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.
يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية
مقالة بحثية
طرق التدريس الذكية التي تدمج الواقع الافتراضي وخوارزميات البيانات الضخمة لتعزيز منصات التعليم الثقافي التقليدية
في هذه المقالة
ملخص
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 تفاعليةوغمرا 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.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
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 غامرة12,13. تم إنشاء الأصول الرقمية، وتم تخصيص خامات تصيير مادية، واستيرادها إلى محرك عرض مكاني عالي الدقة (جدول المواد) دون استخدام تقنيات التصوير المجهري14,15.
التصيير وتكوين الفيزياء
تم تمكين تقنية تتبع الأشعة في الأجهزة داخل محرك التصيير لتحسين الإضاءة الديناميكية16,17:
(1)
P يمثل شدة الضوء في المشهد. L يمثل موقع مصدر الضوء. IL 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 للنموذج18,19. 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 المشهدالافتراضي 20:
(4)
Ft 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)
sτ يمثل سلوك الطالب في الزمن t، وT هو الطول الزمني الكلي. كل سلوك يشكل متجه عالي الأبعاد:
(6)
fi تمثل قيمة الميزة المحددة عند البعد i، وd تشير إلى إجمالي عدد أبعاد الميزات.
نمذجة التسلسل
تم استخدام نموذج المحول في نمذجة السلاسل الزمنية21,22. 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 WQ وWK وWV:
(7)
حساب الانتباه
تم حساب الاهتمام الذاتي داخل المحول علىالنحو التالي: 23,24:
(8)
من بينها، يمثل dk 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 EIJ 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 (ct). 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 مخصصة25، 26، 27، 28. في NCF، تم تعيين متجه ميزة vk لكل نقطة معرفة ثقافية، وتم دمج متجه الميزة المحتمل vu المستخرج بواسطة المحول ومتجه نقطة المعرفة vk لتشكيل متجه ميزة مشترك جديد:
(11)
بنية الشبكة والمعاملات الفائقة:
تم إدخال متجه الميزة المشتركة في البيرسيبترون متعدد الطبقات (MLP) في NCF لمعالجة29,30. 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 الخسارة31,32:
(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)
kk 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 للطلاب35,36. يتكون فضاء الحالات في نموذج DQN من عدة عوامل:
(15)
من بينها، تمثلt s الوقت الذي يقضيه الطلاب في مهمة التعلم الحالية، وcp تمثل اختيارات الطلاب في مسار التعلم (فصول مختارة أو نقاط معرفة)، وmc تمثل إكمال الطلاب لمهمة التعلم الحالية، وef 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 (At) للحفاظ على التفاعل. حافظ مقياس التغذية الراجعة العاطفية المركب (ef) 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.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
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 بي...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
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
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
الإفصاحات
يعلن المؤلفون أنهم لا يواجهون تضارب مالي. إفصاح أدوات الذكاء الاصطناعي: تم استخدام نماذج لغوية كبيرة أثناء إعداد هذه المخطوطة خصيصا لتحسين اللغة، وتوضيح المصطلحات المتخصصة، والمساعدة في استرجاع الأدبيات الأكاديمية. تم تقييم جميع مخرجات الذكاء الاصطناعي بشكل نقدي، وتم مراجعتها يدويا مع المصادر الرئيسية المحكمة المحكمة، وتحريرها بدقة من قبل المؤلفين لضمان دقة علمية صارمة ونزاهة البيانات.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| محرك تقديم مكاني عالي الدقة | محرك غير حقيقي 5 | يُستخدم لدمج المشهد، والتتبع الديناميكي للأشعة، ومحاكاة الفيزياء. | |
| تتبع الأشعة | تتبع الأشعة | تكنولوجيا محاكاة الإضاءة المستندة إلى المبادئ الفيزيائية | |
| برمجيات النمذجة ثلاثية الأبعاد | بلندر | يُستخدم لتوليد النماذج المتعددة الأضلاع للقطع الأثرية الثقافية وتطبيق أنسجة PBR. | |
| مستوى التفاصيل | مستوى التفاصيل | تكنولوجيا تحسين المشهد | |
| الصوت المكاني | الصوت المكاني | محاكاة خصائص انتشار الصوت في الفضاء ثلاثي الأبعاد | |
| الارتجاع اللمسي | الارتجاع اللمسي | محاكاة قوى الارتجاع عند التفاعل مع الفيزياء | |
| البرمجة الرسومية والواجهة | مخططات وC++ | يُستخدم لتكوين تفاعلات المستخدم وتسجيل بيانات السلوك المكاني بشكل مستمر. | |
| عرض مثبت على الرأس (HMD) | HTC Vive Pro | يوفر التصور الغامر، وتسليم الصوت المكاني، وتتبع الحركة. |
المراجع
- Rojas-Sanchez MA, Palos-Sanchez PR, Folgado-Fernandez JA. Systematic literature review and bibliometric analysis on virtual reality and education. Educ Inf Technol (Dordr). 2023;28:155-92.
- Rospigliosi P. Metaverse or simulacra? Roblox, Minecraft, Meta and the turn to virtual reality for education, socialisation and work. Interact Learn Environ. 2022;30:1-3.
- Quadir B, Chen NS, Isaias P. Analyzing the educational goals, problems and techniques used in educational big data research from 2010 to 2018. Interact Learn Environ. 2022;30:1539-55.
- Lutfiani N, Meria L. Utilization of big data in educational technology research. Int Trans Educ Technol. 2022;1:73-83.
- Radianti J, Majchrzak TA, Fromm J, Wohlgenannt I. A systematic review of immersive virtual reality applications for higher education: design elements, lessons learned, and research agenda. Comput Educ. 2020;147:103778.
- Hulusic V, Gusia L, Luci N, Smith M. Tangible user interfaces for enhancing user experience of virtual reality cultural heritage applications for utilization in educational environment. ACM J Comput Cult Herit. 2023;16:1-24.
- Mubarok H, Lin CJ, Hwang GJ. A virtual reality-based collaborative argument mapping approach in the EFL classroom. Interact Learn Environ. 2024;32:4978-96.
- Sun T, et al. Restoring Dunhuang murals: crafting cultural heritage preservation knowledge into immersive virtual reality experience design. Int J Hum Comput Interact. 2024;40:2019-40.
- Ouatik F, et al. Predicting student success using big data and machine learning algorithms. Int J Emerg Technol Learn. 2022;17:236-51.
- Bhaskaran S, Marappan R. Enhanced personalized recommendation system for machine learning public datasets: generalized modeling, simulation, significant results and analysis. Int J Inf Technol. 2023;15:1583-95.
- Gupta S, Kumar P, Tekchandani RK. Facial emotion recognition based real-time learner engagement detection system in online learning context using deep learning models. Multimed Tools Appl. 2023;82:11365-94.
- El-Wajeh YA, Hatton PV, Lee NJ. Unreal Engine 5 and immersive surgical training: translating advances in gaming technology into extended-reality surgical simulation training programmes. Br J Surg. 2022;109:470-1.
- Conde D, et al. LiDAR data processing for digitization of the castro of Santa Trega and integration in Unreal Engine 5. Int J Archit Herit. 2025;19:131-51.
- Rohe DP, Jones EM. Generation of synthetic digital image correlation images using the open-source Blender software. Exp Tech. 2022;46:615-31.
- Pradana MR, Setiawan D, Trinawati L. Efektivitas ilusi 3D animasi Blender pada curved LED billboard (AB Building Jl. Juanda Pekanbaru). JEKIN (Jurnal Teknik Informatika). 2023;3(2):1-10. Available from: https://pdfs.semanticscholar.org/e4fd/a249d78d46e24319e3a8f318e713f76c0cbd.pdf
- Wang Y, Zhao K, Zheng Z. An improved 3D indoor positioning study with ray tracing modeling for 6G systems. Mob Netw Appl. 2023;28:1162-75.
- Liu Y, et al. Intelligent ray-tracing-based simulation and emulation of channels. Chin J Radio Sci. 2024;39:1112-9.
- Weier P, et al. Neural prefiltering for correlation-aware levels of detail. ACM Trans Graph. 2023;42:1-16.
- Mercier C, et al. Moving level-of-detail surfaces. ACM Trans Graph. 2022;41:1-10.
- Zhu M, Sun Z, Lee C. Soft modular glove with multimodal sensing and augmented haptic feedback enabled by materials' multifunctionalities. ACS Nano. 2022;16:14097-110.
- Heng JJ, Teo DB, Tan LF. The impact of Chat Generative Pre-trained Transformer (ChatGPT) on medical education. Postgrad Med J. 2023;99:1125-7.
- Hung YC, et al. Comparison of patient education materials generated by chat generative pre-trained transformer versus experts: an innovative way to increase readability of patient education materials. Ann Plast Surg. 2023;91:409-12.
- Yang H, et al. CovidViT: a novel neural network with self-attention mechanism to detect Covid-19 through X-ray images. Int J Mach Learn Cybern. 2023;14:973-87.
- Kumar S, Solanki A. An abstractive text summarization technique using transformer model with self-attention mechanism. Neural Comput Appl. 2023;35:18603-22.
- Tapalova O, Zhiyenbayeva N. Artificial intelligence in education: AIEd for personalised learning pathways. Electron J e-Learn. 2022;20:639-53.
- Hashim S, et al. Trends on technologies and artificial intelligence in education for personalized learning: systematic literature. J Acad Res Progress Educ Dev. 2022;12:884-903.
- Lin W, et al. A deep neural collaborative filtering based service recommendation method with multi-source data for smart cloud-edge collaboration applications. Tsinghua Sci Technol. 2023;29:897-910.
- Ha J, Park S. NCMD: Node2vec-based neural collaborative filtering for predicting miRNA-disease association. IEEE/ACM Trans Comput Biol Bioinform. 2022;20:1257-68.
- Nuanmeesri S, et al. Improving dropout forecasting during the COVID-19 pandemic through feature selection and multilayer perceptron neural network. Int J Inf Educ Technol. 2022;12:851-7.
- Yilmaz O, Altun AA, Koklu M. Optimizing the learning process of multi-layer perceptrons using a hybrid algorithm based on MVO and SA. Int J Ind Eng Comput. 2022;13:617-40.
- Garcia Garcia C, Salmeron Gomez R, Garcia Perez J. A review of ridge parameter selection: minimization of the mean squared error vs. mitigation of multicollinearity. Commun Stat Simul Comput. 2024;53:3686-98.
- Thongsak N, Lawson N. Bias and mean square error reduction by changing the shape of the distribution of an auxiliary variable: application to air pollution data in Nan, Thailand. Math Popul Stud. 2023;30:180-94.
- Mohammed NA, Al-Bazi A. An adaptive backpropagation algorithm for long-term electricity load forecasting. Neural Comput Appl. 2022;34:477-91.
- Wright LG, et al. Deep physical neural networks trained with backpropagation. Nature. 2022;601:549-55.
- Bhimshetty S, Ikechukwu AV. Energy-efficient deep Q-network: reinforcement learning for efficient routing protocol in wireless internet of things. Indones J Electr Eng Comput Sci. 2024;33:971-80.
- Geng X, Zhang B. Deep Q-network-based intelligent routing protocol for underwater acoustic sensor network. IEEE Sens J. 2023;23:3936-43.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.