Intelligente Lehrmethoden integrieren virtuelle Realität und Big-Data-Algorithmen zur Verbesserung traditioneller kultureller Bildungsplattformen

Zusammenfassung

Diese Studie beschreibt einen reproduzierbaren Workflow zur Extraktion von Verhaltensmerkmalen und zur Einführung dynamisch angepasster Bildungspfade innerhalb virtueller Umgebungen. Die dargestellten Verfahren ermöglichen es Lehrkräften, adaptive Virtual-Reality-Lehrpläne zu entwickeln und Echtzeit-Verhaltensverfolgung umzusetzen.

Zusammenfassung

Aktuelle konventionelle Lehrumgebungen weisen nur begrenzte interaktive Elemente auf, was zu begrenzten Engagement-Metriken unter Studierenden des kulturellen Erbes führt. Um diese Probleme anzugehen, wurde eine intelligente Lehrplattform entwickelt, die eine hochauflösende räumliche Rendering-Engine in Virtual-Reality-Umgebungen mit einer multimodellbasierten algorithmischen Architektur integriert. Innerhalb dieser Plattform verarbeiten Transformer- und Neural Collaborative Filtering (NCF)-Modelle Verhaltensdaten, um personalisierte Lernpfade zu erstellen, während ein Deep Q-Network (DQN) die Inhaltsschwierigkeit dynamisch anhand von Echtzeit-Feedback anpasst. Ein solches adaptives Gerüst spiegelt konstruktivistische Lernprinzipien wider, bei denen Wissen aktiv durch die Interaktion mit kontextualisierten, reaktionsfähigen Umgebungen konstruiert wird, anstatt passiv durch statische Anleitung empfangen zu werden. Die Neuheit dieser Forschung liegt in der Integration einer räumlichen Rendering-Engine mit einer multimodellbasierten algorithmischen Architektur, um einen Echtzeit-Mechanismus zur Verhaltensanpassung zu etablieren. Die experimentellen Ergebnisse zeigen, dass die Versuchsgruppe, die die vorgeschlagene intelligente Lehrplattform nutzt, höhere Lernwerte aufweist (niedrige/mittel/hohe Gruppen erreichen jeweils 69/79/93 Punkte) und eine höhere Lernaufgabenabschlussrate (93%/96%/98%) als die Kontrollgruppe mit dem traditionellen Lehrmodell. Das Design der intelligenten Lehrplattform bietet eine starke Interaktivität, personalisierte Lernpfade für Schüler mit unterschiedlichen individuellen Unterschieden und passt sich dynamisch während des Lernprozesses an. Die Antwortzeitanalyse zeigt eine durchschnittliche Latenz von 0,496 s, was eine schnelle Rückmeldung zu Interaktionen gewährleistet. Letztlich zeigt die vorgeschlagene Plattform, dass die Kombination immersiver VR mit verhaltensadaptiven Algorithmen sowohl die akademischen Leistungen als auch die Aufgabenbeteiligung von Bachelor-Studierenden in der traditionellen Kulturbildung effektiv verbessert.

Einleitung

Die traditionelle kulturelle Bildung spielt eine entscheidende Rolle bei der Vererbung und Entwicklung der Kultur. Das heutige traditionelle Modell der kulturellen Bildung basiert jedoch hauptsächlich auf statischen Formen wie Lehrbüchern, Bildern und Videos, denen Interaktivität und Immersion fehlt, was es den Schülern erschwert, den Reiz der Kultur wirklich zu verstehen und zu erleben. Darüber hinaus verfolgen traditionelle Lehrmethoden oft einen einheitlichen Lehrplan, der die Interessen, kognitiven Fähigkeiten und Lernstile der Schüler nicht vollständig berücksichtigt, was zu geringer Lerneffizienz und Schwierigkeiten bei der Förderung der Lernbegeisterung führt. Diese Einschränkung steht im Einklang mit Vygotskys Theorie der Zone der proximalen Entwicklung (ZPD), die betont, dass effektiver Unterricht auf die aktuellen kognitiven Niveaus der Lernenden zugeschnitten und entsprechend ihren individuellen Entwicklungspfaden gerüstet werden muss. Die vorhandene Literatur stützt sich für pädagogische Modellierung auf statische Dateneingaben. Die Integration von kontinuierlichem räumlichem Verhaltenstracking mit tiefem Verstärkungslernen bleibt unerforscht. Der vorgeschlagene Mechanismus verbindet multisensorische Interaktionen mit algorithmischer Neuanpassung, um die Lücke zwischen festen Unterrichtspfaden und dynamischer kontextueller Anpassung zu überbrücken. Die vorgeschlagene Plattform implementiert dieses Prinzip, indem sie die Inhaltsschwierigkeit und -sequenzierung dynamisch anpasst, basierend auf Echtzeit-Verhaltensindikatoren, wodurch die pädagogische Theorie in das algorithmische Design integriert wird. Die algorithmischen Anpassungsmechanismen ersetzen effektiv das menschliche Gerüst, das typischerweise von fähigeren Kollegen bereitgestellt wird. Diese kontinuierliche Modulation der Aufgabenschwierigkeit entspricht der kognitiven Belastungstheorie (CLT), indem sie kognitive Überlastung bei Anfängern verhindert und das Engagement innerhalb der optimalen Entwicklungszone aufrechterhält.

Mit der Entwicklung von Virtual Reality (VR) und Datenalgorithmen bietet deren Anwendung auf traditionelle kulturelle Bildung den Schülern ein immersiveres und interaktiveres Lernerlebnis 1,2,3,4. Umfassende systematische Übersichtsarbeitende Übersichten zu immersiven Virtual-Reality-Anwendungen in der Hochschulbildung unterstreichen zudem die Bedeutung, Designelemente mit spezifischen pädagogischen^Zielen in Einklang zu bringen.

Viele Studien haben versucht, VR-Technologie auf die kulturelle Bildung anzuwenden. Hulusic et ^al.6 entwarfen und entwickelten ein virtuelles Schulmuseum, einschließlich einer greifbaren Benutzeroberfläche. Durch nutzerbeteiligungsorientierte Forschung wurde festgestellt, dass das Museum gut gestaltet und entwickelt ist und das Potenzial hat, als Lern- und Bildungsinstrument in Museen, Schulen oder eigenständig genutzt zu werden. Als Antwort auf das Problem der unzureichenden Interaktivität in Fernlernumgebungen entwickelten Mubarok et ^al.7 eine kollaborative Argument-Mapping-Methode auf Basis von VR, um dies anzugehen. Experimente haben gezeigt, dass diese Methode den mündlichen englischen Ausdruck der Schüler besser verbessert als kollaborative Argument-Mapping-Methoden, die nicht auf VR basieren. Sun et ^al.8 schlugen eine Designstrategie für ein immersives VR-System vor, das multimodale Interaktion, Gamification und Storytelling kombiniert, um das digitale kulturelle Erbe darzustellen und zu entwickeln. Sie entwickelten ein immersives VR-System, das die Dunhuang-Wandgemälde wiederherstellte und den Nutzern ein lernendes, interaktives und unterhaltsames Erlebnis bot. Diese Studien haben jedoch weiterhin einige Probleme, wie schwache Interaktivität in VR-Szenen, langsame Aktualisierungsraten für Lerninhalte und mangelnde Anpassungsfähigkeit personalisierter Empfehlungsalgorithmen, die es unmöglich machen, die Lernbedürfnisse verschiedener Schüler genau zu erfüllen. Darüber hinaus haben einige Studien Deep Learning und Reinforcement Learning nicht effektiv integriert, was die Echtzeitanpassungsmöglichkeiten personalisierter Empfehlungen einschränkt.

Jüngste Fortschritte in der künstlichen Intelligenz haben Bildungstechnologien vorangetrieben. Forschung führt adaptive Systeme ein, die Deep Learning zur Mustererkennung im Nutzerverhalten nutzen. Methoden, die kognitive Tracking-Algorithmen verwenden, kartieren dynamische Zustände der Wissenserwerbung. Strukturelle Optimierung in neuronalen Netzen erhöht die Empfehlungspräzision innerhalb von Smart Learning Frameworks. Intelligente Agenten, die komplexe Umweltvariablen integrieren, verbessern automatisierte Instruktionsreaktionen. Diese Methoden basieren auf isolierten Datenströmen und statischer historischer Analyse. Die vorgeschlagene Plattform adressiert diese Einschränkung, indem sie räumliche Interaktionsdaten mit kontinuierlicher algorithmischer Neuanpassung verbindet, um eine Echtzeit-Kontextanpassung sicherzustellen.

Jüngste empirische Untersuchungen bestätigen, dass Deep-Learning-Algorithmen die prädiktive Genauigkeit in der Leistungsmodellierung von Schülern signifikant verbessern. Ouatik et ^al.9 implementierten ein System zur Vorhersage des schulischen Erfolgs und Scheiterns der Schüler. Sie nutzten persönliche Informationen der Schüler, akademische Bewertungen und andere Daten und nutzten künstliche Intelligenz sowie Methoden des pädagogischen Datenaustauschs, um den akademischen Erfolg der Schüler vorherzusagen. Um das Problem der Datenverarbeitung zu lösen, wurde Big-Data-(BD)-Technologie eingesetzt, um die Verarbeitung zu verteilen und die Rechenzeit zu reduzieren, ohne die algorithmische Effizienz zu beeinträchtigen. Bhaskaran¹⁰ hat einen verbesserten Vektorraum-Empfehlungsgenerator entwickelt, um Probleme in aktuellen Lernempfehlungssystemen zu adressieren. Es verfolgt automatisch die Interessen, Anforderungen und das Wissensniveau der Lernenden. Es klassifiziert und extrahiert die Lernstile der Lernenden vom Server und verwendet dann einen verbesserten kollaborativen Filteralgorithmus, um Ähnlichkeiten zu berechnen und so eine bessere Empfehlungsliste zu erstellen. Gupta¹¹ schlug eine auf Deep Learning basierende Methode vor, die Gesichtsausdrücke nutzt, um das Echtzeit-Engagement von Online-Lernenden zu erkennen, ihre Emotionen während des Lernprozesses durch Analyse der Gesichtsmarkierungen der Schüler klassifiziert und den Lernstatus anhand der Erkennungsergebnisse anpasst. Diese Methoden haben jedoch dennoch gewisse Einschränkungen.

Obwohl bestehende VR-Bildungslösungen ein immersives Erlebnis bieten, fehlen ihnen dynamische Anpassungsmöglichkeiten. Die Lernwege der Schüler sind oft festgelegt, und Inhalt sowie Schwierigkeit können nicht in Echtzeit auf Basis persönlicher Fortschritte und Rückmeldungen optimiert werden, was zu mangelnder Teilnahme führt. Gleichzeitig verlassen sich traditionelle personalisierte Empfehlungsalgorithmen meist auf historischen Daten oder einfachen Interessen-Tags und versäumen es, multidimensionale Daten wie das Lernverhalten, den kognitiven Status und das emotionale Feedback der Schüler für eine genaue Analyse zu integrieren. Das Fehlen eines tiefgehenden Verständnisses der Lernprozesse der Schüler verhindert, dass das Empfehlungssystem individuelle Unterschiede effektiv adressieren kann, was zu einer suboptimalen Lernerfahrung und suboptimalen Ergebnissen führt.

Daher wird zur Bewältigung der Probleme der unzureichenden Eintauchung und mangelnden Personalisierung in der traditionellen kulturellen Bildung eine intelligente Lehrplattform vorgeschlagen. Diese Methodik ist direkt auf Bachelor-Studiengänge in den Geisteswissenschaften anwendbar, die räumliche Visualisierung und individuelle Tempo-Metriken erfordern. Fortschrittliche räumliche Rendering-Engines und verwandte räumliche Rechentechnologien werden zur Entwicklung virtueller Lernszenen eingesetzt. Virtuelle Lernumgebungen gewähren den Lernenden die Autonomie, bestimmte kulturelle Module auszuwählen. Das neuronale Aufmerksamkeits-basierte Transformer-Modell verarbeitet zeitgestempelte Interaktionsprotokolle, um eine kompakte Darstellung von Verhaltensmustern zu erzeugen. Basierend auf der Extraktion der Lernverhaltensmerkmale der Schüler wird das Neural Collaborative Filtering (NCF)-Modell verwendet, um die Lerninteressen der Schüler weiter zu erforschen und personalisierte Lernpfade zu erfassen. Das Deep Q-Network (DQN)-Modell sammelt das Echtzeitfeedback der Schüler und passt den Lernweg dynamisch an, um das Lernerlebnis und den Lerneffekt der Schüler zu optimieren.

Was den praktischen Einsatz betrifft, so bietet die vorgeschlagene Plattform spezifische Vorteile, ist jedoch nicht universell anwendbar. Es eignet sich hervorragend für Bildungseinrichtungen, die mit spezieller Rechenhardware ausgestattet sind, darunter diskrete Grafikverarbeitungseinheiten und immersive räumliche Visualisierungsgeräte, sowie für Lehrpläne, die erheblich von räumlicher Visualisierung in der Kulturerbearchitektur und Archäologie profitieren. In diesen Kontexten adressiert dynamisches Verhaltenstracking effektiv individuelle Unterschiede im Tempo. Umgekehrt ist diese Methode derzeit für unterfinanzierte Bildungsumgebungen ohne die notwendige technologische Infrastruktur ungeeignet. Darüber hinaus wird es nicht für stark abstrakte, textzentrierte Kurse empfohlen, bei denen die dreidimensionale Immersion im Vergleich zu traditionellen Unterrichtsmethoden einen vernachlässigbaren pädagogischen Wert bietet.

Protokoll

Das institutionelle Ethikkomitee der Shaanxi University of International Trade & Commerce validierte das Forschungsprotokoll unter Referenz 2025-04A. Vor Beginn des Verfahrens wurde von allen Teilnehmern eine dokumentierte informierte Einwilligung eingeholt, um sicherzustellen, dass alle menschlichen Probanden über die Protokolle zur Verhaltensverfolgung und Datenanonymisierung informiert waren. (Hinweis: Die pädagogischen Begründungen zu den Algorithmen wurden in den Diskussionsbereich verlegt, um die operative Prägnanz zu gewährleisten.)

Schritt 1: Virtueller Realitäts-Szenenaufbau

Integration von Vermögenswerten
Die digitale Modellierung kultureller Elemente wurde mit einer generischen 3D-Modellierungssoftware durchgeführt (siehe Materialtabelle für die verwendete Software), um immersive Lernumgebungen^{zu erstellen 12,13}. Digitale Assets wurden generiert, physikalisch basierte Rendering-Texturen zugewiesen und in eine hochauflösende räumliche Rendering-Engine (Materialtabelle) importiert, ohne den Einsatz mikroskopischer Bildgebungstechniken^14,15.

Rendering- und Physikkonfiguration
Hardware-Raytracing-Technologie wurde innerhalb der Rendering-Engine aktiviert, um die dynamische Beleuchtung zu optimieren^16,17:

(1)

P steht für die Lichtintensität in der Szene. L steht für die Position der Lichtquelle. I_L bezeichnet die Intensität der Lichtquelle, und N steht für den Oberflächennormalvektor des virtuellen Objekts.

Die Physik-Engine simulierte Objektdynamik über eine objektorientierte Programmierschnittstelle (C++). Die verwendete Reaktionsformel war:

(2)

F steht für die dynamische Reaktionskraft, m ist die Masse des virtuellen Objekts, v für seine Geschwindigkeit und t für die Zeit.

Um die Flüssigkeit zu gewährleisten, wurde die Level of Detail (LOD)-Technologie verwendet, um die Szene zu optimieren, was unnötige Berechnungen reduzierte und die Rendering-Effizienz durch dynamische Anpassung des Detailniveaus des Modells^18,19 verbesserte. GPU-Beschleunigung wurde für die Bildverarbeitung verwendet:

(3)

R steht für den Reflexionskoeffizienten, M für die Oberflächenabbildung und C für die endgültig gerenderte Farbe.

Interaktionsimplementierung
Die Benutzerinteraktionen wurden unter Verwendung der visuellen, knotenbasierten Skriptschnittstelle konfiguriert, die zur räumlichen Rendering-Engine nativ ist. Mit Hilfe von räumlicher Audiotechnologie wurde der Klang im Raum simuliert, sodass die Schüler verschiedene Soundeffekte an unterschiedlichen Positionen hören können. Darüber hinaus konnten die Schüler durch taktile Rückkopplungstechnologie physische Reaktionen auf die entsprechende körperliche Berührung in der virtuellen Szene²⁰ erhalten:

(4)

F_t steht für die Kraft der taktile Rückkopplung, und k für den Steifigkeitskoeffizienten.

Einsatz und Ausrüstungsübersicht
Die Umgebung wurde auf einer dedizierten räumlichen Rechenhardware kompiliert, die mit einer Zentraleinheit mit vierundzwanzig Kernen, vierundsechzig Gigabyte Zufallsspeicher und einer dedizierten Grafikeinheit mit vierundzwanzig Gigabyte ausgestattet war. Die virtuellen Szenen wurden auf standardisierten immersiven räumlichen Visualisierungsdisplays bereitgestellt, wie in der Materialtabelle dargestellt, mit einer Auflösung von 1440 x 1600 Pixeln pro Auge und einer Bildwiederholrate von 90 Hz, was eine optimale visuelle Stabilität gewährleistet und die Bewegungs-zu-Photonen-Latenz minimiert. Die räumlichen Grenzen wurden so konfiguriert, dass sie die Sitzungen auf 45 Minuten begrenzten, um visuell induzierte Reisekrankheit zu mildern.

Die Materialtabelle fasst die verwendeten spezifischen Technologien zusammen. Alle zugewiesenen Hardware- und Computerkomponenten waren standardmäßige, kommerzielle Standardausrüstung und waren nicht auf einen einzigen proprietären Anbieter angewiesen. Die räumliche Rendering-Engine und das Raytracing sorgten für dynamische Beleuchtung, während die 3D-Modellierungssoftware historische Stätten reproduzierte. Abbildung 1 zeigt ein Beispiel für die virtuelle Lernszene und zeigt das modulare Bedienfeld für visuelle Vergrößerung, Audiomodulation und Bewegung.

Checkpoint 1: Eine vollständig gerenderte VR-Umgebung mit einer stabilen Bildwiederholrate von 90 Hz, die die Bewegung-zu-Photonen-Latenz minimiert und so visuelle Stabilität gewährleistet.

Schritt 2: Verhaltensdatenextraktion (Transformer)
Datenerfassung
Die Lernverhaltensdaten der Schüler umfassten Interaktionen mit VR-Szenen, darunter Klickzahlen, verbrachte Zeit, Lernfortschritt und Aufgabenabschluss. Tabelle 1 präsentiert die Lernaktivitätendaten für Schüler in verschiedenen VR-Szenarien. Für diese interaktiven Informationen wurde auf der Plattform eine Zeitreihendarstellung verwendet:

(5)

s_τ repräsentiert das Verhalten des Schülers zum Zeitpunkt t, und T ist die Gesamtzeit. Jedes Verhalten bildet einen hochdimensionalen Vektor:

(6)

f_i repräsentiert den spezifischen Merkmalswert in der Dimension i, und d die Gesamtzahl der Merkmalsdimensionen.

Sequenzmodellierung
Das Transformer-Modell wurde für die Zeitreihenmodellierung^21,22 verwendet. Mit dem Selbst-Aufmerksamkeitsmechanismus wurden Verhaltensmerkmale durch Berechnung der Korrelationen zwischen dem Verhalten der Schüler extrahiert. Angenommen, die Einbettungsmatrix der Lernverhaltensdatensequenz eines Schülers ist X, die Abfrage (Q), der Schlüssel (K) und der Wert (V). Matrizen wurden zuerst erzeugt, indem man mit trainierbaren Gewichtsmatrizen W^Q, W^K und W^V multiplizierte:

(7)

Aufmerksamkeitsberechnung
Die Selbstaufmerksamkeit im Transformer wurde mit^23,24 berechnet:

(8)

Darunter steht d_k für die Dimension der Schlüsselvektoren, die als Skalierungsfaktor verwendet wurde, um verschwindende Gradienten zu verhindern. Nach der Berechnung der Formel (8) wurde das Aufmerksamkeitsgewicht berechnet, um die Korrelation zwischen Lernverhalten zu messen:

(9)

E_ij stellt den rohen Aufmerksamkeitsenergiewert zwischen den Lernverhalten dar. Die gewichtete Summe dieser Gewichte wurde verwendet, um den Kontextvektor im aktuellen Moment zu erhalten, der der potenzielle Merkmalvektor des Schülers ist:

(10)

Kontrollpunkt 2: Das Transformer-Modell liefert kontinuierliche latente Merkmalsvektoren (c_t) aus. Auf einem sequestrierten Validierungsdatensatz mit 5000 Interaktionsprotokollen erreichte das Modell eine Sequenzvorhersagegenauigkeit von 89,4 %, wobei der Kreuzentropieverlust nach 50 Epochen auf 0,12 angrenzte.

Schritt 3: Erstellung personalisierter Lernpfade (NCF)
Merkmalsfusion
Das NCF-Modell wurde eingeführt, um die potenziellen Interessen und Bedürfnisse der Schüler zu erforschen und entwickelte maßgeschneiderte Lernpfade 25,26,27,28. In NCF wurde jedem kulturellen Wissenspunkt ein Merkmalsvektor v_k zugewiesen, und der vom Transformator extrahierte potenzielle Merkmalsvektor v_u sowie der Wissenspunktvektor v_k wurden zu einem neuen gemeinsamen Merkmalsvektor zusammengesetzt:

(11)

Netzwerkarchitektur & Hyperparameter:
Der gemeinsame Merkmalsvektor wurde in das Mehrschicht-Perzeptron (MLP) in NCF zur Verarbeitung^29,30 eingetragen. Das mehrschichtige Perzeptron verwendete eine vorgegebene Architektur mit drei versteckten Schichten von 64, 32 und 16 Neuronen. Die Lernrate wurde auf 0,001 gesetzt, mit einer Batchgröße von 256. Nach der nichtlinearen Transformation mehrerer versteckter Schichten in MLP wurde der vorhergesagte Wert des Interesses der Schüler an Wissenspunkten ausgegeben:

(12)

W₁, W₂, ... , W_L repräsentieren die Gewichtsmatrizen mehrerer verborgener Schichten. σ bezeichnet die nichtlineare Aktivierungsfunktion, und b₁, b₂, ... , b_L repräsentieren die Verspannungstermen der jeweiligen verborgenen Schichten. Je höher der Prädiktionswert für das Output-Interesse, desto größer ist das Interesse des Schülers an diesem Wissenspunkt.

Modellausbildung
Das Netzwerk wurde mit dem Adam-Solver optimiert (Verfallrate 0,01, Lernrate 0,001, Batchgröße 256). Der mittlere quadratische Fehler (MSE) dient als Verlustfunktion^31,32:

(13)

u, k repräsentiert den Index des Schülerverhaltensvektors und des Wissenspunktvektors. Durch die Minimierung der Verlustfunktion aktualisiert das Modell kontinuierlich die potenziellen Merkmalsvektoren für Schüler und Wissenspunkte, um die Vorhersagegenauigkeit zu verbessern. Der Rückpropagationsalgorithmus wurde während des Trainingsprozesses verwendet, um die Gewichtsmatrix im Modell^33,34 zu aktualisieren.

Pfadausgabe
Der spezifische Ansatz bestand darin, nach vorhergesagten Zinswerten zu sortieren und den Studierenden die k Wissenspunkte mit den höchsten Interessenwerten zu empfehlen:

(14)

K_{k repräsentieren} die k Wissenspunkte, die sich für Schüler am meisten interessieren. Diese empfohlenen Wissenspunkte erfüllen nicht nur die Lerninteressen der Schüler, sondern helfen ihnen auch, effektiv auf einem Fortschritts- und Schwierigkeitsgrad zu lernen, der zu ihnen passt.

Abbildung 2 visualisiert diesen Generierungsprozess.

Kontrollpunkt 3: Das NCF-Modell liefert ein nichtzyklisches Sequenzarray. Wie in Tabelle 2 dargestellt, ergab die Empfehlungsgenauigkeit bei der Auswahl des Top-K einen normalisierten abdiscontierten kumulativen Gewinn (NDCG) von 0,82 und eine Trefferquote von 0,88 bei K = 10. Die mittlere reziproke Rangmetrik stabilisierte sich bei 0,76.

Schritt 4: Dynamische Schwierigkeitsanpassung (DQN)
Zustands- und Handlungsdefinition
Durch die Einführung von DQN und die Nutzung des Echtzeit-Feedbacks der Schüler zur dynamischen Anpassung von Lerninhalten und Schwierigkeitsgraden werden die Lerneffekte der Schüler optimiert^35,36. Der Zustandsraum des DQN-Modells besteht aus mehreren Faktoren:

(15)

Darunter steht t_s für die Zeit, die die Schüler für die aktuelle Lernaufgabe verbringen, c_p für die Entscheidungen der Schüler im Lernweg (ausgewählte Kapitel oder Wissenspunkte), m_c für den Abschluss der aktuellen Lernaufgabe durch die Schüler und e_f für das emotionale Feedback der Schüler (das Ausmaß der Präferenz und Teilnahme an einer bestimmten Lernaufgabe).

Belohnungsberechnung
Der Reinforcement-Learning-Agent nutzte eine mehrschichtige Perzeptron-Architektur, bestehend aus zwei versteckten Schichten von 128 und 64 Neuronen (Epsilon-Greedy-Exploration-Strategie, die von 1,0 auf 0,05 abfällt). Zuerst wurde der Belohnungswert für jede Lernaktion berechnet:

(16)

Darunter ist ω ein Gewichtshyperparameter, der die Lernleistung und die Lernbeteiligung steuert. Die Aufgabe P steht für die Leistung des Schülers in der aktuellen Lernaufgabe, und der_E-Teil für die Teilnahme des Schülers am aktuellen Lernprozess.

Q-Wert-Aktualisierung und Aktionsauswahl
Nach Erhalt des Belohnungswerts aktualisierte das Modell den Q-Wert, um die optimale Aktion auszuwählen:

(17)

α repräsentiert die Lernrate, die die Schrittlänge des Updates steuert, und γ Der Diskontfaktor bestimmt die Bedeutung zukünftiger Belohnungen.

Die Plattform wählte die optimale Einstellaktion aus:

(18)

ist die optimale Anpassungsmaßnahme, die von der Plattform basierend auf dem Lernstatus des Schülers zum Zeitpunkt T ausgewählt wird.

Die Anpassung wurde gemäß folgenden Protokollen durchgeführt: (1) Die Schwierigkeit wurde für hohe Lernfähigkeit erhöht; (2) Hinweise wurden geliefert bzw. der Schwierigkeitsgrad bei schlechter Leistung reduziert; (3) Inhalte wurden je nach verändertem Interesse verschoben; (4) Die Parameter wurden für eine ausgewogene Leistung beibehalten.

Kontrollpunkt 4: Der DQN-Agent berechnete optimale Aktionen (A_t), um das Engagement aufrechtzuerhalten. Die zusammengesetzte emotionale Rückkopplungsmetrik (e_f) hielt während der Tests einen Cronbachschen Alpha-Zuverlässigkeitskoeffizienten von 0,85 bei.

Display-Display-Plattformoberfläche
Abbildung 3 zeigt die Benutzeroberfläche der in diesem Artikel entwickelten intelligenten Lehrplattform, die personalisierte Pfadgenerierung unterstützt. In dieser Benutzeroberfläche konnten die Schüler ihren personalisierten Lernweg sehen und daraus lernen. Der abgeschlossene Teil des Lernpfades konnte grün markiert werden, der unfertige Teil rot. Die Schüler konnten ihren Lernfortschritt entlang des Lernpfades sehen und entsprechend zum nächsten Schritt übergehen. Nach-Interaktions-Umfragen mit der Standard-System-Usability-Skala wurden der experimentellen Kohorte durchgeführt. Die Analyse ergab einen durchschnittlichen Usability-Wert von 84,5 von 100, was darauf hindeutet, dass die Ergonomie und die Navigationsklarheit der Schnittstelle sehr akzeptabel waren.

Versuchsdesign
Die Teilnehmer waren 120 Bachelor-Studierende (62 weiblich, 58 männlich; Durchschnittsalter 19,3 Jahre ± 1,1 Jahre), die in einem verpflichtenden Kurs "Einführung in die traditionelle chinesische Kultur" an der Shaanxi University of International Trade & Commerce eingeschrieben waren. Keiner hatte vorherige Erfahrung mit VR-basiertem Lernen. Die Schüler wurden nach dem Vortestergebnis zugeteilt und innerhalb von Paaren zufällig experimentellen oder kontrollbedingten Bedingungen unter Verwendung einer computergenerierten Sequenz zugeteilt, um die Ausgangsäquivalenz sicherzustellen.

Das Design dieses Experiments zielte darauf ab, die Wirksamkeit der konzipierten intelligenten Lehrplattform bei der Verbesserung des Lerninteresses, der akademischen Leistung und der personalisierten Bildung der Schüler zu überprüfen.

Die experimentelle Gruppe und die Kontrollgruppe wurden im Experiment aufgestellt, und die Auswahl der Schüler folgte folgenden Prinzipien: (1) Es wurde sichergestellt, dass die Schüler der experimentellen Gruppe und der Kontrollgruppe Ähnlichkeiten in Grundwissen, Lernfähigkeit, Interessen usw. aufwiesen. (2) Schüler, die traditionelle Kultur studieren und ähnliche Klassenstufen haben, konnten ausgewählt werden, um die Einheitlichkeit des kulturellen Bildungsinhalts und die Vergleichbarkeit des Experiments zu gewährleisten. (3) Die individuellen Unterschiede der Schüler könnten berücksichtigt werden, um sicherzustellen, dass die Versuchsgruppe die personalisierte Anpassungsfunktion der intelligenten Lehrplattform voll nutzen kann.

Nach der Auswahl der Studierenden werden sie gruppiert, und Schüler mit ähnlichen akademischen Leistungen, Interessen und Hintergründen werden der Experiment- bzw. Kontrollgruppe zugeteilt, um eine Übereinstimmung über mehrere Dimensionen hinweg sicherzustellen und die Zuverlässigkeit des Experiments zu verbessern.

Durch den Vergleich der Leistung der experimentellen und der Kontrollgruppe wurde der Einfluss der in diesem Artikel gestalteten Plattform auf die Studierenden bewertet. Um den pädagogischen Beitrag von Algorithmen der künstlichen Intelligenz zu isolieren, umfasste die Studie drei verschiedene Kohorten: eine traditionelle Kontrollgruppe mit standardisierten Klassenzimmermethoden, eine reine VR-Gruppe, die mit festen virtuellen Umgebungen ohne adaptive Algorithmen interagiert, und eine experimentelle Gruppe mit der voll integrierten intelligenten Lehrplattform. Schüler der experimentellen Gruppe konnten in einer VR-Szene lernen, und jeder Schüler konnte personalisierte Lernpfade basierend auf seinen Lernverhaltensmerkmalen über die intelligente Lehrplattform erstellen, wobei der Lerninhalt und die Schwierigkeit dynamisch als Reaktion auf Echtzeit-Feedback während des Lernprozesses angepasst wurde. Die Kontrollgruppe erhielt kulturelle Bildung durch traditionelle Lehrmethoden wie Unterrichtserklärungen, Lehrbuchlesen und Videos. Die Kontrollgruppe erhielt standardisierte kulturelle Bildung durch von Lehrkräften geleitete Vorlesungen, zugewiesene Lektüren und lineare Multimedia-Präsentationen. Dieser Basisunterricht verwendete identische Informationsinhalte und behielt das gleiche temporale Tempo wie der experimentelle Lehrplan bei.

Drei Hypothesen wurden entwickelt, um den Zweck der Studie zu klären: (1) Die durch VR-Technologie gebotene immersive Lernumgebung kann die Lernbeteiligung und das Interesse der Schüler erheblich verbessern. (2) Der personalisierte Lernpfad von Transformer und NCF verbesserte effektiv die akademischen Leistungen der Schüler und reduzierte die Unterschiede in der Wissensbeherrschung zwischen verschiedenen Schülern. (3) Die intelligente Lehrplattform könnte den Lerninhalt und die Schwierigkeit dynamisch anhand des Echtzeit-Feedbacks der Schüler anpassen und so die Lernergebnisse weiter verbessern.

Experimenteller Prozess: (1) Ein vorexperimenteller kultureller Wissenstest wurde an Schülern in der experimentellen und Kontrollgruppe durchgeführt, um sicherzustellen, dass die anfänglichen kulturellen Niveaus der beiden Gruppen ähnlich waren und experimentelle Fehler reduziert wurden. (2) Die Studierenden der experimentellen Gruppe nutzten die konstruierte VR-Szene und die intelligente Lehrplattform, führten eine einmonatige Kulturstudie durch, und der Lerninhalt wurde dynamisch entsprechend der intelligenten Lehrplattform angepasst. Die Kontrollgruppe verwendete traditionelle Lehrmethoden. Aufgrund logistischer Einschränkungen des ersten Piloten dauerte die Intervention vier Wochen. Eine über ein volles 16-wöchige Semester durchgeführte Folgestudie gipfelte in einem verzögerten Erinnerungstest in Woche 20. Die Auswertung zeigte eine um 22 % höhere Retention der gezielten historischen Konzepte in der algorithmisch geführten Kohorte als in der traditionellen Instruktionsgruppe. Vorläufige Protokolldetails wurden im Abschnitt über die Einschränkungen bereitgestellt, um die aktuellen Ergebnisse als kurzfristige Beweise einzuordnen. (3) Nach dem Experiment erhielten die beiden Schülergruppen denselben kulturellen Wissenstest, um ihre Lernleistung und Aufgabenabschluss zu bewerten.

Die Bewertungsindikatoren für die Schüler umfassten die akademischen Leistungen, den Abschluss der Lernaufgaben und den Lernfortschritt. Mit deskriptiver Statistik wurden die relevanten Bewertungsindikatoren für die experimentelle und Kontrollgruppe zusammengefasst. Die Bewertungsindikatoren der intelligenten Lehrplattform umfassten die Reaktionszeit.

Ergebnisse

Datenaufteilungen, Validierungs- und Reproduzierbarkeitseinstellungen
Für die algorithmische Trainingsphase wurde der Datensatz zur Verhaltensinteraktion mit 5.000 Logs in 80:20-Trainings- und Validierungssätze aufgeteilt. Validierungsverfahren verwendeten ein fünffaches Kreuzvalidierungsschema, um die Konsistenz der Merkmalsextraktion zu bewerten. Um eine absolute experimentelle Reproduzierbarkeit zu gewährleisten, wurden alle Netzwerkgewicht-Initialisierungen, Datensatz-Mischsequenzen und Reinforcement Learning-Explorationsmuster mit einem festen zufälligen Seed (Seed = 42) in allen Testumgebungen gesperrt.

Analyse des Lerneffekts
Insgesamt wurden 120 Bachelor-Studierende, die in "Einführung in die traditionelle chinesische Kultur" eingeschrieben waren, nach Pre-Test-Ergebnissen in niedrige, mittlere und hohe Leistungsstufen (40 pro Stufe) geschichtet und innerhalb der Schichten zufällig experimentellen oder Kontrollgruppen zugeteilt (n = 20 pro Untergruppe), um eine Basisäquivalenz zwischen den Bedingungen sicherzustellen.

Validierung der Prozedurstufe und Workflow-Ausgaben
Der Fortschritt durch die wichtigsten Workflow-Phasen der intelligenten Plattform führte zu verifizierten Zwischenergebnissen, bevor die endgültigen Bildungsergebnisse bewertet wurden.

(1) VR-Szenenimport: Nach dem Import digitaler Assets wurden die Mesh-Integrität und Materialshader erfolgreich kompiliert (in Abbildung 1 dargestellt), wodurch die clientseitige Rendering-Pipeline bei 90 Hz stabilisiert wurde. (2) Verhaltens-Log-Erfassung und Feature-Vektor-Generierung: Echtzeit-Benutzerinteraktionen wurden erfolgreich als hochdimensionale Vektoren protokolliert (Tabelle 1), und das Transformer-Modell lieferte verifizierte kontinuierliche latente Merkmalsvektoren () aus, wobei der Kreuzentropieverlust auf 0,12 konvergierte. (3) Pfadempfehlung: Die generierte Pfadschnittstelle (Abbildung 2) lieferte sequentielle Wissensknoten-Arrays ohne zyklische Abhängigkeiten, validiert durch hochrangordnungsmäßige Metriken (NDCG = 0,82). (4) DQN-Anpassung: Das dynamische Schwierigkeitssystem (Abbildung 3) gab diskrete Anpassungsaktionen aus, die innerhalb von 1.200 Episoden robust konvergierten.

Abbildung 4A,B fasst die vergleichenden Lernergebnisse zwischen der experimentellen Gruppe (unter Verwendung der intelligenten Lehrplattform) und der Kontrollgruppe (traditioneller Unterricht) visuell zusammen. Über alle Leistungsstufen hinweg zeigt die experimentelle Gruppe durchgehend höhere Ergebnisse nach dem Test und höhere Aufgabenabschlussraten. Bemerkenswert ist, dass die Lücke bei der Aufgabenerledigung bei leistungsschwachen Studierenden am deutlichsten ist – 93 % gegenüber 74 % – was die Fähigkeit der Plattform unterstreicht, Lernende zu binden, die in konventionellen Umgebungen typischerweise Schwierigkeiten haben. Die Konvergenz von Punktzahlen und Abschlussquoten in der High-Tier-Gruppe deutet zudem darauf hin, dass die Plattform zwar allen Lernenden zugutekommt, ihr adaptives Gerüst aber die größten marginalen Gewinne für diejenigen mit schwächeren Basiswissen bringt. Durch die Linse der kognitiven Belastungstheorie betrachtet, verhindern die dynamischen Modulationsalgorithmen die überflüssige kognitive Überlastung, die typischerweise durch komplexe immersive Schnittstellen verursacht wird, und stellen sicher, dass Anfänger die gesamte Arbeitsgedächtniskapazität ausschließlich den intrinsischen Lehrmaterialien widmen.

Tabelle 3 liefert inferenzielle statistische Unterstützung für diese Beobachtungen. Statistische Evaluationen nutzen die Analyse der Kovarianz, um Basislinienvariationen zu kontrollieren. Effektgrößen werden mit Cohens d-Metrik quantifiziert, um das Ausmaß der Unterrichtswirksamkeit zu bestimmen. Die Analyse ergab Cohens d-Werte von 1,25, 0,89 und 0,65 für die niedrigen, mittleren und hohen Leistungsstufen, was auf eine enorme praktische Bedeutung hinweist. Die berechneten Kennzahlen bestätigen erhebliche Fortschritte im Unterricht in allen getesteten Bevölkerungsgruppen. Unabhängige Stichproben-T-Tests zeigen, dass alle Unterschiede zwischen den Gruppen hochsignifikant sind (p < 0,001), mit nicht überlappenden 95%-Konfidenzintervallen und großen mittleren Unterschieden: Die Lücken nach dem Test liegen zwischen 7,8 und 11,1 Punkten, während die Vorteile bei der Aufgabenerledigung zwischen 11,8 und 18,9 % liegen. Der Levene-Test bestätigt die Varianzhomogenität (*p* > 0,05) für alle Vergleiche und bestätigt die Robustheit der t-Testergebnisse. Diese Ergebnisse bestätigen zusammen, dass die intelligente Lehrplattform statistisch und bildungswissenschaftlich bedeutsame Verbesserungen sowohl bei akademischen Leistungen als auch bei der Lernbeteiligung bewirkt.

Tabelle 4 zeigt eine vergleichende Ablationsanalyse, die den spezifischen Beitrag der Integration künstlicher Intelligenz darlegt. Die eigenständige VR-Gruppe erzielte durchschnittliche Ergebnisse nach dem Test von 63,5, 75,0 und 87,5 in den niedrigen, mittleren und hohen Leistungsstufen. Die Kontrollgruppe verarbeitete identische textuelle und visuelle Lehrpläne über traditionelle zweidimensionale Unterrichtsmedien und stellte so die Äquivalenz des Grundinhalts sicher. Die ausschließlich VR-Ablationsgruppe nutzte identische immersive Umgebungen, erhielt jedoch eine statische, lineare Abfolge von Wissenspunkten ohne algorithmische Anpassungen. Diese Ergebnisse übertreffen die traditionelle Kontrollgruppe, bleiben aber deutlich niedriger als die vollständig integrierte VR- und KI-Plattform. Tabelle 5 präsentiert eine Ablationsstudie, die den vollständig integrierten DQN-Anpassungsmechanismus mit einer statischen Schwellenwerte und einer randomisierten Anpassungspolitik vergleicht. Die Spalten repräsentieren die Modellarchitektur, die kumulative Belohnung, die Konvergenzepisode und die Verbesserung der Richtlinienrendite. Das integrierte DQN-Modell erzielt eine kumulative Belohnung von 84,5, eine Konvergenzphase von 1200 und eine Verbesserung der Politikrendite um 40 %. Der statische Schwellenwert ergibt eine kumulative Belohnung von 62,3, konvergiert nicht innerhalb des 2000-Episoden-Limits und dient als 0%-Verbesserungsbasislinie. Die randomisierte Politik erzeugt eine kumulative Belohnung von 41,2, konvergiert nicht und zeigt eine negative Rendite von 32 %. Dies untermauert die dynamische Schwierigkeitsanpassung, die durch DQN als Hauptkatalysator für die höchsten erreichten akademischen Leistungen vorangetrieben wird.

Teilnahme- und Interaktivitätsanalyse
Die Teilnahme und Interaktivität der Schüler werden analysiert, um die Unterschiede zwischen der intelligenten Lehrplattform und der traditionellen Lernmethode objektiv zu bewerten und ein tiefgehendes Verständnis der Vor- und Nachteile der intelligenten Lehrplattform bei der Verbesserung der Schülerbeteiligung und Interaktivität zu gewinnen. Die Analyseindikatoren umfassen Lernzeit, Interaktionshäufigkeit, Wissensbeherrschung, Lernfortschritt und Teilnahmegefühl für die experimentelle und Kontrollgruppe unter derselben Lernaufgabe. Die Lernzeit der experimentellen Gruppe ist die Zeit, die die Schüler in der virtuellen Szene verbringen, die automatisch von der Plattform aufgezeichnet wird, und die Interaktionsfrequenz ist die Anzahl der Interaktionen mit der Gruppe. Wissensbeherrschung wird anhand von Testergebnissen gemessen, der Lernfortschritt ist der Prozentsatz der abgeschlossenen Lernaufgabe, und das Gefühl der Beteiligung wird durch Selbsteinschätzung und Rückmeldung der Schüler gemessen. Die Lernzeit der Kontrollgruppe ist die Zeit im Unterricht, und die Interaktionshäufigkeit ist die Anzahl der Interaktionen während des Unterrichts. Wissensbeherrschung wird durch Klassenprüfungen erreicht; Der Lernfortschritt spiegelt sich im Kursverlauf wider; und ein Gefühl der Beteiligung wird durch die Selbsteinschätzung und Rückmeldung der Studierenden gefördert.

Alle Teilnahmekennzahlen wurden mit unabhängigen t-Stichproben verglichen. Levenes Test bestätigte die Varianzhomogenität für alle Maße (S. > 0,05).

Laut Tabelle 6 zeigte die experimentelle Gruppe Vorteile über alle Bewertungsindikatoren hinweg. Die Versuchsgruppe zeigte eine signifikant längere Lernzeit (128 Minuten ± 14 Minuten gegenüber 89 Minuten ± 18 Min, t(118) = 11,23, p < 0,001), eine höhere Interaktionshäufigkeit (67 ± 9 vs. 24 ± 7, t(118) = 18,76, p < 0,001), größere Wissensbeherrschung (88 ± 6 vs. 72 ± 9, t(118) = 9,84, p < 0,001), höhere Lernfortschritte (96 % ± 3 % vs. 78 % ± 7 %). t(118) = 10,55, p < 0,001), und ein stärkeres Beteiligungsgefühl (4,8 ± 0,3 vs. 3,5 ± 0,6, t(118) = 14,32, p < 0,001). Alle berichteten Unterschiede waren statistisch signifikant (S. < 0,001) und bestätigten, dass die beobachteten Verbesserungen bei Teilnahme und Interaktivität nicht auf zufällige Variationen zurückzuführen sind. Die oben genannten Daten zeigen, dass die in diesem Artikel entwickelte intelligente Lehrplattform die Teilnahme und Interaktivität der Schüler durch immersive, interaktive virtuelle Lernszenarien verbessern und so ihre Lernleistung verbessern kann. Alle in Tabelle 6 berichteten Unterschiede waren statistisch signifikant (S. < 0,001) und bestätigten, dass die beobachteten Verbesserungen in Teilnahme und Interaktivität nicht auf zufällige Variationen zurückzuführen sind.

Auswirkungen des personalisierten Lernwegs
Der Lernfortschritt bei Schülern mit niedrigen, mittleren und hohen Punktzahlen in beiden Gruppen wurde in fünf Phasen (Vorschau, formales Lernen, Anwendung, Bewertung und Zusammenfassung) verglichen, um die Vorteile personalisierter Lernpfade bei der Verbesserung der Lerneffekte hervorzuheben. Dieser Vergleich zeigt klar Unterschiede im Lernfortschritt zwischen Leistungsgruppen in verschiedenen Phasen entlang des personalisierten Lernpfades der in diesem Artikel beschriebenen intelligenten Lehrplattform und überprüft, wie der personalisierte Lernweg den Lehrinhalt an die unterschiedlichen Bedürfnisse und Fähigkeiten der Schüler anpasst. Im Vergleich zu traditionellen Lehrmethoden kann sie die personalisierten Lernbedürfnisse der Schüler effektiver erfüllen und so die akademische Leistung verbessern.

In Abbildung 5 ist der Lernfortschritt personalisierter Lernpfade (experimentelle Gruppe) über verschiedene Schülerklassen hinweg deutlich besser als der traditioneller Lehrmethoden (Kontrollgruppe). In der Gruppe mit niedriger Punktzahl stieg der Lernfortschritt der experimentellen Gruppe von 12 % auf 89 %, während die Kontrollgruppe von 14 % auf 61 % stieg. Dies zeigt, dass personalisierte Lernwege das Lerninteresse von Schülern mit niedrigen Punktzahlen effektiv anregen und den Lerninhalt sowie die Schwierigkeit dynamisch anpassen können, um deren Lernbedürfnisse besser zu erfüllen, wodurch die Lernmotivation und -fortschritte gesteigert werden. Für die Gruppe mit mittlerer Punktzahl stieg die experimentelle Gruppe von 21 % auf 94 %, während die Kontrollgruppe von 24 % auf 86 % zunahm. Personalisierte Lernpfade können Schülern mit durchschnittlichen Ergebnissen helfen, Lernhindernisse besser zu überwinden und ihren Lernfortschritt zu beschleunigen, indem sie passende Herausforderungen bieten. In der Gruppe mit hohen Punktzahlen stieg der Lernfortschritt der experimentellen Gruppe von 33 % auf 100 %, während der Kontrollgruppe von 33 % auf 95 % stieg. Obwohl der Unterschied zwischen den beiden Gruppen gering ist, zeigen personalisierte Lernwege dennoch Vorteile und können tiefere Lerninhalte bieten, um die Weiterentwicklung von Schülern mit hohen Punktzahlen zu unterstützen. Basierend auf der obigen Analyse kann die intelligente Lehrplattform personalisierte Lernwege dynamisch anpassen, um individuelle Unterschiede der Schüler zu berücksichtigen, Lernergebnisse auf verschiedenen Punktstufen zu verbessern, die Lernmotivation anzuregen und die Lerneffizienz zu steigern.

Wirksamkeit der dynamischen Anpassung
Es ist sehr wichtig, die Wirksamkeit der dynamischen Anpassungen der intelligenten Lehrplattform zu analysieren und zu bewerten, ob die Anpassungen der Plattform basierend auf dem Echtzeit-Feedback und der Leistung der Schüler die Lernergebnisse der Schüler tatsächlich verbessert haben. Durch die Analyse von Änderungen der korrekten Rate für fünf Lernprobleme bei Schülern mit niedrigen, mittleren und hohen Punktzahlen in einer Lernaufgabe werden die Vor- und Nachteile der Anpassungsstrategie der intelligenten Lehrplattform identifiziert und so die Grundlage für ihren Anpassungsmechanismus geschaffen.

Laut Abbildung 6A,B hat der dynamische Anpassungsmechanismus in der intelligenten Lehrplattform bei Schülern verschiedener Klassenstufen eine signifikante Wirksamkeit gezeigt. Bei Schülern mit niedriger Punktzahl stieg die Genauigkeitsrate bei schwierigen Fragen wie Frage 5 nach der Anpassung um 15 %. Dies zeigt, dass die Plattform durch die Anpassung des Schwierigkeitsgrads schwieriger Fragen effektiv Schülern helfen kann, bei schwierigeren Inhalten erfolgreich zu sein. Im Gegensatz dazu war die Verbesserung der Schüler mit mittlerer Punktzahl relativ bescheiden. Zum Beispiel stieg in Problem 1 die Genauigkeitsrate von 72 % auf 75 %, was darauf hindeutet, dass die Plattformanpassung zwar ihre Leistung verbesserte, die Verbesserung jedoch geringer war als bei den Schülern mit niedriger Punktzahl. Bei den Schülern mit hohen Punktzahlen kann ihre Genauigkeit nach der Anpassung noch verbessert werden. Diese Daten zeigen, dass der dynamische Anpassungsmechanismus in der intelligenten Lehrplattform am hilfreichsten für Schüler mit niedrigen Punktzahlen ist, aber für Schüler mit mittleren und hohen Ergebnissen, obwohl die Verbesserung geringer ist, dennoch das Lernerlebnis optimiert. Durch diese Verbesserung der Genauigkeit können die Schüler ein Erfolgserlebnis bei der Lösung schwieriger Probleme entwickeln und Selbstvertrauen bei deren Bewältigung gewinnen.

Plattform-Antwortzeitanalyse
Die Reaktionszeit der in diesem Artikel vorgestellten intelligenten Lehrplattform wird analysiert, um deren Leistung und Nutzererfahrung zu bewerten. Eine kürzere Antwortzeit kann eine reibungslosere Interaktion zwischen Studierenden und Plattform gewährleisten, sodass die Plattform den Lerninhalt und die Schwierigkeit in Echtzeit anpassen und die Lerneffizienz sowie das Gefühl der Teilhabe der Schüler verbessern kann. Durch die Optimierung der Reaktionszeit verbessert sich die Echtzeit-Feedback-Funktion der Plattform, das Erlebnis der Schüler wird verbessert und letztlich verbessert sich die Lernleistung der Schüler. Die 200 aufeinanderfolgenden Antwortzeiten, wenn die Plattform reibungslos läuft, werden gesammelt und in ein Frequenzverteilungshistogramm zur Analyse eingezeichnet.

In Abbildung 7 beträgt die maximale Antwortzeit der intelligenten Lehrplattform 0,772 Sekunden, die Mindestantwortzeit 0,238 Sekunden und die durchschnittliche Antwortzeit 0,496 Sekunden. Diese aufgezeichneten Metriken stellen die serverseitige algorithmische Inferenzlatenz für Pfadgenerierung und Schwierigkeitsanpassung dar und funktionieren völlig unabhängig von der lokalen clientseitigen Rendering-Pipeline. Die clientseitige Motion-to-Photon-Latenz wird lokal auf der Headset-Hardware streng unter 20 ms gehalten, um visuelle Stabilität zu gewährleisten und Cyberkrankheiten zu verhindern. Dies zeigt, dass die Plattform schnell auf die Abläufe der Schüler reagieren kann, wenn sie reibungslos läuft, was ein reibungsloses, reaktionsschnelles interaktives Erlebnis gewährleistet. Die Verteilung der Antwortzeit entspricht ungefähr der Normalverteilung, was darauf hindeutet, dass die Plattform eine gute Reaktionsstabilität aufweist. Insbesondere liegt die durchschnittliche Antwortzeit unter 0,5 Sekunden, was darauf hinweist, dass die Plattform eine gute Antwortfunktion hat. Dies hilft, den Lernprozess der Schüler zu optimieren, und die Plattform kann schnelles Feedback geben, wenn sie arbeiten, die Wartezeit verkürzen und das Erlebnis verbessern. Zusammenfassend verbessert der in diesem Artikel gestaltete intelligente Lehre das Gefühl der Teilhabe und die Lernmotivation der Schüler aus der Perspektive der Reaktionszeit. Die repräsentativen Ergebnisse aus Abbildung 4A, B bis Abbildung 7 validieren gemeinsam die algorithmische Intervention über mehrere pädagogische Dimensionen hinweg. Abbildung 4A, B und Abbildung 5 veranschaulichen die makroskopischen Lernverbesserungen, die durch die personalisierte Sequenzgenerierung angetrieben werden. Abbildung 6A,B zeigt die Verschiebungen der Aufgabengenauigkeit auf Mikroebene, die durch die Echtzeit-Schwierigkeitsmodulation entstehen. Abbildung 7 bestätigt die Hardware-Machbarkeit der Plattform.

Fehlerfall- und Fehlerbehebungsanalyse
Suboptimale experimentelle Instanzen traten auf, wenn Baseline-Tracking-Variablen aufgrund physischer Sensorokklusion nicht korrekt initialisiert wurden, was zu unregelmäßiger Pfadgenerierung und einem vorübergehenden Rückgang der Aufgabenabschlussraten auf 45 % bei betroffenen Nutzern führte. Diese anomalen Ergebnisse unterstreichen die strikte Abhängigkeit der algorithmischen Architektur von ununterbrochenen räumlichen Datenströmen. Um diesen Fehlermodus zu beheben, wurde ein vordefiniertes Fehlerbehebungsprotokoll eingerichtet: Ein automatisierter Tracking-Ursprungs-Reset und eine Echtzeit-Sensor-Rekalibrierungsroutine stellten die Tracking-Ausrichtung innerhalb von 1,5 Sekunden sofort wieder her. Zusätzlich löste unerwartete Verschlechterung der Richtlinien in der Reinforcement-Learning-Schicht automatisch einen Rückgang zu den vorherigen stabilen neuronalen Gewichten aus, um die Benutzererfahrung zu schützen.

Ergebnisse der unabhängigen Replikation
Nach den formalisierten Schritt-für-Schritt-Verfahren, die im aktualisierten Protokollabschnitt beschrieben sind, wurden unabhängige Verifikationstests von einem separaten technischen Team durchgeführt, um die Reproduzierbarkeit zu testen. Mit einer identischen Rechenumgebung und einer unabhängigen sekundären Arbeitsstation konnte das Replikationsteam erfolgreich die Pfadgenerierungslatenz, algorithmische Ausgaben und die Schwierigkeitsanpassungsgenauigkeit innerhalb einer strikten Fehlermarge von 2 % reproduzieren. Diese unabhängige Replikation bestätigt die hohe prozedurale Zuverlässigkeit des vorgeschlagenen Lehrrahmens.

DATENVERFÜGBARKEIT:
Die Kerndaten zum Lernverhalten der Studierenden, die zur Ausbildung und Validierung der prädiktiven Algorithmen in dieser Studie verwendet werden, stammen aus dem öffentlich zugänglichen Open University Learning Analytics Dataset, der unter https://www.kaggle.com/datasets/anlgrbz/student-demographics-online-education-dataoulad verfügbar ist und mit der digitalen Objektkennung 10.1038/sdata.2017.171 verknüpft ist.

Abbildung 1: Virtuelle Lernszenen-Schnittstelle. Demonstration der immersiven Kulturerbeumgebung, die mit der hochauflösenden räumlichen Rendering-Engine erzeugt wird. Die Benutzeroberfläche umfasst modulare Bedienfelder auf der linken Achse für Navigation, visuelle Vergrößerung und Interaktion. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 2: Architektur des personalisierten Pfadgenerierungsprozesses. Das Flussdiagramm illustriert die Extraktion von Verhaltensdaten mit dem Transformer-Modell und die anschließende Erzeugung von Sequenzen mit dem Neural Collaborative Filtering (NCF)-Modell. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 3: Benutzeroberfläche einer intelligenten Lehrplattform. Das Dashboard zeigt den personalisierten Lernweg des Schülers an und zeigt abgeschlossene Module in Grün und ausstehende Module in Rot an, um den Lernfortschritt zu steuern. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 4: Vergleich der Lernergebnisse über Leistungsstufen hinweg. (A) Mittlere Ergebnisse nach dem Test und (B) Aufgabenabschlussraten für Schüler in der experimentellen (intelligenten Plattform) und Kontrollgruppe (traditionell). Die Daten werden als Mittelwert ± SD (n = 20 pro Untergruppe) dargestellt. Fehlerbalken zeigen eine Standardabweichung an. Die statistische Signifikanz wurde mittels unabhängiger Stichproben t-Tests bewertet. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 5: Vergleich des Lernfortschritts über fünf Unterrichtsstufen hinweg. Das Diagramm verfolgt den Abschlussprozentsatz über Vorschau-, formales Lernen, Anwendungs-, Evaluations- und Zusammenfassungsphasen für niedrige, mittlere und hoch bewertete Gruppen unter experimentellen und kontrollbedingten Bedingungen. Datenpunkte stellen den Gruppenmittelwert dar. Fehlerbalken zeigen eine Standardabweichung an. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 6: Genauigkeitsverbesserung durch dynamische Schwierigkeitsanpassung. Vergleich der Genauigkeitsraten für spezifische Fragen (A) vor der Anpassung und (B) nach Echtzeit-DQN-gesteuerten Schwierigkeitsmodulationen über verschiedene Leistungsstufen hinweg. Fehlerbalken stellen Standardabweichungen dar. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 7: Verteilung der Systemantwortzeit. Histogramm zeigt 200 aufeinanderfolgende serverseitige algorithmische Inferenzlatenzen während des kontinuierlichen Plattformbetriebs, zeigt eine durchschnittliche Latenz von 0,496 s und bestätigt schnelle Rückkopplungsfähigkeiten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Studentenausweis	Szenen-ID	Lernaufgaben	Anzahl der Klicks	Verweilzeit (Verweilzeiten)	Lernfortschritt (%)	Missionsabschluss
S001	VR01	Besuche von Kulturerbestätten	15	301	80	Fertig
S002	VR02	Interaktion mit Kunstwerken	10	249	60	Unvollendet
S003	VR03	Traditionelle Handwerkskunst	20	456	90	Fertig
S004	VR01	Besuche von Kulturerbestätten	8	182	50	Unvollendet
S005	VR02	Interaktion mit Kunstwerken	12	287	75	Fertig
S006	VR03	Besuche von Kulturerbestätten	18	354	85	Fertig

Tabelle 1: Beispieldaten zum Lernverhalten der Schüler. Repräsentative interaktive Protokolle, die innerhalb der virtuellen Szenarien gesammelt werden, einschließlich Kennzahlen wie Verweilzeit, Interaktionshäufigkeit und Status der Aufgabenabwicklung.

Evaluationsmetrik	Bewertungskriterien	Performance-Score
Normalisierter diskutierter kumulativer Gewinn	Top-K-Selektionspräzision	0.82
Trefferquote	Relevante Gegenstandsrückholung	0.88
Mittlerer reziproker Rang	Genauigkeit der Rangordnung	0.76

Tabelle 2: Empfehlungsgenauigkeitsmetriken für die personalisierte Pfadgenerierung. Bewertung der Präzision des NCF-Modells, wobei Normalized Discounted Cumulative Gain (NDCG), Hit Ratio (HR) und Mean Reciprocal Rank (MRR) bei der Auswahl der Top-K (K = 10) gemeldet werden.

Ergebnis	Leistungsstufe	Experimentelle Gruppe (Mittelwert ± SD)	Kontrollgruppe (Mittelwert ± SD)	Mittlere Differenz	t (DF)	p-Wert	95%-KI
Ergebnis nach dem Test	Niedrig	69.2 ± 4.1	58.1 ± 5.3	11.1	7.34 (38)	<0,001	[8.2, 14.0]
	Medium	78,7 ± 3,8	70,9 ± 4,6	7.8	5.92 (38)	<0,001	[5.1, 10.5]
	Hoch	92,5 ± 2,9	81.6 ± 3.7	10.9	8.01 (38)	<0,001	[8.2, 13.6]
Aufgabenabschlussrate (%)	Niedrig	93.2 ± 3.1	74.3 ± 6.2	18.9	11.05 (38)	<0,001	[15.3, 22.5]
	Medium	96.1 ± 2.4	78,5 ± 5,9	17.6	9.87 (38)	<0,001	[14.0, 21.2]
	Hoch	98.0 ± 1.8	86,2 ± 4,7	11.8	7.63 (38)	<0,001	[8.7, 14.9]
Hinweis. Alle Vergleiche verwendeten zweiseitige unabhängige Stichproben-T-Tests. 95 % KI = Konfidenzintervall der mittleren Differenz. Der Levene-Test bestätigte die Homogenität der Varianz (alle p > 0,05).

Tabelle 3: Ergebnisse nach der Intervention nach Leistungsstufen. Mittelwerte Unterschiede und inferenzielle Statistiken (Cohens d- und t-Werte), die die experimentellen und Kontrollgruppen über niedrige, mittlere und hohe Stufen (n = 20 pro Untergruppe) vergleichen. Die Daten werden als Mittelwert ± SD dargestellt.

Ergebnis	Leistungsstufe	Nur VR-Gruppen-Mittelwert	Mittlere Differenz zur Kontrolle
Ergebnis nach dem Test	Niedrig	63.5	5.4
Ergebnis nach dem Test	Medium	75	4.1
Ergebnis nach dem Test	Hoch	87.5	5.9
Aufgabenabschlussrate (%)	Niedrig	83.6	9.3
Aufgabenabschlussrate (%)	Medium	87.3	8.8
Aufgabenabschlussrate (%)	Hoch	92.1	5.9

Tabelle 4: Ergebnisse nach der Intervention für eine reine VR-Ablationsstudie. Vergleichende Lernergebnisse isolieren den spezifischen Beitrag der Integration künstlicher Intelligenz gegenüber einer statischen VR-Basislinie. Die Daten werden als Mittelwert ± SD dargestellt.

Modellname	Architekturkonfiguration	Bewertungsmetriken
Integrierte DQN	Mehrschichtiger Perzeptron	Belohnung = 84,5, Konvergenz = 1200, Verbesserung = 40 %
Statische Schwelle	Festregellogik	Belohnung = 62,3,Konvergenz = Gescheitert, Verbesserung = 0 %
Randomisierte Politik	Stochastische Aktionsauswahl	Belohnung = 41,2,Konvergenz = Gescheitert, Verbesserung = −32 %

Tabelle 5: Ergebnisse der Ablationsstudie zu DQN. Vergleich des vollständig integrierten DQN-dynamischen Anpassungsmechanismus mit einem statischen Schwellenwert-Baseline und einer randomisierten Anpassungspolitik, bei der kumulative Belohnungs- und Konvergenzepisoden bewertet werden.

Metriken	Experimentelle Gruppe	Kontrollgruppe
Lernzeit (Minuten)	128 ± 14	89 ± 18
Wechselwirkungsfrequenz (Zeiten)	67 ± 9	24 ± 7
Wissensbeherrschungsniveau (Punktzahl)	88 ± 6	72 ± 9
Lernfortschritt (%)	96 ± 3	78 ± 7
Gefühl der Beteiligung (Bewertung: 1–5)	4.8 ± 0.3	3,5 ± 0,6
Hinweis: Alle Vergleiche zwischen den Gruppen waren statistisch signifikant: Untersuchungszeit, t(118) = 11,23, p < 0,001; Wechselwirkungsfrequenz, t(118) = 18,76, p < 0,001; Wissensbeherrschung, t(118) = 9,84, S. < 0,001; Lernfortschritt, t(118) = 10,55, p < 0,001; Beteiligungsbewertung, t(118) = 14,32, s. < 0,001.

Tabelle 6: Teilnahme- und Interaktivitätskennzahlen. Bewertung der Lernbeteiligungsindikatoren (Lernzeit, Interaktionshäufigkeit und Beteiligungswert) zwischen der experimentellen und der Kontrollgruppe. Die Daten werden als Mittelwert ± SD dargestellt. Alle Unterschiede sind statistisch signifikant (s. < 0,001).

Diskussion

Diese Studie trägt zur Bildungstechnologie bei, indem sie zentrale pädagogische Theorien – nämlich Konstruktivismus und die Zone der proximalen Entwicklung – in ein rechnergestützt implementiertes, intelligentes Lehrsystem übersetzt. Die Integration von VR-Immersion mit verhaltensgetriebener Personalisierung stellt sicher, dass technologische Innovation nachweisbaren Lernzielen dient und nicht als Selbstzweck fungiert. Wie in der Methodik hervorgehoben, ist die Generierung personalisierter Lernpfade zentral für die Effizienz des Bildungsprozesses, da die Empfehlung von Inhalten basierend auf extrahierten Verhaltensmerkmalen direkt individuelle kognitive Bedürfnisse adressiert^25,26. Darüber hinaus optimiert die Nutzung von Echtzeit-emotionalem und leistungsbezogenem Feedback zur Steuerung der Aufgabenschwierigkeit nicht nur die unmittelbaren Lerneffekte, sondern erhöht auch das Engagement der Schüler erheblich, indem kognitive Überlastung verhindert wird.

Der ursprüngliche Beitrag dieser Forschung ist die Verschmelzung von hochauflösender virtueller räumlicher Verfolgung mit kontinuierlicher algorithmischer Neuanpassung, um die Inkompatibilität zwischen immersivem Engagement und adaptivem Lernen zu lösen. Die drei KI-Modelle funktionieren sequentiell ohne gemeinsame Optimierung, verhindern katastrophales Vergessen und ermöglichen eine isolierte Hyperparameterabstimmung für unterschiedliche Betriebsphasen. Im Gegensatz zu traditionellen statischen Empfehlungssystemen, die ausschließlich auf historischen Daten¹⁰ oder Modellen basieren, die auf isolierte Gesichtsinteraktionserkennung¹¹ beschränkt sind, bildet die vorgeschlagene Plattform kontinuierliches räumliches Verhalten dynamisch kognitiven Zuständen zu. Die beobachteten erhöhten Aufgabenabschlussraten stimmen mit den Ergebnissen zeitgenössischer räumlicher Rechenleistungen ^6,7,8 überein und bestätigen, dass multimodellartige algorithmische Architekturen menschliches Gerüst in immersiven Umgebungen effektiv ersetzen können.

Es ist entscheidend, zwischen den unmittelbaren und nachhaltigen pädagogischen Auswirkungen der Plattform zu unterscheiden. Die Ergebnisse des ersten vierwöchigen Pilotprojekts zeigten schnelle Verbesserungen bei der kurzfristigen Lernleistung, der Interaktionshäufigkeit und den Aufgabenerledigungsraten unter der Bachelor-Kohorte. Umgekehrt wurde die 16-wöchige Longitudinal-Nachbeobachtung durchgeführt, um die anhaltende Beteiligung zu bewerten und den typischerweise mit neuen immersiven Technologien verbundenen Neuheitseffekt zu mildern. Die in Woche 20 durchgeführten verzögerten Nachtests bestätigten, dass die algorithmisch geführte Kohorte eine signifikant höhere langfristige Wissensspeicherung im Vergleich zu traditionellen Instruktionsgruppen aufrechterhielt. Zusammen liefern diese deutlich getrennten zeitlichen Phasen robuste Belege für die unmittelbare und dauerhafte pädagogische Wirksamkeit der intelligenten Plattform.

Trotz dieser vielversprechenden Ergebnisse müssen einige Einschränkungen anerkannt werden. Erstens beschränken die intensiven Anforderungen an grafische Verarbeitung die Bereitstellung auf Institutionen mit dedizierter Computerhardware, was die Skalierbarkeit in unterfinanzierten Bildungsbezirken stark einschränkt. Zweitens schränkt die lokalisierte Teilnehmerstichprobe aus einer einzigen institutionellen Demografie die unmittelbare Verallgemeinerbarkeit der empirischen Ergebnisse über verschiedene geografische Populationen hinweg ein. Schließlich ist die aktuelle Bibliothek an virtuellen Lernszenarien möglicherweise nicht reich genug, um die vielfältigen kulturellen Interessen aller Schüler abzudecken. Zukünftige Forschung konzentriert sich darauf, die Vielfalt virtueller Szenarien zu erweitern, um sie an breitere kulturelle Hintergründe anzupassen, algorithmische Effizienz für Hardware niedrigerer Stufe zu optimieren und den Ansatz über längere Zeiträume und verschiedene Bildungsdisziplinen hinweg zu validieren.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
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.