融合虚拟现实与大数据算法的智能教学方法以增强传统文化教育平台

摘要

本研究详细介绍了一种可重复的工作流程，用于提取行为特征并在虚拟环境中部署动态调整的教育路径。所述方法使教育工作者能够开发自适应的虚拟现实课程，并实现实时行为追踪。

摘要

当前传统的教学环境互动元素有限，导致学习文化遗产的本科生群体参与度指标较低。为解决这些问题，开发了一种智能教学平台，将高保真空间渲染引擎集成至虚拟现实环境中，并结合多模型算法架构。在该平台中，Transformer 模型与神经协同过滤（Neural Collaborative Filtering, NCF）模型处理行为数据，以生成个性化的学习路径，而深度 Q 网络（Deep Q-Network, DQN）则根据实时反馈动态调整内容难度。此类自适应支架体现了建构主义学习理念，即知识是通过与情境化、响应式环境的互动主动建构而成，而非通过静态讲授被动接受。本研究的创新之处在于将空间渲染引擎与多模型算法架构相结合，建立实时行为适应机制。实验结果表明，使用所提出智能教学平台的实验组在学习成绩（低/中/高分组分别为 69/79/93 分）和学习任务完成率（93%/96%/98%）方面均高于采用传统教学模式的对照组。该智能教学平台的设计具有高度互动性，能够为具有不同个体差异的学生提供个性化学习路径，并在学习过程中实现动态调整。响应时间分析显示平均延迟为 0.496 秒，确保了对交互行为的快速反馈。最终，所提出的平台证明，将沉浸式虚拟现实与行为自适应算法相结合，能有效提升本科生在传统文化教育中的学业成就与任务参与度。

引言

传统文化教育在文化传承与发展过程中发挥着至关重要的作用。然而，当前的传统文化教育模式主要依赖教材、图片和视频等静态形式，缺乏互动性与沉浸感，使学生难以真正理解并体验文化的魅力。此外，传统教学方法通常采用统一的课程设置，未能充分考虑学生的兴趣、认知能力与学习风格，导致学习效率低下，难以激发学生的学习积极性。这一局限性与维果茨基的“最近发展区”（Zone of Proximal Development, ZPD）理论相吻合，该理论强调有效的教学必须根据学习者当前的认知水平进行设计，并依据其个体发展轨迹提供适当的教学支架。现有研究多依赖静态数据输入进行教学建模，而将连续的空间行为追踪与深度强化学习相结合的方法尚未得到探索。本研究提出的机制通过融合多感官交互与算法动态调整，弥合了固定教学路径与动态情境适应之间的差距。所提出的平台通过基于实时行为指标动态调整内容难度与呈现顺序，将教学理论嵌入算法设计之中。该算法自适应机制有效替代了通常由能力更强的同伴所提供的教学支架。任务难度的持续调节符合认知负荷理论（Cognitive Load Theory, CLT），可防止初学者出现认知超载，并在最佳发展区内维持学习者的参与度。

随着虚拟现实（VR）和数据算法的发展，将这些技术应用于传统文化教育，可为学生提供更加沉浸式和互动性的学习体验^1,2,3,4。关于沉浸式虚拟现实在高等教育中应用的综合性系统综述进一步强调了将设计要素与特定教学目标相匹配的重要性⁵。

许多研究尝试将虚拟现实（VR）技术应用于文化教育。Hulusic 等人⁶设计并开发了一所面向学校的虚拟博物馆，包含有形用户界面。通过用户参与式研究发现，该博物馆设计良好、开发完善，具备作为博物馆、学校或独立学习与教育工具的潜力。针对远程学习环境中互动性不足的问题，Mubarok 等人⁷开发了一种基于 VR 的协作式论点映射方法以应对该问题。实验表明，与非基于 VR 的协作式论点映射方法相比，该方法在提升学生英语口语表达能力方面效果更优。Sun 等人⁸提出了一种沉浸式 VR 系统的设计策略，该策略结合多模态交互、游戏化机制和叙事手法，用于展示和开发数字文化遗产。他们开发的沉浸式 VR 系统复原了敦煌壁画，为用户提供了兼具学习性、互动性和娱乐性的体验。然而，这些研究仍面临一些问题，例如 VR 场景中交互性较弱、学习内容更新速度慢、个性化推荐算法适应性差，导致难以精准满足不同学生的学习需求。此外，部分研究未能有效整合深度学习与强化学习，限制了个性化推荐的实时调整能力。

人工智能的最新进展推动了教育技术的发展。研究引入了利用深度学习进行用户行为模式识别的自适应系统。采用认知追踪算法的方法论可描绘知识获取的动态状态。神经网络的结构优化提升了智能学习框架内推荐的精确性。集成复杂环境变量的智能代理增强了自动化教学响应能力。这些方法依赖于孤立的数据流和静态的历史分析。所提出的平台通过融合空间交互数据与持续的算法调整，解决了这一局限性，以确保实时的情境适应。

近期的实证研究表明，深度学习算法在学生表现建模中的预测准确性显著提高。Ouatik 等人⁹开发了一种用于预测学生学业成功与失败的系统。他们利用学生的个人信息、学业评估及其他相关数据，结合人工智能和教育数据挖掘方法，预测学生的学业表现。为解决数据处理问题，采用了大数据（BD）技术进行分布式处理，在不牺牲算法效率的前提下减少了计算时间。Bhaskaran¹⁰提出了一种增强型向量空间推荐器，以解决当前学习推荐系统中存在的问题。该系统可自动追踪学习者的兴趣、需求和知识水平，从服务器中分类并提取学习者的学习风格，然后利用改进的协同过滤算法计算相似性，从而生成更优的推荐列表。Gupta¹¹提出了一种基于深度学习的方法，通过面部表情检测在线学习者的实时参与度，分析学生的面部标签以在整个学习过程中对其情绪进行分类，并根据检测结果调整学生的学习状态。然而，这些方法仍存在一定的局限性。

尽管现有的虚拟现实教育解决方案能够提供沉浸式体验，但缺乏动态调整能力。学生的学习路径通常是固定的，内容和难度无法根据个人学习进度和反馈进行实时优化，导致参与度不足。同时，传统的个性化推荐算法大多依赖历史数据或简单的兴趣标签，未能整合学生的学习行为、认知状态和情感反馈等多维度数据以实现精准分析。由于对学习过程缺乏深入理解，推荐系统难以有效应对个体差异，导致学习体验和学习效果均不理想。

因此，为解决传统文教中沉浸感不足与缺乏个性化的问题，提出一种智能教学平台。该方法可直接应用于需要空间可视化和个性化学习进度评估的本科人文学科课程。利用先进的空间渲染引擎及相关空间计算技术构建虚拟学习场景。虚拟学习环境赋予学习者自主选择特定文化模块的权利。基于神经注意力机制的 Transformer 模型处理带时间戳的交互日志，生成行为模式的紧凑表征。在提取学生学习行为特征的基础上，采用神经协同过滤（Neural Collaborative Filtering, NCF）模型进一步挖掘学生的学习兴趣，并输出个性化学习路径。深度 Q 网络（Deep Q-Network, DQN）模型采集学生的实时反馈，动态调整学习路径，以优化学生的学习体验与学习效果。

在实际应用方面，该平台具有特定优势，但并不具有普遍适用性。它非常适用于配备了专用计算硬件（包括独立图形处理器和沉浸式空间可视化设备）的教育机构，以及在文化遗产建筑与考古学课程中能显著受益于空间可视化的教学场景。在这些情境下，动态行为跟踪能够有效应对个体学习进度的差异。相反，对于缺乏必要技术基础设施的资金不足的教育环境，该方法目前尚不适用。此外，对于高度抽象、以文本为中心的课程，由于三维沉浸式体验相较于传统教学方法在教学效果上并无明显优势，因此不建议采用此方法。

方案

陕西国际商贸学院机构伦理委员会 & 商务部依据编号2025-04A对本研究方案进行了验证。所有参与者在程序开始前均已签署书面知情同意书，确保每位受试者均了解行为追踪及数据匿名化处理的相关流程。（注：关于算法的教学原理说明已移至讨论部分，以保持操作描述的简洁性。）

步骤1：虚拟现实场景构建

资源集成
使用通用的三维建模软件（具体软件见材料表）对文化元素进行数字化建模，以构建沉浸式学习环境^12,13。在此过程中生成了数字资源，分配了基于物理渲染的纹理，并将其导入高保真空间渲染引擎（见材料表），整个过程未使用显微成像技术^14,15。

渲染 & 物理构型
在渲染引擎中启用了硬件光线追踪技术，以优化动态光照^16,17:

    (1)

P 表示场景中的光强。L 表示光源的位置。I_L 表示光源的强度，N 表示虚拟物体的表面法向量。

物理引擎通过面向对象编程接口（C++）模拟物体动力学。所使用的反应公式为：

  (2)

F 表示动态反应力，m 是虚拟物体的质量，v 表示其速度，t 表示时间。

为了确保流畅性，采用细节层次（Level of Detail，LOD）技术对场景进行优化，通过动态调整模型的细节层次，减少不必要的计算量，提高渲染效率^18,19。图像处理采用GPU加速：

   (3)

R  表示反射系数，M 表示表面贴图，而 C 表示最终渲染的颜色。

交互实现
利用空间渲染引擎原生的基于视觉节点的脚本界面配置用户交互。通过空间音频技术，在空间中模拟声音，使学生在不同位置能够听到不同的音效。此外，借助触觉反馈技术，学生可以在虚拟场景中对相应的物理触碰产生真实的物理反馈²⁰：

   (4)

F_t 表示触觉反馈力，k  表示刚度系数。

部署 & 设备概述
该环境在专用的空间计算硬件配置上进行编译，该配置包含一个二十四核中央处理器、六十四吉字节随机存取存储器，以及一个专用的二十四吉字节图形处理器。虚拟场景部署在标准的沉浸式空间可视化显示设备上，具体细节见下文 材料表，分辨率为每眼1440 x 1600像素，刷新率为90 Hz，确保最佳视觉稳定性并最小化运动到光子的延迟。空间边界设置为限制单次会话时长不超过45分钟，以减轻视觉诱发的运动病。

的 材料表 总结了所使用的关键技术。所有指定的硬件和计算组件均为标准的商用现成设备，不依赖于任何单一专有供应商。空间渲染引擎与光线追踪技术可实现动态照明，而三维建模软件则用于复现历史遗址。 图1 提供了虚拟学习场景的示例，详细介绍了用于视觉放大、音频调节和移动的模块化控制面板。

检查点 1：一个以稳定的 90 Hz 刷新率运行的完整渲染 VR 环境，最大限度地减少运动到光子的延迟，以确保视觉稳定性。

步骤 2：行为数据提取（Transformer）
数据记录
学生的学习行为数据包括与虚拟现实（VR）场景的交互，如点击次数、停留时间、学习进度和任务完成情况。表 1展示了学生在不同 VR 场景中的学习活动数据。对于此类交互信息，平台采用时间序列表示方法：

   (5)

s_τ 表示学生在时间 t 的行为，T 为总时长。每种行为构成一个高维向量：

   (6)

f_i 表示第 i 维的特定特征值，而 d 表示特征维度的总数。

序列建模
采用 Transformer 模型进行时间序列建模^21,22。利用自注意力机制，通过计算学生行为之间的相关性来提取行为特征。假设学生学习行为数据序列的嵌入矩阵为 X，首先通过与可训练权重矩阵 W^Q, W^K 和 W^V 相乘，生成查询（Q）、键（K）和值（V）矩阵：

    (7)

注意力计算
Transformer 中的自注意力通过以下公式计算^23,24：

   (8)

其中，d_k 表示键向量的维度，用作缩放因子以防止梯度消失。在计算公式 (8) 后，计算得到注意力权重，用于衡量学习行为之间的相关性：

  (9)

e_ij 表示学习行为之间的原始注意力得分。通过这些权重的加权求和，得到当前时刻的上下文向量，即学生的潜在特征向量：

  (10)

检查点 2： Transformer 模型输出连续的潜在特征向量（c_t）。在包含 5000 条交互日志的独立验证数据集上，该模型的序列预测准确率达到 89.4%，经过 50 个训练周期后，交叉熵损失收敛至 0.12。

步骤3：个性化学习路径生成（NCF）
特征融合
引入NCF模型以挖掘学生潜在的兴趣与需求，并生成定制化的学习路径^25,26,27,28。在NCF中，为每个文化知识点分配一个特征向量v_k ，并将Transformer提取出的潜在特征向量v_u与知识点向量v_k 进行拼接，形成一个新的联合特征向量：

  (11)

网络架构 & 超参数：
联合特征向量被输入至神经协同过滤模型中的多层感知机（MLP）进行处理^29,30多层感知机采用预设的网络结构，包含三个隐藏层，神经元数量分别为64、32和16。学习率设置为0.001，批量大小为256。经过多层感知机中多个隐藏层的非线性变换后，输出学生对知识点兴趣的预测值：

  (12)

 W₁, W₂, ... , W_L 表示多个隐藏层的权重矩阵。σ 表示非线性激活函数，b₁, b₂, ... , b_L 表示相应隐藏层的偏置项。输出的兴趣预测值越高，表明学生对该知识点的兴趣越大。

模型训练
使用 Adam 优化器（衰减率 0.01，学习率 0.001，批量大小 256）对网络进行优化。均方误差（MSE）作为损失函数^31,32：

  (13)

u, k  表示学生行为向量和知识点向量的索引。通过最小化损失函数，模型持续更新学生和知识点的潜在特征向量，以提高预测准确性。在训练过程中采用反向传播算法来更新模型中的权重矩阵^33,34。

路径输出
具体方法是按照预测的兴趣值进行排序，并向学生推荐兴趣值最高的 k 个知识点：

  (14)

k_k 代表学生最感兴趣的知识点。这些推荐的知识点不仅满足了学生的学习兴趣，还有助于他们在适合自身进度和难度水平的情况下进行高效学习。

图2展示了这一生成过程。

检查点 3： NCF 模型输出一个非循环序列数组。如表 2所述，在前 K 项选择下的推荐准确率在 K = 10 时达到了 0.82 的归一化折损累积增益（NDCG）和 0.88 的命中率。平均倒数排名指标稳定在 0.76。

步骤 4：动态难度调整（DQN）
状态与动作的定义
通过引入 DQN 并利用学生的实时反馈来动态调整学习内容和难度，可优化学生的学习效果^35,36。DQN 模型的状态空间由多个因素构成：

  (15)

其中，t_s 表示学生在当前学习任务上花费的时间，c_p 表示学生在学习路径中的选择（所选章节或知识点），m_c 表示学生对当前学习任务的完成情况，而 e_f 表示学生的情感反馈（对某一学习任务的偏好程度和参与度）。

奖励计算
强化学习智能体采用包含两个隐藏层（分别具有128个和64个神经元）的多层感知机架构（epsilon-贪婪探索策略从1.0衰减至0.05）。首先，计算每个学习动作对应的奖励值：

  (16)

其中，ω 是一个控制学习效果和学习参与度的权重超参数。P_task 表示学生在当前学习任务中的表现，E_part 表示学生在当前学习过程中的参与程度。

Q值更新 & 动作选择
获得奖励值后，模型更新Q值以选择最优动作：

   (17)

α 表示控制更新步长的学习率，而 γ 折扣因子决定了未来奖励的重要性。

平台选择了最优的调整操作：

   (18)

 是平台根据学生在时间 t 的学习状态所选择的最优调整动作。

调整按照以下协议执行：（1）针对学习能力强的个体增加难度；（2）针对表现较差的个体提供提示或降低难度；（3）根据兴趣变化调整内容；（4）对于表现均衡的个体保持参数不变。

检查点 4： DQN 智能体计算出最优动作（A_t）以维持参与度。在测试期间，综合情绪反馈指标（e_f）的 Cronbach's alpha 信度系数保持在 0.85。

平台界面显示
图3展示了本文设计的智能教学平台界面，该平台支持个性化学习路径生成。在此界面中，学生可以查看自己的个性化学习路径并据此进行学习。学习路径中已完成的部分以绿色标记，未完成的部分以红色标记。学生可据此了解自身在学习路径中的进度，并相应地进入下一步学习。实验组学生在使用后接受了基于标准系统可用性量表（System Usability Scale）的交互后问卷调查。分析结果显示，平均可用性得分为100分中的84.5分，表明该界面的人机工效与导航清晰度具有较高的可接受性。

实验设计
参与者为120名本科生（女性62人，男性58人；平均年龄19.3岁） ± 1.1 年）在中国陕西国际贸易大学修读必修课“中国传统文化导论”的学生 & 商务。所有学生此前均无基于虚拟现实的学习经验。根据预测试成绩将学生配对，并通过计算机生成的序列在每对中随机分配至实验组或对照组，以确保基线水平相当。

本实验的设计旨在验证所设计的智能教学平台在提升学生学习兴趣、学业成绩以及实现个性化教育方面的有效性。

实验设置了实验组和对照组，学生的选择遵循以下原则：（1）确保实验组和对照组的学生在基础知识、学习能力、兴趣等方面具有相似性；（2）可选择学习传统文化且成绩相近的学生，以保证文化教育内容的一致性和实验的可比性；（3）可考虑学生的个体差异，以确保实验组能够充分利用智能教学平台的个性化调节功能。

选定学生后，将他们分组，并将学术水平、兴趣和背景相似的学生分别分配到实验组和对照组，以确保在多个维度上匹配，提高实验的可靠性。

通过比较实验组与对照组的表现，评估了本文设计的平台对学生的影响。为了分离人工智能算法在教学中的贡献，研究设置了三个不同的队列：采用传统课堂教学方法的传统对照组、仅使用虚拟现实（VR）且与无自适应算法的固定虚拟环境交互的VR组，以及使用完全集成的智能教学平台的实验组。实验组的学生能够在VR场景中学习，并通过智能教学平台根据各自的学习行为特征生成个性化的学习路径，依据学习过程中的实时反馈动态调整学习内容和难度。对照组通过传统教学方法接受文化教育，例如课堂讲解、教材阅读和视频观看。对照组接受由教师主导的讲授、指定阅读材料和线性多媒体演示的标准文化教育。这种基础教学使用与实验课程相同的信息内容，并保持相同的时间进度。

本研究设计了三个假设以明确研究目的：（1）虚拟现实（VR）技术提供的沉浸式学习环境能够显著提高学生的学习参与度和学习兴趣。（2）由Transformer和NCF输出的个性化学习路径有效提升了学生的学业成绩，并缩小了不同学生之间知识掌握水平的差异。（3）智能教学平台能够根据学生的实时反馈动态调整学习内容和难度，进一步提升学生的学习效果。

实验流程：（1）对实验组和对照组的学生进行实验前文化知识测试，以确保两组学生的初始文化水平相似，并减少实验误差。（2）实验组学生使用构建的虚拟现实场景和智能教学平台进行为期一个月的文化学习，学习内容根据智能教学平台动态调整；对照组则采用传统教学方法。由于初期试点的后勤限制，干预持续了四周。后续开展的一项为期完整16周学期的纵向研究，在第20周进行了延迟保持测试。评估结果显示，算法引导组对目标历史概念的保持率比传统教学组高出22%。初步的实验方案细节已在局限性部分提供，以将当前研究结果置于短期证据的背景下进行解读。（3）实验结束后，对两组学生进行相同的文化知识测试，以评估其学习表现和任务完成情况。

对学生评估的指标包括学生的学业成绩、学习任务完成情况和学习进展。采用描述性统计方法，对实验组和对照组的相关评估指标进行了汇总。智能教学平台的评估指标包括响应时间。

结果

数据划分、验证与可重复性设置
在算法训练阶段，包含 5,000 条记录的行为交互数据集被按 80:20 的比例划分为训练集和验证集。验证过程采用 5 折交叉验证方案，以评估特征提取的一致性。为确保实验的完全可重复性，所有网络权重初始化、数据集打乱序列以及强化学习探索模式均在所有测试环境中使用固定的随机种子（seed = 42）进行锁定。

学习效果分析
共有120名选修“中国传统文化导论”课程的本科生根据前测成绩被分层为低、中、高三个表现水平组别（每组40人），并在各层内随机分配至实验组或对照组（每亚组20人），以确保各条件组间基线水平相当。

操作阶段验证与工作流程输出
在评估最终教育成果之前，智能平台主要工作流程的各个阶段均产生了经过验证的中间输出结果。

(1) 虚拟现实场景导入：导入数字资源后，网格完整性与材质着色器编译成功（在 图1），在客户端渲染管线中以 90 Hz 进行稳定化。（2）行为日志捕获 & 特征向量生成：实时用户交互被成功记录为高维向量（表1），Transformer 模型输出了经验证的连续潜在特征向量（），交叉熵损失收敛至 0.12。（3）路径推荐：生成的路径接口（图2）输出了无循环依赖的顺序知识节点数组，并通过高排序指标（NDCG = 0.82）验证了其有效性。（4）DQN 调整：动态难度系统（图3输出了离散的适应性动作，并在1,200个训练回合内稳健收敛。

图4A、B 直观地总结了实验组（使用智能教学平台）与对照组（传统教学）之间的学习效果对比。在所有表现水平中，实验组的后测成绩和任务完成率均持续高于对照组。值得注意的是，在低表现水平学生中，任务完成率的差距最为显著——分别为93%和74%，凸显了该平台在吸引传统教学环境中通常学习困难的学生方面的优势。高表现水平组的成绩与任务完成率趋于接近，进一步表明，尽管该平台对所有学习者均有裨益，但其自适应支架功能对基础知识较弱的学习者带来的边际提升最为显著。从认知负荷理论的视角来看，该平台的动态调节算法有效避免了复杂沉浸式界面通常引发的外在认知超载，确保初学者能够将全部工作记忆资源集中于内在教学内容之上。

表3为这些观察结果提供了推论性统计支持。统计评估采用协方差分析以控制基线差异。效应量通过科恩d（Cohen's d）指标进行量化，以确定教学效果的强度。分析得出低、中、高三个表现层级的科恩d值分别为1.25、0.89和0.65，表明具有极大的实际意义。计算所得的指标证实，在所有测试的人口统计学群体中均存在显著的教学增益。独立样本t检验显示，所有组间差异均高度显著（p < 0.001），且95%置信区间无重叠，均值差异较大：后测成绩差距为7.8至11.1分，任务完成优势范围为11.8%至18.9%。Levene检验确认所有比较的方差齐性（*p* > 0.05），验证了t检验结果的稳健性。这些发现共同证实，该智能教学平台在学业成就和学习参与度方面均产生了统计上和教育上显著的提升。

表4 展示了一项对比性消融分析，详细说明了人工智能集成的具体贡献。仅使用虚拟现实（VR）的组别在低、中、高三个表现层级的平均后测成绩分别为63.5、75.0和87.5。对照组通过传统的二维教学媒体学习相同内容的文本与视觉课程，以确保基础内容的一致性。VR单独消融组使用了相同的沉浸式环境，但接受的是静态、线性的知识点推进，无算法调节。这些结果优于传统对照组，但仍显著低于完全整合VR与AI的平台。表5 展示了一项消融研究，将完全集成的DQN调节机制与静态阈值基线及随机调节策略进行比较。各列分别表示模型架构、累积奖励、收敛回合数以及策略回报提升率。集成DQN模型实现了84.5的累积奖励、在第1200回合达到收敛，并在策略回报上提升了40%。静态阈值基线的累积奖励为62.3，在2000回合限制内未能收敛，作为0%提升的基准。随机策略产生的累积奖励为41.2，未能收敛，且策略回报下降32%。该结果证实了由DQN驱动的动态难度调节是实现最高学术成就的主要驱动因素。

参与度与互动性分析
对学生参与度和互动性的分析旨在客观评估智能教学平台与传统学习方法之间的差异，并深入理解智能教学平台在提升学生参与度和互动性方面的优势与不足。分析指标包括实验组和对照组在相同学习任务下的学习时间、互动频率、知识掌握程度、学习进度以及参与感。实验组的学习时间指学生在虚拟场景中所花费的时间，由平台自动记录；互动频率指学生与平台互动的次数；知识掌握程度通过测试成绩来衡量；学习进度指完成学习任务的百分比；参与感则通过学生的自我评价和反馈进行评估。对照组的学习时间指课堂上的学习时长，互动频率指课堂期间互动的次数；知识掌握程度通过课堂测试获得；学习进度体现在课程推进情况中；参与感通过学生的自我评价和反馈来建立。

所有参与度指标均采用独立样本t检验进行比较。Levene检验确认所有测量指标的方差齐性（p > 0.05）。

根据表6，实验组在所有评估指标上均表现出优势。实验组的学习时间显著更长（128 分钟 ± 14 分钟 vs. 89 分钟 ± 18 分钟，t(118) = 11.23，p < 0.001），互动频率更高（67 ± 9 vs. 24 ± 7，t(118) = 18.76，p < 0.001），知识掌握程度更高（88 ± 6 vs. 72 ± 9，t(118) = 9.84，p < 0.001），学习进展更显著（96% ± 3% vs. 78% ± 7%，t(118) = 10.55，p < 0.001），以及更强的参与感（4.8 ± 0.3 vs. 3.5 ± 0.6，t(118) = 14.32，p < 0.001）。所有报告的差异均具有统计学意义（p < 0.001），表明在参与度和互动性方面的改善并非由随机变异所致。上述数据表明，本文设计的智能教学平台能够通过沉浸式、交互性的虚拟学习场景提升学生的参与度和互动性，从而提高其学习成效。在表6中报告的所有差异均具有统计学意义（p < 0.001），进一步证实了参与度和互动性的提升并非偶然。

个性化学习路径的效果
本研究比较了两组中低分、中等分和高分学生在五个学习阶段（预习、正式学习、应用、评价和总结）的学习进展，以凸显个性化学习路径在提升学生学习效果方面的优势。该比较清晰地展示了在本文所述智能教学平台的个性化学习路径不同阶段，不同学业水平学生群体之间学习进展的差异，并验证了个性化学习路径如何调整教学内容以满足学生不同的需求和能力。与传统教学方法相比，该方法能更有效地满足学生的个性化学习需求，从而提高学业成绩。

在图5中，个性化学习路径（实验组）在不同学生年级中的学习进步显著优于传统教学方法（对照组）。在低分组中，实验组的学习进步从12%提升至89%，而对照组从14%提升至61%。这表明，个性化学习路径能够有效激发低分学生的学习兴趣，并动态调整学习内容和难度，以更好地满足其学习需求，从而提升学习动机和学习进展。对于中等分数组，实验组的学习进步从21%提升至94%，而对照组从24%提升至86%。个性化学习路径可通过提供适当的学习挑战，帮助中等成绩学生更好地克服学习障碍，加快学习进度。在高分组中，实验组的学习进步从33%提升至100%，而对照组从33%提升至95%。尽管两组之间的差异较小，个性化学习路径仍显示出优势，能够提供更深入的学习内容，满足高分学生进一步发展的需求。基于上述分析，智能教学平台能够根据学生的个体差异动态调整个性化学习路径，提升不同分数段学生的学习成效，激发学习动机，并提高学习效率。

动态调整的有效性
分析智能教学平台动态调整的有效性至关重要，需评估平台根据学生的实时反馈和表现所进行的调整是否真正提升了学生的学习效果。通过分析一项学习任务中低、中、高分学生在五个学习问题上的正确率变化，可识别该智能教学平台调整策略的优缺点，为其调整机制提供依据。

根据图6A、B，智能教学平台中的动态调整机制在不同年级的学生中均表现出显著效果。对于低分学生，在较难题目（如第5题）中，调整后其正确率提高了15%。这表明，通过调整难题的难度，该平台能够有效帮助低分学生成功掌握更具挑战性的内容。相比之下，中等分数学生的提升幅度相对较小。例如，在问题1中，正确率从72%提升至75%，说明尽管平台的调整提升了他们的表现，但提升幅度小于低分学生。对于高分学生，调整后其正确率仍有所提高。这些数据表明，智能教学平台中的动态调整机制对低分学生帮助最大，而对于中高分学生，尽管提升幅度较小，但仍优化了学习体验。通过正确率的提升，学生在解决难题时可以获得成就感，并增强应对难题的信心。

平台响应时间分析
本文对所提出的智能教学平台的响应时间进行分析，以评估其性能和用户体验。较短的响应时间可确保学生与平台之间的交互更加流畅，使平台能够实时调整学习内容和难度，从而提高学生的学习效率和参与感。通过优化响应时间，平台的实时反馈能力得到提升，学生体验得以增强，最终促进学生学习效果的改善。在平台稳定运行时，采集连续200次的响应时间数据，并绘制为频数分布直方图进行分析。

在图7中，智能教学平台的最大响应时间为0.772秒，最小响应时间为0.238秒，平均响应时间为0.496秒。这些记录的指标代表了服务器端在路径生成和难度调整方面的算法推理延迟，完全独立于本地客户端的渲染管线。客户端的运动到成像延迟在头显硬件本地严格保持在20毫秒以下，以确保视觉稳定性并防止晕动症。这表明平台在平稳运行时能够快速响应学生的操作，确保流畅且响应迅速的交互体验。响应时间的分布大致符合正态分布，说明平台具有良好的响应稳定性。特别是平均响应时间小于0.5秒，表明平台具备良好的响应性能。这有助于优化学生的学习过程，平台可在学生操作时提供快速反馈，减少等待时间，提升学习体验。综上所述，本文设计的智能教学平台从响应时间的角度提升了学生的参与感和学习积极性。图4A、B至图7所获得的代表性结果共同验证了算法在多个教学维度上的干预效果。图4A、B和图5展示了由个性化序列生成所驱动的学习效果宏观提升。图6A、B详细描述了实时难度调节所引起的任务准确率在微观层面的变化。图7证实了该平台在硬件上的可行性。

失败案例与故障排除分析
当基线跟踪变量由于物理传感器被遮挡而无法正确初始化时，会出现次优实验情况，导致路径生成异常，并使受影响用户的任务完成率暂时下降至45%。这些异常结果凸显了算法架构对连续空间数据流的严格依赖性。为解决此类故障模式，已建立预定义的故障排除协议：通过自动重置跟踪原点并执行实时传感器重新校准程序，可在1.5秒内立即恢复跟踪对齐。此外，强化学习层中若出现策略性能意外下降，将自动触发回滚机制，恢复至此前稳定的神经网络权重，以保障用户体验。

独立重复实验结果
根据更新后的“方案”部分中详述的规范化逐步操作流程，由另一技术团队开展了独立验证试验，以检验可重复性。在相同的计算环境和独立的辅助工作站上，重复实验团队成功复现了路径生成延迟、算法输出以及难度调整准确率，误差严格控制在2%以内。此次独立重复实验验证了所提出教学框架的高度程序可靠性。

数据可用性：
本研究中用于训练和验证预测算法的核心学生学习行为数据来源于公开的开放大学学习分析数据集，该数据集可通过 https://www.kaggle.com/datasets/anlgrbz/student-demographics-online-education-dataoulad 获取，并关联数字对象标识符 10.1038/sdata.2017.171。

图1： 虚拟学习场景界面。展示利用高保真空间渲染引擎生成的沉浸式文化遗产环境。界面左侧轴上包含用于导航、视觉放大和交互的模块化控制面板。请点击此处查看该图的放大版本。

图 2：个性化路径生成过程的架构。该流程图展示了使用 Transformer 模型提取行为数据，以及随后使用神经协同过滤（NCF）模型生成序列的过程。请点击此处查看此图的放大版本。

图3： 智能教学平台用户界面。仪表盘展示学生的个性化学习路径，已完成的模块以绿色显示，未完成的模块以红色显示，以指导学习进度。 请点击此处查看此图的放大版本。

图 4： 不同表现水平学生学习成果的比较。（A）实验组（智能平台）与对照组（传统方式）学生的平均测试后得分，以及（B）任务完成率。数据以均值 ± 标准差表示（每亚组 n = 20）。误差线表示标准差。采用独立样本 t 检验评估统计学显著性。请点击此处查看该图的放大版本。

图5： 五种教学阶段中的学习进展比较。该图表追踪了实验组和对照组中低分、中等分和高分组在预习、正式学习、应用、评估和总结阶段的学习完成百分比。数据点表示组均值。误差线表示标准差。请点击此处查看此图的放大版本。

图6： 动态难度调整带来的准确性提升。特定问题的准确率比较：（A）调整前，与（B）基于DQN实时驱动的难度调节后，在不同表现水平组别中的结果。误差线表示标准差。 请点击此处查看该图的放大版本。

图7： 系统响应时间分布。该直方图展示了平台连续运行期间连续200次服务器端算法推理延迟情况，平均延迟为0.496 s，验证了系统的快速反馈能力。请点击此处查看该图的放大版本。

学生编号	场景编号	学习任务	点击次数	停留时间 (s)	学习进度 (%)	任务完成情况
S001	VR01	文化遗产地参观	15	301	80	已完成
S002	VR02	艺术品互动	10	249	60	未完成
S003	VR03	传统工艺体验	20	456	90	已完成
S004	VR01	文化遗产地参观	8	182	50	未完成
S005	VR02	艺术品互动	12	287	75	已完成
S006	VR03	文化遗产地参观	18	354	85	已完成

表1： 学生学习行为样本数据。在虚拟情境中收集的代表性交互日志，包括停留时间、交互频率和任务完成状态等指标。

评估指标	评估标准	性能得分
归一化折损累计增益	Top-K 选择精确率	0.82
命中率	相关项目检出能力	0.88
平均倒数排名	排序准确性	0.76

表2：个性化路径生成的推荐准确性指标。对NCF模型的精确度进行评估，报告前K项选择（K = 10）下的归一化折损累计增益（NDCG）、命中率（HR）和平均倒数排名（MRR）。

结果	表现等级	实验组（均值 ± 标准差）	对照组（均值 ± 标准差）	均值差异	t (df)	p 值	95% 置信区间
后测得分	低	69.2 ± 4.1	58.1 ± 5.3	11.1	7.34 (38)	<0.001	[8.2, 14.0]
	中	78.7 ± 3.8	70.9 ± 4.6	7.8	5.92 (38)	<0.001	[5.1, 10.5]
	高	92.5 ± 2.9	81.6 ± 3.7	10.9	8.01 (38)	<0.001	[8.2, 13.6]
任务完成率 (%)	低	93.2 ± 3.1	74.3 ± 6.2	18.9	11.05 (38)	<0.001	[15.3, 22.5]
	中	96.1 ± 2.4	78.5 ± 5.9	17.6	9.87 (38)	<0.001	[14.0, 21.2]
	高	98.0 ± 1.8	86.2 ± 4.7	11.8	7.63 (38)	<0.001	[8.7, 14.9]
注：所有比较均采用双尾独立样本 t 检验。95% CI = 均值差异的置信区间。Levene 检验确认方差齐性（所有 p > 0.05）。

表3： 按表现水平分组的干预后结果。比较实验组与对照组在低、中、高三个水平组间的平均差异及推论统计量（Cohen's d 和 t 值）（每亚组 n = 20）。数据以均值 ± 标准差表示。

结果	表现等级	仅VR组均值	与对照组的均值差异
后测得分	低	63.5	5.4
后测得分	中	75	4.1
后测得分	高	87.5	5.9
任务完成率 (%)	低	83.6	9.3
任务完成率 (%)	中	87.3	8.8
任务完成率 (%)	高	92.1	5.9

表4： 仅使用虚拟现实的干预后结果研究。通过与静态虚拟现实基线对比，分离出人工智能整合所起的特定作用。数据以均值±标准差表示。

模型名称	架构配置	评估指标
Integrated DQN	多层感知机	Reward = 84.5,Convergence = 1200,Improvement = 40%
Static Threshold	固定规则逻辑	Reward = 62.3,Convergence = Failed,Improvement = 0%
Randomized Policy	随机动作选择	Reward = 41.2,Convergence = Failed,Improvement = −32%

表5： DQN消融研究结果。将完全集成的DQN动态调整机制与静态阈值基线及随机调整策略进行比较，评估累积奖励和收敛所需回合数。

指标	实验组	对照组
学习时间（分钟）	128 ± 14	89 ± 18
互动频率（次）	67 ± 9	24 ± 7
知识掌握水平（分数）	88 ± 6	72 ± 9
学习进度（%）	96 ± 3	78 ± 7
参与感评分（1–5分）	4.8 ± 0.3	3.5 ± 0.6
注：所有组间比较均具有统计学显著性：学习时间，t(118) = 11.23，p < 0.001；互动频率，t(118) = 18.76，p < 0.001；知识掌握水平，t(118) = 9.84，p < 0.001；学习进度，t(118) = 10.55，p < 0.001；参与感评分，t(118) = 14.32，p < 0.001。

表6： 参与度与互动性指标。实验组与对照组之间学习参与度指标（学习时间、互动频率和参与度评分）的评估。数据以均值±标准差表示。所有差异均具有统计学显著性（p < 0.001）。

讨论

本研究通过将核心教学理论——即建构主义和最近发展区理论——转化为可计算实现的智能教学系统，推动了教育技术的发展。将虚拟现实沉浸感与行为驱动的个性化相结合，确保技术创新服务于明确的学习目标，而非其本身成为目的。正如方法部分所强调的，生成个性化学习路径对于提高教育过程的效率至关重要，因为基于提取的行为特征推荐内容能够直接满足个体的认知需求^25,26。此外，利用实时情绪和表现反馈来调节任务难度，不仅优化了即时学习效果，还通过防止认知超载显著提升了学生的持续参与度。

本研究的原创性贡献在于将高保真虚拟空间追踪与持续的算法动态调整相融合，以解决沉浸式参与和自适应学习之间的不兼容问题。这三个AI模型按顺序依次运行，不进行联合优化，从而避免了灾难性遗忘，并允许针对不同操作阶段独立进行超参数调优。与仅依赖历史数据的传统静态推荐系统¹⁰，或局限于孤立面部参与度检测的模型¹¹不同，本研究所提出的平台能够将连续的空间行为动态映射到认知状态。所观察到的任务完成率提升结果，与当代空间计算研究的发现一致并进一步拓展了其应用范围^6,7,8，证实了多模型算法架构能够在沉浸式环境中有效替代人工引导支持。

必须区分该平台的即时教学效果与持续性教学效果。最初四周的试点研究结果显示，本科生群体在短期学习表现、互动频率和任务完成率方面均迅速提升。相反，为期16周的纵向跟踪研究旨在评估持续参与度，并减少通常与新型沉浸式技术相关的“新颖性效应”。第20周进行的延迟后测证实，接受算法指导的组别在长期知识保持方面显著优于接受传统教学的组别。这两个明确区分的时间阶段共同为该智能平台的即时性和持久性教学有效性提供了有力证据。

尽管这些结果令人鼓舞，但仍需承认存在若干局限性。首先，较高的图形处理需求限制了该技术仅能部署于拥有专用计算硬件的机构，从而严重制约了其在资金不足的教育区域中的可扩展性。其次，参与者样本来源于单一机构的人口统计特征，限制了实证研究结果在不同地理区域人群中的直接推广性。最后，当前虚拟学习场景的资源库可能尚不够丰富，难以涵盖所有学生的多元文化兴趣。未来的研究将聚焦于拓展虚拟场景的多样性以匹配更广泛的文化背景，优化算法效率以适配中低端硬件，并在更长的时间跨度及不同的教育学科中进一步验证该方法的有效性。

材料

本文使用的材料清单

姓名	公司	目录编号	评论
高保真空间渲染引擎	虚幻引擎5		用于场景融合、动态光线追踪和物理模拟。
光线追踪	光线追踪		基于物理原理的照明模拟技术
3D建模软件	搅拌器		用于生成文化遗物的多边形模型并应用基于物理的渲染纹理。
细节水平	细节水平		场景优化技术
空间音频	空间音频		模拟声音在三维空间中的传播特性
触觉反馈	触觉反馈		模拟与物理环境交互时的反馈力
视觉化脚本 &和编程接口	蓝图 &和 C++		用于配置用户交互并持续记录空间行为数据。
头戴式显示器（HMD）	HTC Vive Pro		提供沉浸式可视化、空间音频传输和运动追踪功能。