طرق التدريس الذكية التي تدمج الواقع الافتراضي وخوارزميات البيانات الضخمة لتعزيز منصات التعليم الثقافي التقليدية

ملخص

توضح هذه الدراسة سير عمل قابل للتكرار لاستخراج الميزات السلوكية ونشر مسارات تعليمية معدلة ديناميكيا داخل البيئات الافتراضية. تمكن الإجراءات الموضحة المعلمين من تطوير مناهج واقع افتراضي تكيفية وتطبيق تتبع السلوك في الوقت الحقيقي.

الملخص

تتميز بيئات التدريس التقليدية الحالية بعناصر تفاعلية محدودة، مما يؤدي إلى مقاييس مشاركة محدودة بين طلاب البكالوريوس الذين يدرسون التراث الثقافي. لمعالجة هذه المشكلات، تم تطوير منصة تعليمية ذكية، تدمج محرك عرض مكاني عالي الدقة في بيئات الواقع الافتراضي مع بنية خوارزمية متعددة النماذج. داخل هذه المنصة، تقوم نماذج الترشيح التعاوني للترانسفورمر والعصبي (NCF) بمعالجة بيانات السلوكيات لتوليد مسارات تعلم مخصصة، بينما تقوم شبكة Q العميقة (DQN) بضبط صعوبة المحتوى ديناميكيا بناء على التغذية الراجعة الفورية. تعكس هذه الهياكل التكيفية مبادئ التعلم البنائي، حيث يتم بناء المعرفة بنشاط من خلال التفاعل مع بيئات متجاوبة في سياقها بدلا من تلقيها بشكل سلبي من خلال التعليم الثابت. تكمن حداثة هذا البحث في دمج محرك عرض مكاني مع بنية خوارزمية متعددة النماذج لإنشاء آلية تكيف سلوكي في الوقت الحقيقي. تظهر نتائج التجارب أن المجموعة التجريبية التي تستخدم منصة التدريس الذكية المقترحة لديها درجات تعلم أعلى (مجموعات منخفضة/متوسطة/عالية هي 69/79/93 نقطة على التوالي) ومعدل إنجاز مهام تعلم أعلى (93٪/96٪/98٪) مقارنة بمجموعة الضابط التي تستخدم نموذج التدريس التقليدي. يوفر تصميم منصة التدريس الذكية تفاعلا قويا، ويوفر مسارات تعلم مخصصة للطلاب ذوي الاختلافات الفردية المتنوعة، ويتغير ديناميكيا خلال عملية التعلم. يشير تحليل زمن الاستجابة إلى زمن استجابة متوسط يبلغ 0.496 ثانية، مما يضمن تغذية فعلية سريعة على التفاعلات. في النهاية، تظهر المنصة المقترحة أن دمج الواقع الافتراضي الغامر مع خوارزميات التكيف السلوكي يعزز بفعالية التحصيل الأكاديمي والمشاركة في المهام لطلاب المرحلة الجامعية في التعليم الثقافي التقليدي.

المقدمة

يلعب التعليم الثقافي التقليدي دورا حيويا في وراثة وتطور الثقافة. ومع ذلك، يعتمد نموذج التعليم الثقافي التقليدي الحالي بشكل رئيسي على الأشكال الثابتة مثل الكتب المدرسية والصور والفيديوهات، ويفتقر إلى التفاعل والانغماس، مما يصعب على الطلاب فهم وتجربة سحر الثقافة حقا. بالإضافة إلى ذلك، غالبا ما تعتمد طرق التدريس التقليدية منهجا موحدا، لا يأخذ في الاعتبار اهتمامات الطلاب وقدراتهم الإدراكية وأنماط التعلم بشكل كامل، مما يؤدي إلى انخفاض كفاءة التعلم وصعوبة تحفيز حماس الطلاب للتعلم. يتماشى هذا القيد مع نظرية منطقة التطور القريب (ZPD) لفيغوتسكي، التي تؤكد على أن التدريس الفعال يجب أن يكون مصمما لمستويات المعرية الحالية للمتعلمين وأن يكون مدعوما وفقا لمساراتهم التطورية الفردية. تعتمد الأدبيات الحالية على مدخلات بيانات ثابتة للنمذجة التربوية. لا يزال دمج التتبع السلوكي المكاني المستمر مع التعلم المعزز العميق غير مستكشف. تدمج الآلية المقترحة التفاعلات الحسية المتعددة مع إعادة الضبط الخوارزمية لسد الفجوة بين المسارات التعليمية الثابتة والتكيف الديناميكي مع السياق. تقوم المنصة المقترحة بتطبيق هذا المبدأ من خلال تعديل صعوبة المحتوى والتسلسل بشكل ديناميكي بناء على مؤشرات سلوكية في الوقت الحقيقي، مما يدمج النظرية التربوية في التصميم الخوارزمي. تحل آليات التكيف الخوارزمي فعليا محل الهيكل البشري الذي يوفره عادة أقران أكثر كفاءة. يتماشى هذا التعديل المستمر لصعوبة المهام مع نظرية الحمل المعرفي (CLT) من خلال منع التحميل المعرفي الزائد لدى المتعلمين المبتدئين والحفاظ على الانخراط ضمن منطقة النمو المثلى.

مع تطوير الواقع الافتراضي (VR) وخوارزميات البيانات، يوفر تطبيقها على التعليم الثقافي التقليدي للطلاب تجربة تعليمية أكثر تفاعلية^وغمرا 1,2,3,4. تؤكد المراجعات المنهجية الشاملة لتطبيقات الواقع الافتراضي الغامر في التعليم العالي على أهمية مواءمة عناصر التصميم مع الأهداف التربوية المحددة⁵.

حاولت العديد من الدراسات تطبيق تقنية الواقع الافتراضي في التعليم الثقافي. ^صمم وطور Hulusic وآخرون متحفا افتراضيا للمدرسة، يتضمن واجهة مستخدم ملموسة. من خلال البحث التشاركي بين المستخدمين، تبين أن المتحف مصمم بشكل جيد ومتطور بشكل جيد، ولديه القدرة على استخدامه كأداة تعليمية وتعليمية في المتاحف أو المدارس أو بشكل مستقل. استجابة لمشكلة نقص التفاعل في بيئات التعلم عن بعد^{، طور} موباروك وآخرون طريقة تعاونية لرسم بيانات الحجج تعتمد على الواقع الافتراضي لمعالجتها. أظهرت التجارب أن هذه الطريقة تحسن التعبير الشفهي للطلاب في اللغة الإنجليزية بشكل أفضل من طرق رسم الخرائط التعاونية غير المبنية على الواقع الافتراضي. ^اقترح صن وآخرون استراتيجية تصميم لنظام واقع افتراضي غامر يجمع بين التفاعل متعدد الوسائط، والتلعيب والسرد القصصي، لعرض وتطوير التراث الثقافي الرقمي. طوروا نظام واقع افتراضي غامر أعاد ترميم جداريات دون هوانغ، مما وفر للمستخدمين تجربة تعليمية وتفاعلية ومسلية. ومع ذلك، لا تزال هذه الدراسات تواجه بعض المشاكل، مثل ضعف التفاعل في مشاهد الواقع الافتراضي، وتبطء معدلات التحديث لمحتوى التعلم، وضعف قابلية خوارزميات التوصية الشخصية، مما يجعل من المستحيل تلبية احتياجات التعلم بدقة لمختلف الطلاب. بالإضافة إلى ذلك، فشلت بعض الدراسات في دمج التعلم العميق والتعلم المعزز بفعالية، مما حد من قدرات التعديل الفورية للتوصيات الشخصية.

لقد دفعت التطورات الحديثة في الذكاء الاصطناعي تقنيات التعليم. تقدم الأبحاث أنظمة تكيفية تستفيد من التعلم العميق للتعرف على الأنماط في سلوك المستخدم. ترسم المنهجيات التي تستخدم خوارزميات التتبع الإدراكي الحالات الديناميكية لاكتساب المعرفة. تحسين البنية في الشبكات العصبية يرفع من دقة التوصيات ضمن أطر التعلم الذكي. الوكلاء الأذكياء الذين يدمجون المتغيرات البيئية المعقدة يعززون الاستجابات التعليمية الآلية. تعتمد هذه المنهجيات على تدفقات بيانات معزولة وتحليل تاريخي ثابت. تعالج المنصة المقترحة هذا القيد من خلال دمج بيانات التفاعل المكاني مع إعادة ضبط خوارزمية مستمرة لضمان التكيف السياقي في الوقت الحقيقي.

تؤكد التحقيقات التجريبية الحديثة أن خوارزميات التعلم العميق تحسن بشكل كبير دقة التنبؤ في نمذجة أداء الطلاب. قام Ouatik وآخرون ⁹ بتنفيذ نظام للتنبؤ بنجاح الطلاب وفشل الطلاب الأكاديمي. استخدموا المعلومات الشخصية للطلاب، والتقييم الأكاديمي، وبيانات أخرى، واستخدموا الذكاء الاصطناعي وطرق التنقيب عن البيانات التعليمية للتنبؤ بنجاح الطلاب الأكاديمي. لمعالجة مشكلة معالجة البيانات، تم استخدام تقنية البيانات الضخمة (BD) لتوزيع المعالجة، مما يقلل وقت الحوسبة دون التضحية بكفاءة الخوارزميات. طورت Bhaskaran¹⁰ موصى بفضاء متجه محسن لمعالجة المشكلات في أنظمة التوصية الحالية للتعليم. يتتبع تلقائيا اهتمامات المتعلمين ومتطلباتهم ومستويات معرفتهم. يقوم بتصنيف واستخراج أساليب تعلم المتعلمين من الخادم، ثم يستخدم خوارزمية تصفية تعاونية محسنة لحساب التشابهات لإنتاج قائمة توصيات أفضل. اقترح جوبتا¹¹ طريقة قائمة على التعلم العميق تستخدم تعبيرات الوجه لاكتشاف تفاعل المتعلمين عبر الإنترنت في الوقت الحقيقي، وتصنف مشاعرهم طوال عملية التعلم من خلال تحليل علامات وجوه الطلاب، وتعدل حالة التعلم بناء على نتائج الكشف. ومع ذلك، لا تزال هذه الطرق لها بعض القيود.

على الرغم من أن حلول التعليم الحالية في الواقع الافتراضي توفر تجربة غامرة، إلا أنها تفتقر إلى قدرات التعديل الديناميكي. غالبا ما تكون مسارات التعلم لدى الطلاب ثابتة، ولا يمكن تحسين المحتوى والصعوبة في الوقت الحقيقي بناء على التقدم الشخصي والتغذية الراجعة، مما يؤدي إلى نقص المشاركة. وفي الوقت نفسه، تعتمد خوارزميات التوصية الشخصية التقليدية في الغالب على البيانات التاريخية أو علامات الاهتمام البسيطة وتفشل في دمج البيانات متعددة الأبعاد، مثل سلوك التعلم للطلاب، والحالة المعرفية، والتغذية الراجعة العاطفية، لتحليل دقيق. نقص الفهم العميق لعمليات تعلم الطلاب يمنع نظام التوصية من معالجة الفروق الفردية بشكل فعال، مما يؤدي إلى تجربة تعلم غير مثالية ونتائج غير مثالية.

لذلك، لمعالجة مشاكل نقص الانغماس ونقص التخصيص في التعليم الثقافي التقليدي، يقترح منصة تعليمية ذكية. تنطبق هذه المنهجية مباشرة على مقررات العلوم الإنسانية الجامعية التي تتطلب التصور المكاني ومقاييس الإيقاع الفردية. تستخدم محركات العرض المكاني المتقدمة وتقنيات الحوسبة المكانية ذات الصلة لتطوير مشاهد التعلم الافتراضي. تمنح بيئات التعلم الافتراضية المتعلمين حرية اختيار وحدات ثقافية محددة. يعالج نموذج المحول القائم على الانتباه العصبي سجلات التفاعل الزمنية لتوليد تمثيل مضغوط لأنماط السلوك. استنادا إلى استخراج خصائص سلوك التعلم لدى الطلاب، يستخدم نموذج الترشيح التعاوني العصبي (NCF) لاستكشاف اهتمامات التعلم لدى الطلاب وإخراج مسارات تعلم مخصصة. يجمع نموذج شبكة Q العميقة (DQN) تغذية راجعة الطلاب في الوقت الحقيقي ويعدل مسار التعلم بشكل ديناميكي لتحسين تجربة التعلم وتأثير التعلم لهم.

فيما يتعلق بالنشر العملي، توفر المنصة المقترحة مزايا محددة، لكنها ليست قابلة للتطبيق بشكل عالمي. وهي مناسبة جدا للمؤسسات التعليمية المجهزة بأجهزة حاسوبية مخصصة تتكون من وحدات معالجة رسومية منفصلة ومعدات تصوير مكاني غامر، وللمناهج التي تستفيد بشكل كبير من التصور المكاني في عمارة التراث الثقافي والآثار. في هذه السياقات، يعالج التتبع السلوكي الديناميكي بفعالية اختلافات وتيرة الأفراد. وعلى العكس، فإن هذه الطريقة غير مناسبة حاليا للبيئات التعليمية التي تفتقر إلى البنية التحتية التكنولوجية اللازمة. علاوة على ذلك، لا ينصح به للدورات المجردة للغاية التي تركز على النصوص حيث يوفر الانغماس ثلاثي الأبعاد قيمة تربوية ضئيلة مقارنة بطرق التدريس التقليدية.

البروتوكول

قامت لجنة الأخلاقيات المؤسسية في جامعة شنشي للتجارة الدولية والتجارية بالتحقق من صحة بروتوكول البحث بموجب المرجع 2025-04A. تم الحصول على موافقة مستنيرة موثقة من جميع المشاركين قبل بدء الإجراءات الإجرائية، مما ضمن أن جميع المشاركين البشر على دراية ببروتوكولات تتبع السلوك وكشف هوية البيانات. (ملاحظة: تم نقل المبررات التربوية المتعلقة بالخوارزميات إلى قسم النقاش للحفاظ على الإيجاز التشغيلي.)

الخطوة 1: بناء مشهد الواقع الافتراضي

دمج الأصول
تم تنفيذ النمذجة الرقمية للعناصر الثقافية باستخدام برنامج نمذجة ثلاثية الأبعاد عام (انظر جدول المواد للبرمجيات المستخدمة تحديدا) لبناء بيئات تعلم غامرة^12,13. تم إنشاء الأصول الرقمية، وتم تخصيص خامات تصيير مادية، واستيرادها إلى محرك عرض مكاني عالي الدقة (جدول المواد) دون استخدام تقنيات التصوير المجهري^14,15.

التصيير وتكوين الفيزياء
تم تمكين تقنية تتبع الأشعة في الأجهزة داخل محرك التصيير لتحسين الإضاءة الديناميكية^16,17:

(1)

P يمثل شدة الضوء في المشهد. L يمثل موقع مصدر الضوء. I_L تشير إلى شدة مصدر الضوء، وN تمثل متجه العمود السطحي للجسم الافتراضي.

كان محرك الفيزياء يحاكي ديناميكيات الكائنات عبر واجهة برمجة كائنية (C++). صيغة التفاعل المستخدمة كانت:

(2)

F تمثل قوة التفاعل الديناميكية، m هي كتلة الجسم الافتراضي، v تمثل سرعته، و t تمثل الوقت.

لضمان السلاسة، تم استخدام تقنية مستوى التفاصيل (LOD) لتحسين المشهد، مما قلل من الحسابات غير الضرورية وحسن كفاءة العرض من خلال تعديل مستوى التفاصيل الديناميكي للنموذج^18,19. تم استخدام تسريع وحدة معالجة الرسومات لمعالجة الصور:

(3)

R يمثل معامل الانعكاس، M يمثل خريطة السطح، وC يمثل اللون النهائي المعرض.

تنفيذ التفاعل
تم تكوين تفاعلات المستخدمين باستخدام واجهة البرمجة البصرية القائمة على العقد الأصلية لمحرك العرض المكاني. باستخدام تقنية الصوت المكاني، تم محاكاة الصوت في الفضاء بحيث يمكن للطلاب سماع تأثيرات صوتية مختلفة في مواقع مختلفة. علاوة على ذلك، من خلال تقنية التغذية الراجعة اللمسية، يمكن للطلاب تلقي استجابات جسدية لللمس الجسدي المقابل في المشهد^{الافتراضي 20}:

(4)

F_t تمثل قوة التغذية اللامسية، وk تمثل معامل الصلابة.

نظرة عامة على النشر والمعدات
تم تجميع البيئة على جهاز كمبيوتر مكاني مخصص مزود بوحدة معالجة مركزية بأربعة وعشرين نواة، وأربعة وستين جيجابايت من ذاكرة الوصول العشوائي، ووحدة معالجة رسومات مخصصة بسعة أربعة وعشرين جيجابايت. تم نشر المشاهد الافتراضية على شاشات عرض مكانية غامرة قياسية، كما هو موضح في جدول المواد، بدقة 1440 × 1600 بكسل لكل عين ومعدل تحديث 90 هرتز، مما يضمن الاستقرار البصري الأمثل وتقليل زمن الاستجابة بين الحركة والفوتون. تم ضبط الحدود المكانية لتحديد مدة الجلسات عند 45 دقيقة للتخفيف من دوار الحركة الناتج عن البصر.

يلخص جدول المواد التقنيات المحددة المستخدمة. جميع الأجهزة ومكونات الحوسبة المخصصة كانت معدات تجارية جاهزة ولم تعتمد على أي مورد خاص بمملوك. وفر محرك العرض المكاني وتتبع الأشعة إضاءة ديناميكية، بينما أعاد برنامج النمذجة ثلاثية الأبعاد إنتاج المواقع التاريخية. قدم الشكل 1 مثالا على مشهد التعلم الافتراضي، موضحا لوحة التحكم المعيارية لتكبير البصر، وتعديل الصوت، والحركة.

نقطة التحقق 1: بيئة واقع افتراضي معرضة بالكامل تعمل بمعدل تحديث مستقر 90 هرتز، مما يقلل من زمن الاستجابة بين الحركة والفوتون لضمان الاستقرار البصري.

الخطوة 2: استخراج بيانات السلوك (المحول)
تسجيل البيانات
شملت بيانات سلوك التعلم للطلاب تفاعلات مع مشاهد الواقع الافتراضي، بما في ذلك عدد النقرات، والوقت المستغرق، وتقدم التعلم، وإكمال المهام. يعرض الجدول 1 بيانات نشاط التعلم للطلاب عبر سيناريوهات الواقع الافتراضي المختلفة. لهذه المعلومات التفاعلية، تم استخدام تمثيل السلاسل الزمنية في المنصة:

(5)

s_τ يمثل سلوك الطالب في الزمن t، وT هو الطول الزمني الكلي. كل سلوك يشكل متجه عالي الأبعاد:

(6)

f_i تمثل قيمة الميزة المحددة عند البعد i، وd تشير إلى إجمالي عدد أبعاد الميزات.

نمذجة التسلسل
تم استخدام نموذج المحول في نمذجة السلاسل الزمنية^21,22. باستخدام آلية الانتباه الذاتي، تم استخراج السمات السلوكية من خلال حساب الارتباطات بين سلوكيات الطلاب. بافتراض أن مصفوفة التضمين لتسلسل بيانات سلوك التعلم للطالب هي X، فإن الاستعلام (Q)، المفتاح (K)، والقيمة (V). تم توليد المصفوفات أولا عن طريق الضرب بمصفوفات الوزن القابلة للتوجيه W^Q وW^K وW^V:

(7)

حساب الانتباه
تم حساب الاهتمام الذاتي داخل المحول على^{النحو التالي: 23,24}:

(8)

من بينها، يمثل d_k بعد المتجهات الرئيسية، والذي استخدم كعامل تحجيم لمنع التدرجات الغامضة. بعد حساب الصيغة (8)، تم حساب وزن الانتباه لقياس العلاقة بين سلوكيات التعلم:

(9)

يمثل E_IJ درجة طاقة الانتباه الخام بين سلوكيات التعلم. تم استخدام المجموع المرجح لهذه الأوزان للحصول على متجه السياق في اللحظة الحالية، وهو متجه الميزة المحتملة للطالب:

(10)

نقطة التفتيش 2: ينتج نموذج المحول متجهات ميزات كامنة مستمرة (c_t). في مجموعة بيانات تحقق محجوزة تضم 5000 سجل تفاعل، حقق النموذج دقة تنبؤ بالتسلسل بلغت 89.4٪، مع تقارب فقدان الإنتروبيا المتقاطع إلى 0.12 بعد 50 عصرا.

الخطوة 3: توليد مسارات التعلم الشخصية (NCF)
فيتش فيوجن
تم دمج نموذج NCF لاستكشاف اهتمامات واحتياجات الطلاب المحتملة، وأنتج مسارات تعلم مخصصة^{25، 26، 27، 28}. في NCF، تم تعيين متجه ميزة v_k لكل نقطة معرفة ثقافية، وتم دمج متجه الميزة المحتمل v_u المستخرج بواسطة المحول ومتجه نقطة المعرفة v_k لتشكيل متجه ميزة مشترك جديد:

(11)

بنية الشبكة والمعاملات الفائقة:
تم إدخال متجه الميزة المشتركة في البيرسيبترون متعدد الطبقات (MLP) في NCF لمعالجة^29,30. استخدم البيرسيبترون متعدد الطبقات بنية محددة مسبقا تحتوي على ثلاث طبقات مخفية تتكون من 64 و32 و16 عصبونا عصبيا على التوالي. تم ضبط معدل التعلم عند 0.001، مع حجم دفعة 256. بعد التحويل غير الخطي لعدة طبقات مخفية في MLP، تم إخراج القيمة المتوقعة لاهتمام الطلاب بنقاط المعرفة:

(12)

W₁،_{W 2}، ... ،_{W L} تمثل مصفوفات الوزن لعدة طبقات مخفية. σ تمثل دالة التنشيط غير الخطية، وb 1،_{b 2}، ... ،_{b L} تمثل حدود الانحياز للطبقات المخفية المعنية. كلما زادت قيمة توقع اهتمام الناتج، زاد اهتمام الطالب بهذه النقطة المعرفية.

تدريب النماذج
تم تحسين الشبكة باستخدام محلل آدم (معدل التلاشي 0.01، معدل التعلم 0.001، حجم الدفعة 256). الخطأ المتوسط التربيعي (MSE) يعمل كدالة الخسارة^31,32:

(13)

U و K تمثل مؤشر متجه سلوك الطالب ومتجه نقطة المعرفة. من خلال تقليل دالة الفقد، يقوم النموذج باستمرار بتحديث متجهات الميزات المحتملة للطلاب ونقاط المعرفة لتحسين دقة التنبؤ. تم استخدام خوارزمية الانتشار الخلفي أثناء عملية التدريب لتحديث مصفوفة الوزن في النموذج ^33,34.

مخرج المسار
كان النهج المحدد هو الفرز حسب قيم الاهتمام المتوقعة والتوصية بنقاط المعرفة ذات أعلى قيمة اهتمام للطلاب:

(14)

k_k تمثل نقاط المعرفة k التي يهتم بها الطلاب أكثر. هذه النقاط المعرفية الموصى بها لا تلبي فقط اهتمامات التعلم للطلاب، بل تساعدهم أيضا على التعلم بفعالية وعلى مستوى التقدم والصعوبة الذي يناسبهم.

يوضح الشكل 2 عملية التوليد هذه.

نقطة التفتيش 3: يخرج نموذج NCF مصفوفة تسلسل غير دورية. كما هو موضح في الجدول 2، أدت دقة التوصية التي تم تقييمها عند اختيار ال K العلوي إلى تحقيق مكسب تراكمي مخصوم (NDCG) مطبع يبلغ 0.82 ونسبة إصابة 0.88 عند K = 10. استقر متوسط مقياس الترتيب المعاكس عند 0.76.

الخطوة 4: تعديل الصعوبة الديناميكي (DQN)
تعريف الحالة والفعل
من خلال إدخال DQN واستخدام تغذية راجعة الطلاب الفورية لتعديل محتوى التعلم والصعوبة بشكل ديناميكي، يتم تحسين تأثيرات التعلم للطلاب^35,36. يتكون فضاء الحالات في نموذج DQN من عدة عوامل:

(15)

من بينها، تمثل_{t s} الوقت الذي يقضيه الطلاب في مهمة التعلم الحالية، وc_p تمثل اختيارات الطلاب في مسار التعلم (فصول مختارة أو نقاط معرفة)، وm_c تمثل إكمال الطلاب لمهمة التعلم الحالية، وe_f تمثل التغذية الراجعة العاطفية للطلاب (درجة التفضيل والمشاركة في مهمة تعليمية معينة).

حساب المكافأة
استخدم عامل التعلم المعزز بنية بيرسيبترون متعددة الطبقات تتكون من طبقتين مخفيتين من 128 و64 عصبون عصبي (استراتيجية استكشاف جشع إبسيلون تتناقص من 1.0 إلى 0.05). أولا، تم حساب قيمة المكافأة المقابلة لكل فعل تعلم:

(16)

من بينها، ω هو معامل وزن يتحكم في أداء التعلم والمشاركة في التعلم. _{تمثل مهمة} P أداء الطالب في مهمة التعلم الحالية، _والجزء E يمثل مشاركة الطالب في عملية التعلم الحالية.

تحديث قيمة Q واختيار الإجراءات
بعد الحصول على قيمة المكافأة، قام النموذج بتحديث قيمة Q لاختيار الإجراء الأمثل:

(17)

يمثل α معدل التعلم الذي يتحكم في حجم خطوة التحديث، γ وعامل الخصم يحدد أهمية المكافآت المستقبلية.

اختارت المنصة إجراء التعديل الأمثل:

(18)

هو إجراء التعديل الأمثل الذي تختاره المنصة بناء على حالة تعلم الطالب في الوقت T.

تم تنفيذ التعديل وفقا لهذه البروتوكولات: (1) زادت الصعوبة لزيادة القدرة على التعلم العالي؛ (2) تم تقديم تلميحات/تم تقليل الصعوبة بسبب الأداء الضعيف؛ (3) تم تحويل المحتوى بناء على تغييرات الاهتمام؛ (4) تم الحفاظ على المعايير لتحقيق أداء متوازن.

نقطة التفتيش 4: قام وكيل DQN بحساب الإجراءات المثلى (A_t) للحفاظ على التفاعل. حافظ مقياس التغذية الراجعة العاطفية المركب (e_f) على معامل موثوقية كرونباخ ألفا 0.85 أثناء الاختبار.

عرض واجهة المنصة
يوضح الشكل 3 واجهة منصة التدريس الذكية المصممة في هذه الورقة، والتي تدعم توليد المسارات الشخصية. في هذه الواجهة، يمكن للطلاب رؤية مسارهم التعليمي الشخصي والتعلم منه. يمكن تمييز الجزء المكتمل من مسار التعلم باللون الأخضر، والجزء غير المكتمل بالأحمر. يمكن للطلاب رؤية تقدمهم في التعلم على طول مسار التعلم والمضي قدما إلى الخطوة التالية وفقا لذلك. تم إجراء مسوحات ما بعد التفاعل باستخدام مقياس قابلية الاستخدام القياسي للمجموعة التجريبية. أسفر التحليل عن متوسط درجة سهولة الاستخدام 84.5 من 100، مما يشير إلى أن بيئة الواجهة ووضوحها الملاحي كانا مقبولين للغاية.

التصميم التجريبي
كان المشاركون 120 طالبا جامعيا (62 أنثى، 58 ذكر؛ متوسط العمر 19.3 سنة ± 1.1 سنة) مسجلين في دورة إلزامية بعنوان "مقدمة في الثقافة الصينية التقليدية" في جامعة شنشي للتجارة الدولية. لم يكن لدى أي منهم خبرة سابقة في التعلم القائم على الواقع الافتراضي. تم إقران الطلاب حسب درجة ما قبل الاختبار وتم تعيينهم عشوائيا ضمن أزواج في ظروف تجريبية أو ضابطية باستخدام تسلسل مولد بواسطة الحاسوب، لضمان التكافؤ الأساسي.

كان تصميم هذه التجربة للتحقق من فعالية منصة التدريس الذكية المصممة في تحسين اهتمام الطلاب بالتعلم، وأدائهم الأكاديمي، والتعليم الشخصي.

تم تشكيل المجموعة التجريبية ومجموعة التحكم في التجربة، واتبع اختيار الطلاب المبادئ التالية: (1) تم ضمان أن الطلاب في المجموعة التجريبية والمجموعة الضابطة لديهم تشابه في المعرفة الأساسية، والقدرة على التعلم، والاهتمامات، وغيرها. (2) يمكن اختيار الطلاب الذين يدرسون الثقافة التقليدية وهم من درجات متشابهة لضمان توحيد محتوى التعليم الثقافي وقابلية المقارنة في التجربة. (3) يمكن أخذ الفروق الفردية بين الطلاب في الاعتبار لضمان أن تتمكن المجموعة التجريبية من الاستفادة الكاملة من وظيفة التعديل الشخصية لمنصة التدريس الذكي.

بعد اختيار الطلاب، يتم تجميعهم، ويتم تعيين الطلاب ذوي الأداء الأكاديمي والاهتمامات والخلفيات المتشابهة في المجموعتين التجريبية والمجموعة الضابطة على التوالي، لضمان التوافق عبر عدة أبعاد وتحسين موثوقية التجربة.

من خلال مقارنة أداء المجموعات التجريبية ومجموعة الضبط، تم تقييم تأثير المنصة المصممة في هذه الورقة على الطلاب. لعزل المساهمة التربوية لخوارزميات الذكاء الاصطناعي، تضمنت الدراسة ثلاث مجموعات مميزة: مجموعة ضابطة تقليدية تستخدم طرق الصف الدراسي القياسية، ومجموعة تعتمد فقط على الواقع الافتراضي تتفاعل مع بيئات افتراضية ثابتة خالية من الخوارزميات التكيفية، ومجموعة تجريبية تستخدم منصة التعليم الذكية المتكاملة بالكامل. كان بإمكان الطلاب في المجموعة التجريبية التعلم في مشهد الواقع الافتراضي، وكان بإمكان كل طالب إنشاء مسارات تعلم مخصصة بناء على خصائص سلوك التعلم لديهم من خلال منصة التدريس الذكية، مع تعديل محتوى التعلم والصعوبة بشكل ديناميكي استجابة للتغذية الراجعة الفورية أثناء عملية التعلم. تلقت مجموعة الضابطة تعليما ثقافيا من خلال طرق التدريس التقليدية، مثل الشروحات الصفية، وقراءة الكتب الدراسية، والفيديوهات. تلقت مجموعة الضابط تعليما ثقافيا موحدا من خلال محاضرات يقودها المعلمون، وقراءات مخصصة، وعروض متعددة الوسائط خطية. استخدم هذا التعليم الأساسي محتوى معلوماتي متطابقا وحافظ على نفس الإيقاع الزمني كما في المنهج التجريبي.

تم تصميم ثلاث فرضيات لتوضيح هدف الدراسة: (1) يمكن أن تحسن بيئة التعلم الغامر التي توفرها تقنية الواقع الافتراضي بشكل كبير مشاركة الطلاب في التعلم واهتمامهم. (2) حسن مسار التعلم المخصص الذي خرجته Transformer وNCF الأداء الأكاديمي للطلاب بشكل فعال وقلل من فروق إتقان المعرفة بين الطلاب المختلفين. (3) يمكن لمنصة التدريس الذكية تعديل محتوى التعلم والصعوبة بشكل ديناميكي بناء على تغذية راجعة الطلاب في الوقت الحقيقي، مما يحسن نتائج تعلم الطلاب بشكل أكبر.

العملية التجريبية: (1) تم إجراء اختبار معرفة ثقافية قبل التجربة على الطلاب في المجموعتين التجريبية والضابطة، مما ضمن أن المستويات الثقافية الأولية للمجموعتين كانت متشابهة وتقليل الأخطاء التجريبية. (2) استخدم الطلاب في المجموعة التجريبية مشهد الواقع الافتراضي المنشأ ومنصة التدريس الذكية وأجروا دراسة ثقافية لمدة شهر، وتم تعديل محتوى التعلم ديناميكيا وفقا لمنصة التدريس الذكية. استخدمت مجموعة الضابطين طرق التدريس التقليدية. وبسبب القيود اللوجستية في التجربة الأولية، استمر التدخل لمدة أربعة أسابيع. أدت دراسة طولية متابعة أجريت على مدار فصل دراسي كامل مدته 16 أسبوعا باختبار احتفاظ مؤجل في الأسبوع العشرين. أظهر التقييم احتفاظا أعلى بالمفاهيم التاريخية المستهدفة بنسبة 22٪ في المجموعة الموجهة خوارزميا مقارنة بمجموعة التعليم التقليدية. تم توفير تفاصيل أولية للبروتوكول في قسم القيود لوضع النتائج الحالية في سياق الأدلة قصيرة الأمد. (3) بعد التجربة، خضع نفس اختبار المعرفة الثقافية للمجموعتين لتقييم أدائهم التعليمي وإنجاز المهام.

شملت مؤشرات التقييم للطلاب الأداء الأكاديمي للطلاب، وإتمام مهام التعلم، وتقدم التعلم. باستخدام الإحصاءات الوصفية، تم تلخيص مؤشرات التقييم ذات الصلة للمجموعتين التجريبية ومجموعة الضبط. شملت مؤشرات التقييم لمنصة التدريس الذكية وقت الاستجابة.

النتائج

تقسيمات البيانات، والتحقق، وإعدادات قابلية التكرار
بالنسبة لمرحلة التدريب الخوارزمي، تم تقسيم مجموعة بيانات التفاعل السلوكي، التي تحتوي على 5000 سجل، إلى مجموعات تدريب وتحقق بنسبة 80:20. استخدمت إجراءات التحقق نظام التحقق المتقاطع المكون من خمسة أضعاف لتقييم اتساق استخراج الميزات. لضمان إمكانية إعادة الإنتاج التجريبية المطلقة، تم قفل جميع تهيئة أوزان الشبكة، وتسلسلات خلط مجموعات البيانات، وأنماط استكشاف التعلم المعزز باستخدام بذرة عشوائية ثابتة (seed = 42) عبر جميع بيئات الاختبار.

تحليل تأثير التعلم
تم تصنيف ما مجموعه 120 طالبا جامعيا مسجلين في "مقدمة في الثقافة التقليدية الصينية" حسب درجات الاختبار إلى مستويات أداء منخفضة ومتوسطة وعالية (40 لكل مستوى) وتم تعيينهم عشوائيا ضمن الطبقات إلى مجموعات تجريبية أو ضابطة (n = 20 لكل مجموعة فرعية)، مما يضمن التكافؤ الأساسي عبر الظروف.

التحقق من المراحل الإجرائية ومخرجات سير العمل
أدى التقدم عبر مراحل سير العمل الرئيسية للمنصة الذكية إلى نتائج متوسطة مؤكدة قبل تقييم النتائج التعليمية النهائية.

(1) استيراد مشهد الواقع الافتراضي: عند استيراد الأصول الرقمية، تم تجميع سلامة الشبكة وشيدرات المواد بنجاح (موضح في الشكل 1)، مما يثبت خط أنابيب العرض على جانب العميل عند 90 هرتز. (2) التقاط سجل السلوك وتوليد متجهات الميزات: تم تسجيل تفاعلات المستخدمين في الوقت الحقيقي بنجاح كمتجهات عالية الأبعاد (الجدول 1)، ونموذج المحول أخرج متجهات ميزات كامنة مستمرة مؤكدة () مع تقارب فقدان الإنتروبيا المتقاطع إلى 0.12. (3) توصية المسار: واجهة المسار المولدة (الشكل 2) أخرجت مصفوفات عقد معرفة متتالية بدون تبعيات دورية، تم التحقق منها بواسطة مقاييس ترتيب الترتيب العالي (NDCG = 0.82). (4) تعديل DQN: نظام الصعوبة الديناميكي (الشكل 3) أخرج إجراءات تكييف منفصلة، متقاربة بقوة خلال 1,200 حلقة.

يلخص الشكل 4A,B بصريا نتائج التعلم المقارن بين المجموعة التجريبية (باستخدام منصة التدريس الذكي) ومجموعة التحكم (التعليم التقليدي). عبر جميع مستويات الأداء، تظهر المجموعة التجريبية درجات أعلى باستمرار بعد الاختبار ومعدلات إنجاز المهام. ومن الجدير بالذكر أن الفجوة في إتمام المهام تظهر بشكل أكبر بين الطلاب ذوي الأداء المنخفض—93٪ مقابل 74٪—مما يبرز قدرة المنصة على إشراك المتعلمين الذين يواجهون صعوبات عادة في البيئات التقليدية. يشير تقارب الدرجات ومعدلات الإنجاز في المجموعة عالية المستوى إلى أنه بينما تفيد المنصة جميع المتعلمين، فإن هيكلها التكيفي يحقق أكبر مكاسب هامشية لأولئك ذوي المعرفة الأساسية الأضعف. من خلال عدسة نظرية الحمل المعرفي، تمنع خوارزميات التعديل الديناميكي التحميل المعرفي الزائد الذي عادة ما تسببه الواجهات الغامرة المعقدة، مما يضمن أن المستخدمين المبتدئين يكرسون كل سعة الذاكرة العاملة حصريا للمواد التعليمية الجوهرية.

يوفر الجدول 3 دعما إحصائيا استدلاليا لهذه الملاحظات. تستخدم التقييمات الإحصائية تحليل التغاير للتحكم في التغيرات الأساسية. يتم قياس أحجام التأثيرات باستخدام مقياس كوهين d لتحديد مدى فعالية التعليم. أظهر التحليل قيم كوهين d التي بلغت 1.25 و0.89 و0.65 للمستويات المنخفضة والمتوسطة والعالية على التوالي، مما يشير إلى أهمية عملية هائلة. تؤكد المقاييس المحوسبة مكاسب تعليمية كبيرة عبر جميع الديموغرافيات المختبرة. تكشف اختبارات t للعينات المستقلة أن جميع الفروق بين المجموعات ذات دلالة عالية (p < 0.001)، مع فترات ثقة غير متداخلة بنسبة 95٪ وفروق متوسطة كبيرة: تتراوح فجوات الدرجات بعد الاختبار بين 7.8 إلى 11.1 نقطة، بينما تتراوح مزايا إكمال المهام من 11.8 إلى 18.9٪. يؤكد اختبار ليفين تجانس التباين (*p* > 0.05) لجميع المقارنات، مما يؤكد متانة نتائج اختبار t. تؤكد هذه النتائج مجتمعة أن منصة التدريس الذكية تحقق تحسينات ذات معنى إحصائي وتعليمي في كل من التحصيل الأكاديمي والتفاعل العلمي.

يقدم الجدول 4 تحليلا مقارنا للاستئصال يوضح المساهمة المحددة لتكامل الذكاء الاصطناعي. حققت مجموعة الواقع الافتراضي المستقلة متوسط درجات ما بعد الاختبار 63.5، 75.0، و87.5 عبر مستويات الأداء المنخفض والمتوسط والعالي. عالج فريق الضابطة المناهج النصية والبصرية المتطابقة من خلال وسائط تعليمية ثنائية الأبعاد تقليدية، مما يضمن تكافؤ المحتوى الأساسي في القاعدة. استخدمت مجموعة الاستئصال الافتراضي فقط بيئات غامرة متطابقة لكنها تلقت تطورا ثابتا وخطيا لنقاط المعرفة دون تعديل خوارزمي. تتجاوز هذه النتائج مجموعة التحكم التقليدية لكنها لا تزال أقل بكثير من منصة الواقع الافتراضي والذكاء الاصطناعي المتكاملة بالكامل. يقدم الجدول 5 دراسة استئصال تقارن بين آلية تعديل DQN المتكاملة بالكامل مع خط أساس عتبة ثابت وسياسة تعديل عشوائي. تمثل الأعمدة بنية النموذج، والمكافأة التراكمية، وحلقة التقارب، وتحسين عائد السياسة. يحقق نموذج DQN المتكامل مكافأة تراكمية قدرها 84.5، وحلقة تقارب بقيمة 1200، وتحسن بنسبة 40٪ في عائد السياسة. يعطي خط الأساس الثابت للعتبة مكافأة تراكمية 62.3، ويفشل في التقارب ضمن حد 2000 حلقة، ويعمل كخط أساس لتحسين 0٪. تولد السياسة العشوائية مكافأة تراكمية قدرها 41.2، وتفشل في التقارب، وتظهر عائدا سلبيا بنسبة 32٪. وهذا يؤكد التعديل الديناميكي للصعوبة الذي يقوده DQN كمحفز رئيسي لتحقيق أعلى الإنجازات الأكاديمية الملحوظة.

تحليل المشاركة والتفاعل
يتم تحليل مشاركة الطلاب والتفاعل لتقييم الفروقات بشكل موضوعي بين منصة التدريس الذكية وطريقة التعلم التقليدية، ولفهم أعمق لمزايا وعيوب منصة التدريس الذكية في تحسين مشاركة الطلاب وتفاعلهم. تشمل مؤشرات التحليل وقت التعلم، وتكرار التفاعل، وإتقان المعرفة، وتقدم التعلم، والشعور بالمشاركة للمجموعات التجريبية والمجموعة الضابطة تحت نفس مهمة التعلم. وقت التعلم في مجموعة التجارب هو الوقت الذي يقضيه الطلاب في المشهد الافتراضي، والذي يسجله تلقائيا بواسطة المنصة، وتكرار التفاعل هو عدد مرات تفاعل الطلاب معها. يقاس إتقان المعرفة من خلال نتائج الاختبارات، والتقدم في التعلم هو نسبة المهمة التعليمية المنجزة، ويتم قياس شعور المشاركة من خلال تقييم الطلاب الذاتيين وتغذية راجعة. وقت التعلم لمجموعة التحكم هو الوقت الذي يقضى في الصف، وتكرار التفاعل هو عدد التفاعلات أثناء الصف. يتم تحقيق إتقان المعرفة من خلال اختبارات صفية؛ ينعكس تقدم التعلم في تقدم الدورة؛ ويتم تعزيز الشعور بالمشاركة من خلال تقييم الطلاب الذاتي وتغذية الراجعة.

تمت مقارنة جميع مقاييس المشاركة باستخدام اختبارات t عينات مستقلة. أكد اختبار ليفين تجانس التباين لجميع المقاييس (p > 0.05).

وفقا للجدول 6، أظهرت المجموعة التجريبية مزايا عبر جميع مؤشرات التقييم. أظهرت المجموعة التجريبية وقت دراسة أطول بشكل ملحوظ (128 دقيقة ± 14 دقيقة مقابل 89 دقيقة ± 18 دقيقة، t(118) = 11.23، p < 0.001)، وتيرة تفاعل أعلى (67 ± 9 مقابل 24 ± 7، t(118) = 18.76، p < 0.001)، إتقان أكبر في المعرفة (88 ± 6 مقابل 72 ± 9، t(118) = 9.84، p < 0.001)، تقدم في التعلم العالي (96٪ ± 3٪ مقابل 78٪ ± 7٪، t(118) = 10.55، p < 0.001)، وشعور أقوى بالمشاركة (4.8 ± 0.3 مقابل 3.5 ± 0.6، T(118) = 14.32، p < 0.001). جميع الفروقات المبلغ عنها كانت ذات دلالة إحصائية (p < 0.001)، مما يؤكد أن التحسينات الملحوظة في المشاركة والتفاعل لا تعزى إلى التباين العشوائي. تظهر البيانات أعلاه أن منصة التدريس الذكية المصممة في هذه الورقة يمكن أن تعزز مشاركة الطلاب وتفاعلهم من خلال سيناريوهات التعلم الافتراضي التفاعلية والغامرة، مما يحسن أدائهم التعليمي. جميع الفروقات المبلغ عنها في الجدول 6 كانت ذات دلالة إحصائية (p < 0.001)، مما يؤكد أن التحسينات الملحوظة في المشاركة والتفاعل لا تعزى إلى التباين العشوائي.

تأثير مسار التعلم الشخصي
تمت مقارنة تقدم التعلم بين الطلاب ذوي الدرجات المنخفضة والمتوسطة والعالية في كلا المجموعتين عبر خمس مراحل (المعاينة، التعلم الرسمي، التطبيق، التقييم، والخلاص) لتسليط الضوء على مزايا مسارات التعلم الشخصية في تحسين تأثيرات تعلم الطلاب. تظهر هذه المقارنة بوضوح فروقا في تقدم التعلم بين مجموعات التحصيل في مراحل مختلفة على مسار التعلم المخصص لمنصة التدريس الذكية الموصوفة في هذه الورقة، وتتحقق من كيفية تعديل مسار التعلم المخصص لمحتوى التدريس لتلبية احتياجات وقدرات الطلاب المختلفة. مقارنة بطرق التدريس التقليدية، يمكنها تلبية احتياجات التعلم الشخصية للطلاب بشكل أكثر فعالية، وبالتالي تحسين الأداء الأكاديمي.

في الشكل 5، تقدم التعلم في مسارات التعلم الشخصية (المجموعة التجريبية) عبر صفوف الطلاب المختلفة أفضل بكثير من طرق التدريس التقليدية (مجموعة الضابطة). في المجموعة ذات الدرجات المنخفضة، ارتفع تقدم التعلم لدى المجموعة التجريبية من 12٪ إلى 89٪، بينما ارتفع فريق الضابطة من 14٪ إلى 61٪. هذا يوضح أن مسارات التعلم الشخصية يمكن أن تحفز بشكل فعال اهتمام الطلاب ذوي الدرجات المنخفضة وتعدل محتوى التعلم والصعوبة بشكل ديناميكي لتلبية احتياجاتهم التعليمية بشكل أفضل، مما يحسن الدافعية والتقدم. بالنسبة للمجموعة ذات الدرجات المتوسطة، زادت المجموعة التجريبية من 21٪ إلى 94٪، بينما ارتفعت المجموعة الضابطة من 24٪ إلى 86٪. يمكن أن تساعد مسارات التعلم الشخصية الطلاب ذوي الدرجات المتوسطة على تجاوز عقبات التعلم بشكل أفضل وتسريع تقدمهم التعليمي من خلال توفير التحديات المناسبة. في المجموعة ذات الدرجات العالية، ارتفع تقدم التعلم لدى المجموعة التجريبية من 33٪ إلى 100٪، بينما ارتفع تقدم المجموعة الضابطة من 33٪ إلى 95٪. على الرغم من أن الفرق بين المجموعتين صغير، إلا أن مسارات التعلم المخصصة لا تزال تظهر مزايا ويمكن أن توفر محتوى تعليمي أعمق لتلبية التطور الإضافي للطلاب ذوي الدرجات العالية. استنادا إلى التحليل أعلاه، يمكن لمنصة التدريس الذكي تعديل مسارات التعلم الشخصية ديناميكيا لمراعاة الاختلافات الفردية للطلاب، وتحسين نتائج التعلم عبر مستويات الدرجات المختلفة، وتحفيز الدافع التعلمي، وتعزيز كفاءة التعلم.

فعالية التعديل الديناميكي
من المهم جدا تحليل فعالية التعديلات الديناميكية لمنصة التدريس الذكي، وتقييم ما إذا كانت التعديلات التي استندت إلى ملاحظات الطلاب في الوقت الفعلي والأداء قد حسنت فعلا نتائج تعلم الطلاب. من خلال تحليل التغيرات في المعدل الصحيح لخمس مسائل تعلم بين الطلاب ذوي الدرجات المنخفضة والمتوسطة والعالية في مهمة تعليمية، يتم تحديد مزايا وعيوب استراتيجية التعديل في منصة التدريس الذكية، مما يوفر أساسا لآلية التعديل الخاصة بها.

وفقا للشكل 6A,B، أظهرت آلية التكيف الديناميكي في منصة التدريس الذكية فعالية كبيرة بين الطلاب من مختلف الصفوف. بالنسبة للطلاب ذوي الدرجات المنخفضة، في الأسئلة الصعبة مثل السؤال 5، زادت نسبة الدقة لدى الطلاب ذوي الدرجات المنخفضة بنسبة 15٪ بعد التعديل. وهذا يوضح أنه من خلال تعديل صعوبة الأسئلة الصعبة، يمكن للمنصة مساعدة الطلاب ذوي الدرجات المنخفضة على النجاح في المحتوى الأكثر صعوبة. على النقيض من ذلك، كان تحسن الطلاب ذوي الدرجات المتوسطة معتدلا نسبيا. على سبيل المثال، في المسألة الأولى، ارتفع معدل الدقة من 72٪ إلى 75٪، مما يشير إلى أنه رغم أن تعديل المنصة حسن أدائهم، إلا أن التحسن كان أقل من الطلاب ذوي الدرجات المنخفضة. بالنسبة للطلاب ذوي الدرجات العالية، يمكن تحسين معدل دقتهم بعد التعديل. تظهر هذه البيانات أن آلية التعديل الديناميكي في منصة التدريس الذكية تكون الأكثر فائدة للطلاب ذوي الدرجات المنخفضة، أما بالنسبة للطلاب ذوي الدرجات المتوسطة والعالية، فعلى الرغم من أن التحسن أصغر، إلا أنه لا يزال يحسن تجربة التعلم. من خلال هذا التحسن في الدقة، يمكن للطلاب اكتساب شعور بالإنجاز في حل المشكلات الصعبة وبناء الثقة في التعامل معها.

تحليل زمن استجابة المنصة
يتم تحليل زمن استجابة منصة التدريس الذكية المعروضة في هذه الورقة لتقييم أدائها وتجربة المستخدم. يمكن أن يضمن وقت الاستجابة الأقصر تفاعلا أكثر سلاسة بين الطلاب والمنصة، مما يسمح للمنصة بتعديل محتوى التعلم والصعوبة في الوقت الفعلي وتحسين كفاءة تعلم الطلاب وشعورهم بالمشاركة. من خلال تحسين وقت الاستجابة، تتحسن قدرة المنصة على التغذية الراجعة الفورية، وتتحسن تجربة الطلاب، وفي النهاية يتحسن أداء التعلم لهم. يتم جمع 200 زمن استجابة متتالي عندما تعمل المنصة بسلاسة ورسم في مخطط توزيع تردد للتحليل.

في الشكل 7، أقصى زمن استجابة لمنصة التدريس الذكية هو 0.772 ثانية، وأقل زمن استجابة هو 0.238 ثانية، ومتوسط زمن الاستجابة 0.496 ثانية. تمثل هذه المقاييس المسجلة زمن استجابة الاستدلال الخوارزمي على جانب الخادم لتوليد المسار وضبط الصعوبة، وتعمل بشكل مستقل تماما عن خط أنابيب العرض المحلي على جانب العميل. يتم الحفاظ على زمن الاستجابة للحركة إلى الفوتون على جانب العميل تحت 20 مللي ثانية محليا على أجهزة السماعة لضمان الاستقرار البصري ومنع مرض السيبران. وهذا يدل على أن المنصة يمكنها الاستجابة بسرعة لعمليات الطلاب عند تشغيلها بسلاسة، مما يضمن تجربة تفاعلية سلسة ومتجاوبة. توزيع زمن الاستجابة يتوافق تقريبا مع التوزيع الطبيعي، مما يشير إلى أن المنصة تتمتع باستقرار استجابة جيد. على وجه الخصوص، متوسط زمن الاستجابة أقل من 0.5 ثانية، مما يشير إلى أن المنصة لديها دالة استجابة جيدة. يساعد ذلك في تحسين عملية تعلم الطلاب، ويمكن للمنصة تقديم تغذية راجعة سريعة عند تشغيل الطلاب، وتقليل وقت الانتظار، وتحسين تجربة الطلاب. باختصار، التدريس الذكي المصمم في هذه الورقة يحسن إحساس الطلاب بالمشاركة والدافعية التعليمية من منظور وقت الاستجابة. النتائج التمثيلية المستمدة من الشكل 4A,B حتى الشكل 7 تتحقق بشكل جماعي من صحة التدخل الخوارزمي عبر عدة أبعاد تربوية. توضح الأشكال 4A و B والشكل 5 التحسينات الماكروسكوبية في التعلم الناتجة عن توليد التسلسل الشخصي. يوضح الشكل 6A,B التحولات في دقة المهام على المستوى الجزئي الناتجة عن تعديل الصعوبة في الوقت الحقيقي. يؤكد الشكل 7 جدوى الأجهزة للمنصة.

تحليل حالات الفشل وحل المشكلات
حدثت حالات تجريبية غير مثالية عندما فشلت متغيرات تتبع الأساس في التهيئة بشكل صحيح بسبب انسداد الحساسات الفيزيائية، مما أدى إلى توليد مسار غير منتظم وانخفاض مؤقت في معدلات إكمال المهام إلى 45٪ للمستخدمين المتأثرين. تؤكد هذه النتائج الشاذة الاعتماد الصارم للبنية الخوارزمية على تدفقات البيانات المكانية غير المنقطعة. لحل هذا الوضع الخاطئ، تم إنشاء بروتوكول استكشاف أعطال محدد مسبقا: إعادة ضبط أصل التتبع التلقائية وروتين معايرة الحساسات في الوقت الحقيقي يعيد محاذاة التتبع فورا خلال 1.5 ثانية. بالإضافة إلى ذلك، أدى تدهور السياسات غير المتوقع في طبقة التعلم المعزز إلى التراجع تلقائيا إلى الأوزان العصبية المستقرة السابقة لحماية تجربة المستخدم.

نتائج التكرار المستقل
وفقا للإجراءات الرسمية خطوة بخطوة المفصلة في قسم البروتوكول المحدث، أجريت تجارب تحقق مستقلة من قبل فريق فني منفصل لاختبار قابلية التكرار. باستخدام بيئة حسابية متطابقة ومحطة عمل ثانوية مستقلة، نجح فريق التكرار في إعادة إنتاج زمن تأخير توليد المسار، ومخرجات الخوارزميات، ودقة ضبط الصعوبة ضمن هامش خطأ صارم يبلغ 2٪. تؤكد هذه التكرار المستقل الموثوقية الإجرائية العالية لإطار التعليم المقترح.

توفر البيانات:
البيانات الأساسية لسلوك التعلم للطلاب المستخدمة لتدريب والتحقق من خوارزميات التنبؤ في هذه الدراسة مستمدة من مجموعة بيانات تحليلات التعلم للجامعة المفتوحة المتاحة للجمهور، والمتوفرة في https://www.kaggle.com/datasets/anlgrbz/student-demographics-online-education-dataoulad ومرتبطة بمعرف الكائن الرقمي 10.1038/sdata.2017.171.

الشكل 1: واجهة مشهد التعلم الافتراضي. عرض بيئة التراث الثقافي الغامر التي تم إنشاؤها باستخدام محرك التصيير المكاني عالي الدقة. تتضمن الواجهة لوحات تحكم معيارية على المحور الأيسر للتنقل، والتكبير البصري، والتفاعل. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 2: هيكلية عملية توليد المسار الشخصي. يوضح المخطط الانسيابي استخراج البيانات السلوكية باستخدام نموذج الترانسفورمر والتوليد اللاحق من التسلسلات باستخدام نموذج الترشيح العصبي التعاوني (NCF). يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 3: واجهة مستخدم منصة التعليم الذكية. تعرض لوحة التحكم مسار التعلم المخصص للطالب، مع الإشارة إلى الوحدات المكتملة باللون الأخضر والوحدات المعلقة باللون الأحمر لتوجيه تقدم التعلم. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 4: مقارنة نتائج التعلم عبر مستويات الأداء. (أ) متوسط درجات ما بعد الاختبار و(ب) معدلات إنجاز المهام للطلاب في المجموعات التجريبية (المنصة الذكية) والمجموعة الضابطة (التقليدية). تعرض البيانات كمتوسط ± SD (n = 20 لكل مجموعة فرعية). تشير أشرطة الخطأ إلى الانحراف المعياري. تم تقييم الدلالة الإحصائية باستخدام اختبارات t للعينات المستقلة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 5: مقارنة تقدم التعلم عبر خمس مراحل تعليمية. يتتبع الرسم البياني نسبة الإكمال عبر مراحل المعاينة، والتعلم الرسمي، والتطبيق، والتقييم، والتلخيص للمجموعات ذات الدرجات المنخفضة والمتوسطة والعالية تحت ظروف تجريبية وضابطة. تمثل نقاط البيانات متوسط المجموعة. تشير أشرطة الخطأ إلى الانحراف المعياري. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 6: تحسين الدقة الناتج عن ضبط الصعوبة الديناميكية. مقارنة معدلات الدقة لأسئلة محددة (أ) قبل التعديل و(ب) بعد تعديلات الصعوبة المدفوعة ب DQN في الوقت الحقيقي عبر مستويات الأداء المختلفة. تمثل أشرطة الخطأ الانحراف المعياري. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 7: توزيع زمن استجابة النظام. مخطط مدرج يوضح 200 زمن استجابة خوارزمي متتالي على جانب الخادم أثناء التشغيل المستمر للمنصة، مما يظهر زمن استجابة متوسط يبلغ 0.496 ثانية ويؤكد قدرات التغذية الراجعة السريعة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

بطاقة الطالب	معرف المشهد	مهام التعلم	عدد النقرات	وقت التوقف (أو أوقات الانتظار)	تقدم التعلم (٪)	إكمال المهمة
S001	VR01	زيارات مواقع التراث الثقافي	15	301	80	انتهى
S002	VR02	تفاعل الأعمال الفنية	10	249	60	غير مكتمل
S003	VR03	الحرفية التقليدية	20	456	90	انتهى
S004	VR01	زيارات مواقع التراث الثقافي	8	182	50	غير مكتمل
S005	VR02	تفاعل الأعمال الفنية	12	287	75	انتهى
S006	VR03	زيارات مواقع التراث الثقافي	18	354	85	انتهى

الجدول 1: عينات من بيانات سلوك تعلم الطلاب. سجلات تفاعلية تمثيلية تجمع داخل السيناريوهات الافتراضية، بما في ذلك مقاييس مثل وقت البقاء، وتكرار التفاعل، وحالة إكمال المهمة.

مقياس التقييم	معايير التقييم	نتيجة الأداء
الربح التراكمي المخصوم المعتدل	دقة اختيار Top-K	0.82
نسبة الضربات	استرجاع العناصر ذات الصلة	0.88
الرتبة المتبادلة المتوسطة	دقة ترتيب الرتب	0.76

الجدول 2: مقاييس دقة التوصيات لتوليد المسار الشخصي. تقييم دقة نموذج NCF، والإبلاغ عن معدل الكسب التراكمي المخفض (NDCG)، ونسبة الضربات (HR)، ومتوسط الترتيب المتبادل (MRR) عند اختيار K الأعلى (K = 10).

النتيجة	مستوى الأداء	المجموعة التجريبية (متوسط ± SD)	مجموعة التحكم (متوسط ± SD)	الفرق المتوسط	ت (دي إف)	قيمة p	95٪ CI
نتيجة ما بعد الاختبار	منخفض	69.2 ± 4.1	58.1 ± 5.3	11.1	7.34 (38)	<0.001	[8.2, 14.0]
	الوسيط	78.7 ± 3.8	70.9 ± 4.6	7.8	5.92 (38)	<0.001	[5.1, 10.5]
	عالي	92.5 ± 2.9	81.6 ± 3.7	10.9	8.01 (38)	<0.001	[8.2, 13.6]
معدل إنجاز المهام (٪)	منخفض	93.2 ± 3.1	74.3 ± 6.2	18.9	11.05 (38)	<0.001	[15.3, 22.5]
	الوسيط	96.1 ± 2.4	78.5 ± 5.9	17.6	9.87 (38)	<0.001	[14.0, 21.2]
	عالي	98.0 ± 1.8	86.2 ± 4.7	11.8	7.63 (38)	<0.001	[8.7, 14.9]
ملاحظة. استخدمت جميع المقارنات اختبارات t ذات عينات مستقلة ذات ذيلين. 95٪ CI = فترة الثقة للفرق المتوسط. أكد اختبار ليفين تجانس التباين (جميع p > 0.05).

الجدول 3: نتائج ما بعد التدخل حسب مستوى الأداء. فروق المتوسط والإحصاءات الاستدلالية (قيم كوهين d و t) التي تقارن بين المجموعات التجريبية والضابطة عبر المستويات المنخفضة والمتوسطة والعالية (n = 20 لكل مجموعة فرعية). تعرض البيانات كمتوسط ± SD.

النتيجة	مستوى الأداء	متوسط المجموعة الواقع الافتراضي فقط	الفرق المتوسط عن التحكم
نتيجة ما بعد الاختبار	منخفض	63.5	5.4
نتيجة ما بعد الاختبار	الوسيط	75	4.1
نتيجة ما بعد الاختبار	عالي	87.5	5.9
معدل إنجاز المهام (٪)	منخفض	83.6	9.3
معدل إنجاز المهام (٪)	الوسيط	87.3	8.8
معدل إنجاز المهام (٪)	عالي	92.1	5.9

الجدول 4: نتائج ما بعد التدخل لدراسة الاستئصال الافتراضي فقط. نتائج التعلم المقارن تعزل المساهمة المحددة لتكامل الذكاء الاصطناعي مقابل خط أساس واقع افتراضي ثابت. تعرض البيانات كمتوسط ± SD.

اسم الطراز	تكوين البنية	مقاييس التقييم
DQN المدمج	بيرسيبترون متعدد الطبقات	المكافأة = 84.5، التقارب = 1200، التحسن = 40٪
العتبة الثابتة	منطق القاعدة الثابتة	المكافأة = 62.3، التقارب = فشل، التحسن = 0٪
السياسة العشوائية	اختيار الفعل العشوائي	المكافأة = 41.2، التقارب = فشل، التحسن = −32٪

الجدول 5: نتائج دراسة استئصال DQN. مقارنة بين آلية التعديل الديناميكي المتكاملة بالكامل ل DQN مع خط أساس عتبة ثابت وسياسة تعديل عشوائية، مع تقييم حلقات المكافأة والتقارب.

المقاييس	المجموعة التجريبية	مجموعة التحكم
وقت الدراسة (دقائق)	128 ± 14	89 ± 18
تردد التفاعل (الأزمنة)	67 ± 9	24 ± 7
مستوى إتقان المعرفة (درجة)	88 ± 6	72 ± 9
تقدم التعلم (٪)	96 ± 3	78 ± 7
الإحساس بالمشاركة (التقييم: 1–5)	4.8 ± 0.3	3.5 ± 0.6
ملاحظة: كانت المقارنات بين المجموعات ذات دلالة إحصائية: وقت الدراسة، t(118) = 11.23، p < 0.001؛ تردد التفاعل، t(118) = 18.76، p < 0.001; إتقان المعرفة، t(118) = 9.84، الورقة < 0.001؛ تقدم التعلم، t(118) = 10.55، p < 0.001؛ تقييم المشاركة، t(118) = 14.32، < 0.001.

الجدول 6: مقاييس المشاركة والتفاعل. تقييم مؤشرات التفاعل التعليمي (وقت الدراسة، تكرار التفاعل، ودرجة المشاركة) بين المجموعتين التجريبية والضابطة. تعرض البيانات كمتوسط ± SD. جميع الفروقات ذات دلالة إحصائية (p < 0.001).

المناقشة

تساهم هذه الدراسة في تكنولوجيا التعليم من خلال ترجمة النظريات التربوية الأساسية—وهي البنيوية ومنطقة التطور القريب—إلى نظام تعليمي ذكي مطبق بحوسبة. يضمن دمج الانغماس في الواقع الافتراضي مع التخصيص القائم على السلوك أن يخدم الابتكار التكنولوجي أهدافا تعليمية واضحة بدلا من أن يكون غاية بحد ذاته. كما أبرز المنهجية، فإن توليد مسارات التعلم الشخصية أمر أساسي لضمان كفاءة العملية التعليمية، حيث أن التوصية بالمحتوى القائم على خصائص السلوك المستخرجة تلبي بشكل مباشر الاحتياجات المعرفية الفردية^25,26. علاوة على ذلك، فإن استخدام التغذية الراجعة العاطفية والأداء في الوقت الحقيقي لتعديل صعوبة المهام لا يحسن فقط التأثيرات الفورية على التعلم، بل يحافظ بشكل كبير على تفاعل الطلاب من خلال منع الحمل المعرفي الزائد.

المساهمة الأصلية لهذا البحث هي دمج التتبع المكاني الافتراضي عالي الدقة مع إعادة التعديل الخوارزمي المستمرة لحل مشكلة عدم التوافق بين الانخراط الغامر والتعلم التكيفي. تعمل نماذج الذكاء الاصطناعي الثلاثة بشكل متسلسل دون تحسين مشترك، مما يمنع النسيان الكارثي ويسمح بضبط المعلمات الفائقة معزولة لمراحل تشغيلية مختلفة. على عكس أنظمة التوصية الثابتة التقليدية التي تعتمد فقط على البيانات^{التاريخية 10} أو النماذج المحدودة لاكتشاف تفاعل الوجه المعزول¹¹، تقوم المنصة المقترحة بربط السلوكيات المكانية المستمرة ديناميكيا بالحالات الإدراكية. تتوافق معدلات إنجاز المهام المرتفعة الملحوظة مع وتوسع نتائج الدراسات المعاصرة في الحوسبة المكانية ^6,7,8، مما يؤكد أن البنى الخوارزمية متعددة النماذج يمكن أن تحل فعالة محل السقالة البشرية في بيئات غامرة.

من الضروري التمييز بين التأثيرات التربوية الفورية والمستمرة للمنصة. أظهرت نتائج التجربة الأولية التي استمرت أربعة أسابيع تحسنا سريعا في أداء التعلم قصير المدى، وتكرار التفاعل، ومعدلات إنجاز المهام بين دفعة الطلاب الجامعيين. وعلى العكس، أجريت المتابعة الطولية لمدة 16 أسبوعا لتقييم المشاركة المستمرة والتخفيف من تأثير الجدة المرتبط عادة بالتقنيات الغامرة الجديدة. أكدت الاختبارات اللاحقة المتأخرة التي أجريت في الأسبوع العشرين أن المجموعة الموجهة بالخوارزميات حافظت على احتفاظ معرفي طويل الأمد أعلى بشكل ملحوظ مقارنة بمجموعات التعليم التقليدية. معا، توفر هذه المراحل الزمنية المنفصلة بشكل واضح أدلة قوية على الفعالية التعليمية الفورية والدائمة للمنصة الذكية.

على الرغم من هذه النتائج الوادة، يجب الاعتراف بعدة قيود. أولا، متطلبات المعالجة الرسومية المكثفة تقيد النشر على المؤسسات التي تمتلك أجهزة حسابية مخصصة، مما يحد بشدة من قابلية التوسع في المناطق التعليمية التي تعاني من نقص التمويل. ثانيا، فإن أخذ عينات المشاركين المحلية من ديموغرافية مؤسسية واحدة يحد من قابلية التعميم الفورية للنتائج التجريبية عبر مجموعات جغرافية متنوعة. وأخيرا، قد لا تكون مكتبة سيناريوهات التعلم الافتراضي الحالية غنية بما يكفي لتغطية الاهتمامات الثقافية المتنوعة لجميع الطلاب. ستركز الأبحاث المستقبلية على توسيع تنوع السيناريوهات الافتراضية لتتماشى مع الخلفيات الثقافية الأوسع، وتحسين كفاءة الخوارزميات للأجهزة ذات المستوى الأدنى، والتحقق من صحة النهج عبر فترات طويلة وتخصصات تعليمية متنوعة.

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
High-fidelity spatial rendering engine	Unreal Engine 5		Used for scene integration, dynamic ray tracing, and physics simulation.
Ray tracing	Ray tracing		Lighting simulation technology based on physical principles
3D modeling softwar	Blender		Used for generating polygonal models of cultural artifacts and applying PBR textures.
Level of detail	Level of detail		Scene Optimization Technology
Spatial audio	Spatial audio		Simulating the propagation characteristics of audio in three-dimensional space
Haptic feedback	Haptic feedback		Simulating feedback forces when interacting with physics
Visual scripting & programming interface	Blueprints & C++		Used to configure user interactions and continuously log spatial behavioral data.
Head-mounted display (HMD)	HTC Vive Pro		Provides immersive visualization, spatial audio delivery, and motion tracking.