Ergebnisse deuten darauf hin, dass gamifizierte, interaktive Ansätze geeignet sind, um ML-Grundlagen auf motivierende Weise zu vermitteln. Für eine belastbare Bewertung der pädagogischen Wirksamkeit sind jedoch weiterführende Studien mit größeren, zielgruppennäheren Stichproben erforderlich.