Métodos de enseñanza inteligente que integran la realidad virtual y algoritmos de big data para mejorar las plataformas tradicionales de educación cultural

Resumen

Este estudio detalla un flujo de trabajo reproducible para extraer características conductuales y desplegar rutas educativas ajustadas dinámicamente dentro de entornos virtuales. Los procedimientos descritos permiten a los educadores desarrollar planes de estudio adaptativos de realidad virtual e implementar un seguimiento conductual en tiempo real.

Resumen

Los entornos de enseñanza convencionales actuales cuentan con elementos interactivos limitados, lo que resulta en métricas de participación limitadas entre las poblaciones de estudiantes de grado que estudian patrimonio cultural. Para abordar estos problemas, se desarrolló una plataforma de enseñanza inteligente, que integra un motor de renderizado espacial de alta fidelidad en entornos de realidad virtual con una arquitectura algorítmica multimodelo. Dentro de esta plataforma, los modelos Transformer y Neural Collaborative Filtering (NCF) procesan datos de comportamiento para generar rutas de aprendizaje personalizadas, mientras que una Deep Q-Network (DQN) ajusta dinámicamente la dificultad del contenido basándose en retroalimentación en tiempo real. Este andamiaje adaptativo refleja principios constructivistas del aprendizaje, en los que el conocimiento se construye activamente mediante la interacción con entornos contextualizados y responsivos, en lugar de recibirse pasivamente mediante instrucción estática. La novedad de esta investigación radica en integrar un motor de renderizado espacial con una arquitectura algorítmica multimodelo para establecer un mecanismo de adaptación conductual en tiempo real. Los resultados experimentales muestran que el grupo experimental que utiliza la plataforma de enseñanza inteligente propuesta obtiene puntuaciones de aprendizaje más altas (los grupos bajos/medios/altos son 69/79/93 puntos, respectivamente) y una tasa de finalización de tareas de aprendizaje más alta (93%/96%/98%) que el grupo control que utiliza el modelo de enseñanza tradicional. El diseño de la plataforma de enseñanza inteligente ofrece una fuerte interactividad, proporciona vías de aprendizaje personalizadas para estudiantes con diversas diferencias individuales y se ajusta dinámicamente durante el proceso de aprendizaje. El análisis de tiempos de respuesta indica una latencia media de 0,496 s, asegurando una retroalimentación rápida sobre las interacciones. En última instancia, la plataforma propuesta demuestra que combinar la VR inmersiva con algoritmos adaptativos al comportamiento mejora eficazmente tanto el rendimiento académico como la implicación en las tareas de los estudiantes de grado en la educación cultural tradicional.

Introducción

La educación cultural tradicional desempeña un papel vital en la herencia y el desarrollo de la cultura. Sin embargo, el modelo tradicional actual de educación cultural se basa principalmente en formas estáticas como libros de texto, imágenes y vídeos, careciendo de interactividad e inmersión, lo que dificulta que los estudiantes comprendan y experimenten realmente el encanto de la cultura. Además, los métodos tradicionales de enseñanza suelen adoptar un currículo unificado, que no tiene en cuenta plenamente los intereses, capacidades cognitivas y estilos de aprendizaje de los estudiantes, lo que resulta en una baja eficiencia de aprendizaje y dificultad para estimular el entusiasmo de los estudiantes por el aprendizaje. Esta limitación se alinea con la teoría de la Zona de Desarrollo Proximal (ZDP) de Vygotsky, que enfatiza que la instrucción eficaz debe adaptarse a los niveles cognitivos actuales de los alumnos y estructurarse según sus trayectorias de desarrollo individuales. La literatura existente se basa en datos estáticos para el modelado pedagógico. La integración del seguimiento conductual espacial continuo con el aprendizaje profundo por refuerzo sigue sin explorarse. El mecanismo propuesto fusiona interacciones multisensoriales con reajustes algorítmicos para tender puentes entre los caminos instruccionales fijos y la adaptación contextual dinámica. La plataforma propuesta operacionaliza este principio ajustando dinámicamente la dificultad del contenido y la secuenciación basándose en indicadores de comportamiento en tiempo real, integrando así la teoría pedagógica en el diseño algorítmico. Los mecanismos de adaptación algorítmica sustituyen efectivamente al andamiaje humano que suelen proporcionar los compañeros más capaces. Esta modulación continua de la dificultad de la tarea se alinea con la Teoría de la Carga Cognitiva (CLT) al prevenir la sobrecarga cognitiva en los principiantes y mantener el compromiso dentro de la zona óptima de desarrollo.

Con el desarrollo de la realidad virtual (VR) y los algoritmos de datos, aplicarlos a la educación cultural tradicional ofrece a los estudiantes una experiencia de aprendizaje más inmersiva e ^interactiva 1,2,3,4. Las revisiones sistemáticas exhaustivas de aplicaciones inmersivas de realidad virtual en la educación superior subrayan aún más la importancia de alinear los elementos de diseño con objetivos pedagógicos^{específicos 5}.

Muchos estudios han intentado aplicar la tecnología de realidad virtual a la educación cultural. Hulusic et ^al.6 diseñaron y desarrollaron un museo virtual escolar, incluyendo una interfaz de usuario tangible. A través de investigaciones participativas de usuarios, se descubrió que el museo está bien diseñado y desarrollado, y tiene el potencial de utilizarse como herramienta educativa y de aprendizaje en museos, escuelas o de forma independiente. En respuesta al problema de la interactividad insuficiente en entornos de aprendizaje a distancia, Mubarok et ^al.7 desarrollaron un método colaborativo de mapeo de argumentos basado en la realidad virtual para abordarlo. Los experimentos han demostrado que este método mejora mejor la expresión oral en inglés de los estudiantes que los métodos colaborativos de mapeo de argumentos que no se basan en la VR. Sun et ^al.8 propusieron una estrategia de diseño para un sistema de realidad virtual inmersiva que combine interacción multimodal, gamificación y narración para mostrar y desarrollar el patrimonio cultural digital. Desarrollaron un sistema de realidad virtual inmersiva que restauró los murales de Dunhuang, ofreciendo a los usuarios una experiencia de aprendizaje, interactiva y entretenida. Sin embargo, estos estudios aún enfrentan algunos problemas, como la débil interactividad en las escenas de VR, lentas tasas de actualización para el contenido de aprendizaje y la pobre adaptabilidad de los algoritmos de recomendación personalizados, que hacen imposible satisfacer con precisión las necesidades de aprendizaje de diferentes estudiantes. Además, algunos estudios no han logrado integrar eficazmente el aprendizaje profundo y el aprendizaje por refuerzo, limitando las capacidades de ajuste en tiempo real de las recomendaciones personalizadas.

Los avances recientes en inteligencia artificial han impulsado las tecnologías educativas. La investigación introduce sistemas adaptativos que aprovechan el aprendizaje profundo para el reconocimiento de patrones en el comportamiento del usuario. Las metodologías que emplean algoritmos de seguimiento cognitivo mapean estados dinámicos de adquisición de conocimiento. La optimización estructural en redes neuronales eleva la precisión de la recomendación dentro de los frameworks de aprendizaje inteligente. Los agentes inteligentes que integran variables ambientales complejas mejoran las respuestas instructivas automatizadas. Estas metodologías se basan en flujos de datos aislados y análisis histórico estático. La plataforma propuesta aborda esta limitación fusionando datos de interacción espacial con un reajuste algorítmico continuo para asegurar una adaptación contextual en tiempo real.

Investigaciones empíricas recientes confirman que los algoritmos de aprendizaje profundo mejoran significativamente la precisión predictiva en la modelización del rendimiento estudiantil. Ouatik et ^al.9 implementaron un sistema para predecir el éxito y fracaso académico de los estudiantes. Utilizaron información personal de los estudiantes, evaluaciones académicas y otros datos, y emplearon métodos de inteligencia artificial y minería de datos educativos para predecir el éxito académico de los estudiantes. Para abordar el problema del procesamiento de datos, se utilizó la tecnología de big data (BD) para distribuir el procesamiento, reduciendo el tiempo de cálculo sin sacrificar la eficiencia algorítmica. Bhaskaran¹⁰ ha desarrollado un recomendador de espacio vectorial mejorado para abordar problemas en los sistemas actuales de recomendación de aprendizaje. Hace automáticamente un seguimiento de los intereses, necesidades y niveles de conocimiento de los alumnos. Clasifica y extrae los estilos de aprendizaje de los estudiantes del servidor, y luego utiliza un algoritmo de filtrado colaborativo mejorado para calcular similitudes y así producir una lista de recomendaciones mejorada. Gupta¹¹ propuso un método basado en aprendizaje profundo que utiliza expresiones faciales para detectar la interacción en tiempo real de los estudiantes en línea, clasifica sus emociones a lo largo del proceso analizando las etiquetas faciales de los estudiantes y ajusta el estado de aprendizaje de los estudiantes en función de los resultados de la detección. Sin embargo, estos métodos siguen teniendo ciertas limitaciones.

Aunque las soluciones educativas existentes ofrecen una experiencia inmersiva, carecen de capacidades de ajuste dinámico. Los caminos de aprendizaje de los estudiantes suelen ser fijos, y el contenido y la dificultad no pueden optimizarse en tiempo real basándose en el progreso personal y la retroalimentación, lo que resulta en una falta de participación. Al mismo tiempo, los algoritmos tradicionales de recomendación personalizada se basan principalmente en datos históricos o en etiquetas de interés simples y no integran datos multidimensionales, como el comportamiento de aprendizaje, el estado cognitivo y la retroalimentación emocional de los estudiantes, para un análisis preciso. La falta de comprensión profunda de los procesos de aprendizaje de los estudiantes impide que el sistema de recomendaciones aborde eficazmente las diferencias individuales, lo que resulta en una experiencia de aprendizaje subóptima y resultados subóptimos.

Por ello, para abordar los problemas de inmersión insuficiente y falta de personalización en la educación cultural tradicional, se propone una plataforma educativa inteligente. Esta metodología es directamente aplicable a los cursos de humanidades de grado que requieren visualización espacial y métricas individualizadas de ritmo. Se utilizan motores avanzados de renderizado espacial y tecnologías relacionadas de computación espacial para desarrollar escenas de aprendizaje virtual. Los entornos virtuales de aprendizaje otorgan a los alumnos autonomía para seleccionar módulos culturales específicos. El modelo Transformer basado en la atención neuronal procesa registros de interacción con marca temporal para generar una representación compacta de patrones de comportamiento. Basándose en la extracción de las características del comportamiento de aprendizaje de los estudiantes, el modelo de Filtrado Colaborativo Neural (NCF) se utiliza para explorar más a fondo los intereses de aprendizaje de los estudiantes y generar rutas de aprendizaje personalizadas. El modelo Deep Q-Network (DQN) recoge la retroalimentación en tiempo real de los estudiantes y ajusta dinámicamente la trayectoria de aprendizaje para optimizar la experiencia y el efecto de aprendizaje de los estudiantes.

En cuanto al despliegue práctico, la plataforma propuesta ofrece ventajas específicas, aunque no es aplicable universalmente. Es muy adecuado para instituciones educativas equipadas con hardware computacional dedicado que comprende unidades de procesamiento gráfico discretas y equipos de visualización espacial inmersiva, así como para planes de estudio que se benefician significativamente de la visualización espacial en arquitectura y arqueología del patrimonio cultural. En estos contextos, el seguimiento dinámico del comportamiento aborda eficazmente las diferencias individuales en el ritmo. Por el contrario, este método actualmente no es adecuado para entornos educativos con pocos recursos que carecen de la infraestructura tecnológica necesaria. Además, no se recomienda para cursos altamente abstractos y centrados en el texto, donde la inmersión tridimensional ofrece un valor pedagógico insignificante en comparación con los métodos de enseñanza tradicionales.

Protocolo

El comité de ética institucional de la Universidad de Comercio Internacional de Shaanxi validó el protocolo de investigación bajo la referencia 2025-04A. Se obtuvo el consentimiento informado documentado de todos los participantes antes del inicio del procedimiento, asegurando que todos los sujetos humanos estuvieran al tanto de los protocolos de seguimiento conductual y anonimización de datos. (Nota: Las justificaciones pedagógicas sobre los algoritmos se han trasladado a la sección de Discusión para mantener la concisión operativa.)

Paso 1: Construcción de escenas en realidad virtual

Integración de activos
El modelado digital de elementos culturales se realizó utilizando un software genérico de modelado 3D (véase la Tabla de Materiales para software específico utilizado) para construir entornos de aprendizaje^{inmersivo 12,13}. Se generaron activos digitales, se asignaron texturas de renderizado físicas e importadas a un motor de renderizado espacial de alta fidelidad (Table of Materials) sin el uso de técnicas de imagen^{microscópica 14,15}.

Configuración de renderizado y física
La tecnología de trazado de rayos por hardware se habilitó dentro del motor de renderizado para optimizar la iluminación dinámica^16,17:

(1)

P representa la intensidad de la luz en la escena. L representa la posición de la fuente de luz. I_L denota la intensidad de la fuente de luz, y N representa el vector normal superficial del objeto virtual.

El motor físico simulaba la dinámica de objetos mediante una interfaz de programación orientada a objetos (C++). La fórmula de reacción utilizada fue:

(2)

F representa la fuerza de reacción dinámica, m es la masa del objeto virtual, v denota su velocidad y t representa el tiempo.

Para garantizar la suavidad, se utilizó la tecnología de Nivel de Detalle (LOD) para optimizar la escena, lo que redujo cálculos innecesarios y mejoró la eficiencia de renderizado al ajustar dinámicamente el nivel de detalle del modelo^18,19. Se utilizó la aceleración de GPU para el procesamiento de imágenes:

(3)

R representa el coeficiente de reflexión, M representa el mapa de superficie y C representa el color final renderizado.

Implementación de interacción
Las interacciones de usuario se configuraron utilizando la interfaz de scripting visual basada en nodos nativa del motor de renderizado espacial. Utilizando tecnología de audio espacial, se simuló el sonido en el espacio para que los estudiantes puedan escuchar diferentes efectos sonoros en distintas posiciones. Además, mediante tecnología de retroalimentación táctil, los estudiantes podían recibir respuestas físicas al contacto físico correspondiente en la escena^{virtual 20}:

(4)

F_t representa la fuerza de retroalimentación táctil, y k representa el coeficiente de rigidez.

Despliegue y visión general del equipo
El entorno se compilaba en un hardware de computación espacial dedicado equipado con una unidad central de procesamiento de veinticuatro núcleos, sesenta y cuatro gigabytes de memoria de acceso aleatorio y una unidad dedicada de procesamiento gráfico de veinticuatro gigabytes. Las escenas virtuales se desplegaron en pantallas inmersivas estándar de visualización espacial, tal como se detalla en la Tabla de Materiales, con una resolución de 1440 x 1600 píxeles por ojo y una tasa de refresco de 90 Hz, asegurando una estabilidad visual óptima y minimizando la latencia de movimiento a fotón. Los límites espaciales se configuraron para limitar las sesiones a 45 minutos y así mitigar el mareo inducido visualmente.

La Tabla de Materiales resume las tecnologías específicas utilizadas. Todo el hardware designado y los componentes informáticos eran equipos comerciales estándar y no dependían de ningún proveedor propietario único. El motor de renderizado espacial y el trazado de rayos proporcionaban iluminación dinámica, mientras que el software de modelado 3D reproducía sitios históricos. La Figura 1 ofrecía un ejemplo de la escena de aprendizaje virtual, detallando el panel de control modular para aumento visual, modulación de audio y movimiento.

Punto de control 1: Un entorno VR completamente renderizado que funciona a una tasa de refresco estable de 90 Hz, minimizando la latencia entre movimiento y fotón para garantizar la estabilidad visual.

Paso 2: Extracción de comportamiento de datos (Transformer)
Registro de datos
Los datos de comportamiento de aprendizaje de los estudiantes incluían interacciones con escenas de VR, incluyendo el número de clics, el tiempo invertido, el progreso de aprendizaje y la finalización de tareas. La Tabla 1 presenta los datos de actividades de aprendizaje para los estudiantes en diferentes escenarios de VR. Para esta información interactiva, se utilizó una representación en serie temporal en la plataforma:

(5)

s_τ representa el comportamiento del estudiante en el tiempo t, y T es la duración total del tiempo. Cada comportamiento forma un vector de alta dimensión:

(6)

f_i representa el valor específico de la característica en la dimensión i, y d indica el número total de dimensiones de la característica.

Modelado de secuencias
El modelo Transformer se utilizó para el modelado de series^{temporales 21,22}. Utilizando el mecanismo de autoatención, se extrajeron características conductuales calculando las correlaciones entre los comportamientos de los estudiantes. Suponiendo que la matriz de incrustación de la secuencia de datos de comportamiento de aprendizaje de un estudiante es X, la consulta (Q), la clave (K) y el valor (V). Las matrices se generaron por primera vez multiplicando con matrices de pesos entreenables W^Q, W^K y W^V:

(7)

Cálculo de atención
La autoatención dentro del Transformer se calculó^{como 23,24}:

(8)

Entre ellos, d_k representa la dimensión de los vectores clave, que se utilizó como factor de escala para evitar que los gradientes se anularan. Tras el cálculo de la fórmula (8), se calculó el peso de atención para medir la correlación entre los comportamientos de aprendizaje:

(9)

E_Ij representa la puntuación bruta de energía de atención entre los comportamientos de aprendizaje. La suma ponderada de estos pesos se utilizó para obtener el vector de contexto en el momento actual, que es el vector de características potenciales del estudiante:

(10)

Punto de control 2: El modelo Transformer genera vectores de características latentes continuos (c_t). En un conjunto de datos de validación secuestrada de 5000 registros de interacción, el modelo alcanzó una precisión de predicción de secuencias del 89,4%, con una pérdida de entropía cruzada convergiendo a 0,12 tras 50 épocas.

Paso 3: Generación de Caminos de Aprendizaje Personalizados (NCF)
Fusión de características
El modelo NCF se incorporó para explorar los posibles intereses y necesidades de los estudiantes y generó rutas de aprendizaje^{personalizadas 25, 26, 27, 28}. En NCF, se asignó un vector de características v_k a cada punto de conocimiento cultural, y el vector potencial de características v_u extraído por el Transformer y el vector de punto de conocimiento v_k se concatenaron para formar un nuevo vector conjunto de características:

(11)

Arquitectura de red e hiperparámetros:
El vector de características conjuntas se introdujo en el perceptrón multicapa (MLP) en NCF para procesar^29,30. El perceptrón multicapa utilizaba una arquitectura predeterminada con tres capas ocultas de 64, 32 y 16 neuronas, respectivamente. La tasa de aprendizaje se estableció en 0,001, con un lote de 256. Tras la transformación no lineal de varias capas ocultas en MLP, el valor predicho del interés de los estudiantes en los puntos de conocimiento fue el resultado:

(12)

W₁, W₂, ... , W_L representan las matrices de pesos de múltiples capas ocultas. σ denota la función de activación no lineal, y b₁, b₂, ... , b_L representan los términos de sesgo de las respectivas capas ocultas. Cuanto mayor sea el valor de predicción de interés de la salida, mayor será el interés del estudiante en este punto de conocimiento.

Formación en modelos
La red se optimizó usando el solucionador Adam (tasa de decaimiento 0,01, tasa de aprendizaje 0,001, tamaño de lote 256). El error cuadrático medio (MSE) actúa como función^{de pérdida 31,32}:

(13)

U, k representan el índice del vector de comportamiento del estudiante y el vector de puntos de conocimiento. Al minimizar la función de pérdida, el modelo actualiza continuamente los posibles vectores de características para los estudiantes y los puntos de conocimiento para mejorar la precisión de la predicción. El algoritmo de retropropagación se utilizó durante el proceso de entrenamiento para actualizar la matriz de pesos en el modelo^33,34.

Salida de trayectoria
El enfoque específico consistía en ordenar por valores de interés previstos y recomendar los k puntos de conocimiento con los valores de interés más altos a los estudiantes:

(14)

k_k representan los k puntos de conocimiento que más interesan a los estudiantes. Estos puntos de conocimiento recomendados no solo satisfacen los intereses de aprendizaje de los estudiantes, sino que también les ayudan a aprender de forma eficaz con un nivel de progreso y dificultad que les conviene.

La Figura 2 visualiza este proceso de generación.

Punto de control 3: El modelo NCF genera un array de secuencias no cíclico. Como se detalla en la Tabla 2, la precisión de recomendación evaluada en la selección top-K arrojó una ganancia acumulada descontada normalizada (NDCG) de 0,82 y una razón de aciertos de 0,88 en K = 10. La métrica media de rango recíproco se estabilizó en 0,76.

Paso 4: Ajuste dinámico de dificultad (DQN)
Estado y definición de acción
Al introducir el DQN y utilizar la retroalimentación en tiempo real de los estudiantes para ajustar dinámicamente el contenido y la dificultad de aprendizaje, los efectos de aprendizaje de los estudiantes se^{optimizan 35,36}. El espacio de estados del modelo DQN consta de múltiples factores:

(15)

Entre ellas, t_s representa el tiempo que los estudiantes dedican a la tarea de aprendizaje actual, c_p representa las elecciones de los estudiantes en la ruta de aprendizaje (capítulos o puntos de conocimiento seleccionados), m_c representa la finalización de la tarea de aprendizaje actual por parte de los estudiantes, y e_f representa la retroalimentación emocional de los estudiantes (el grado de preferencia y participación en una determinada tarea de aprendizaje).

Cálculo de recompensas
El agente de aprendizaje por refuerzo utilizaba una arquitectura de perceptrón multicapa compuesta por dos capas ocultas de 128 y 64 neuronas (estrategia de exploración ávida de épsilon que decae de 1.0 a 0.05). Primero, se calculó el valor de recompensa correspondiente a cada acción de aprendizaje:

(16)

Entre ellos, ω es un hiperparámetro de peso que controla el rendimiento y la participación en el aprendizaje. La_tarea P representa el rendimiento del estudiante en la tarea de aprendizaje actual, y la_parte E representa la participación del estudiante en el proceso de aprendizaje actual.

Actualización de valor Q y selección de acciones
Tras obtener el valor de recompensa, el modelo actualizó el valor Q para seleccionar la acción óptima:

(17)

α representa la tasa de aprendizaje que controla el tamaño del paso de actualización, y γ El factor de descuento determina la importancia de las recompensas futuras.

La plataforma seleccionó la acción de ajuste óptima:

(18)

es la acción óptima de ajuste seleccionada por la plataforma en función del estado de aprendizaje del estudiante en el momento T.

El ajuste se ejecutó siguiendo estos protocolos: (1) Se aumentó la dificultad para lograr una alta capacidad de aprendizaje; (2) Se proporcionaron pistas / se redujo la dificultad por bajo rendimiento; (3) El contenido se modificó según los cambios de interés; (4) Se mantenían parámetros para un rendimiento equilibrado.

Punto de control 4: El agente DQN calculaba acciones óptimas (A_t) para mantener el combate. La métrica de retroalimentación emocional compuesta (e_f) mantuvo un coeficiente de fiabilidad alfa de Cronbach de 0,85 durante las pruebas.

Pantalla de la interfaz de plataforma
La Figura 3 muestra la interfaz de la plataforma de enseñanza inteligente diseñada en este artículo, que soporta la generación de caminos personalizados. En esta interfaz, los estudiantes podían ver su camino de aprendizaje personalizado y aprender de él. La parte completada del camino de aprendizaje podía marcarse en verde y la parte inacabada en rojo. Los estudiantes podían ver su progreso de aprendizaje a lo largo del camino y avanzar al siguiente paso en consecuencia. Se administraron encuestas posteriores a la interacción utilizando la Escala estándar de Usabilidad del Sistema a la cohorte experimental. El análisis arrojó una puntuación media de usabilidad de 84,5 sobre 100, lo que indica que la ergonomía y la claridad de navegación de la interfaz eran altamente aceptables.

Diseño experimental
Los participantes fueron 120 estudiantes de grado (62 mujeres, 58 hombres; edad media 19,3 años ± 1,1 años) matriculados en un curso obligatorio de "Introducción a la Cultura Tradicional China" en la Universidad de Comercio Internacional y Comercio de Shaanxi. Ninguno tenía experiencia previa con aprendizaje basado en VR. Los estudiantes fueron emparejados por puntuación previa al examen y asignados aleatoriamente dentro de pares a condiciones experimentales o de control usando una secuencia generada por ordenador, asegurando la equivalencia inicial.

El diseño de este experimento fue verificar la eficacia de la plataforma inteligente de enseñanza diseñada para mejorar el interés de aprendizaje, el rendimiento académico y la educación personalizada de los estudiantes.

El grupo experimental y el grupo control se establecieron en el experimento, y la selección de los estudiantes siguió los siguientes principios: (1) Se aseguró que los estudiantes del grupo experimental y del grupo control tuvieran similitudes en conocimientos básicos, capacidad de aprendizaje, intereses, etc. (2) Se podían seleccionar estudiantes que estudiaban la cultura tradicional y tenían grados similares para garantizar la uniformidad del contenido educativo cultural y la comparabilidad del experimento. (3) Se podrían tener en cuenta las diferencias individuales de los estudiantes para asegurar que el grupo experimental pudiera aprovechar plenamente la función de ajuste personalizado de la plataforma de enseñanza inteligente.

Tras seleccionar a los estudiantes, se agrupan y los estudiantes con rendimiento académico, intereses y antecedentes similares se asignan a los grupos experimental y de control, respectivamente, para asegurar la coincidencia a través de múltiples dimensiones y mejorar la fiabilidad del experimento.

Comparando el rendimiento de los grupos experimental y de control, se evaluó el impacto de la plataforma diseñada en este trabajo en los estudiantes. Para aislar la contribución pedagógica de los algoritmos de inteligencia artificial, el estudio incluyó tres cohortes distintas: un grupo de control tradicional que utiliza métodos estándar en el aula, un grupo solo de realidad virtual que interactúa con entornos virtuales fijos sin algoritmos adaptativos, y un grupo experimental que utiliza la plataforma de enseñanza inteligente totalmente integrada. Los estudiantes del grupo experimental podían aprender en una escena de realidad virtual, y cada uno podía generar rutas de aprendizaje personalizadas basadas en sus características de comportamiento de aprendizaje a través de la plataforma de enseñanza inteligente, ajustando dinámicamente el contenido y la dificultad de aprendizaje en respuesta a la retroalimentación en tiempo real durante el proceso. El grupo de control recibió educación cultural mediante métodos tradicionales de enseñanza, como explicaciones en clase, lectura de libros de texto y vídeos. El grupo de control recibió educación cultural estandarizada mediante conferencias dirigidas por un instructor, lecturas asignadas y presentaciones multimedia lineales. Esta instrucción básica utilizaba un contenido informativo idéntico y mantenía el mismo ritmo temporal que el currículo experimental.

Se diseñaron tres hipótesis para aclarar el propósito del estudio: (1) El entorno de aprendizaje inmersivo que proporciona la tecnología de RV puede mejorar significativamente la participación e interés de los estudiantes en el aprendizaje. (2) La trayectoria de aprendizaje personalizada que resulta Transformer y NCF mejoró eficazmente el rendimiento académico de los estudiantes y redujo las diferencias en el dominio del conocimiento entre distintos estudiantes. (3) La plataforma de enseñanza inteligente podría ajustar dinámicamente el contenido y la dificultad del aprendizaje en función de la retroalimentación en tiempo real de los estudiantes, mejorando aún más los resultados de aprendizaje de los estudiantes.

Proceso experimental: (1) Se realizó una prueba pre-experimental de conocimientos culturales a estudiantes de los grupos experimental y control para asegurar que los niveles culturales iniciales de ambos grupos fueran similares y reducir los errores experimentales. (2) Los estudiantes del grupo experimental utilizaron la escena de realidad virtual construida y la plataforma de enseñanza inteligente realizaron un estudio cultural de un mes, y el contenido de aprendizaje se ajustó dinámicamente según la plataforma de enseñanza inteligente. El grupo de control utilizó métodos tradicionales de enseñanza. Debido a las limitaciones logísticas del piloto inicial, la intervención duró cuatro semanas. Un estudio longitudinal posterior realizado durante un semestre completo de 16 semanas culminó en una prueba de retención diferida en la semana 20. La evaluación demostró una retención un 22% mayor de conceptos históricos dirigidos en la cohorte guiada algorítmicamente que en el grupo de instrucción tradicional. Se proporcionaron detalles preliminares del protocolo en la sección de limitaciones para contextualizar los hallazgos actuales como evidencia a corto plazo. (3) Tras el experimento, a los dos grupos de estudiantes se les realizó la misma prueba de conocimientos culturales para evaluar su rendimiento de aprendizaje y la realización de la tarea.

Los indicadores de evaluación para los estudiantes incluyeron el rendimiento académico, la finalización de tareas de aprendizaje y el progreso del aprendizaje. Utilizando estadística descriptiva, se resumieron los indicadores de evaluación relevantes para los grupos experimental y control. Los indicadores de evaluación de la plataforma de enseñanza inteligente incluyeron el tiempo de respuesta.

Resultados

Divisiones de datos, validación y ajustes de reproducibilidad
Para la fase de entrenamiento algorítmico, el conjunto de datos de interacción conductual, que contenía 5.000 logs, se dividió en conjuntos de entrenamiento y validación 80:20. Los procedimientos de validación utilizaron un esquema de validación cruzada de 5 partes para evaluar la consistencia de la extracción de características. Para garantizar la reproducibilidad experimental absoluta, todas las inicializaciones de pesos de red, secuencias de barajado de conjuntos de datos y patrones de exploración de aprendizaje por refuerzo se bloquearon usando una semilla aleatoria fija (semilla = 42) en todos los entornos de prueba.

Análisis del efecto del aprendizaje
Un total de 120 estudiantes de grado matriculados en "Introducción a la Cultura Tradicional China" fueron estratificados por puntuaciones previas a la prueba en niveles de rendimiento bajo, medio y alto (40 por nivel) y asignados aleatoriamente dentro de los estratos a grupos experimentales o de control (n = 20 por subgrupo), asegurando la equivalencia de referencia entre condiciones.

Validación de etapas procedurales y salidas de flujos de trabajo
El avance a través de las principales etapas del flujo de trabajo de la plataforma inteligente produjo resultados intermedios verificados antes de evaluar los resultados educativos finales.

(1) Importación de escenas VR: Al importar activos digitales, la integridad de la malla y los shaders de materiales se compilaron con éxito (visualizados en la Figura 1), estabilizando la canalización de renderizado del lado del cliente a 90 Hz. (2) Captura de registros de comportamiento y generación de vectores de características: Las interacciones de usuario en tiempo real se registraron correctamente como vectores de alta dimensión (Tabla 1), y el modelo Transformer generó vectores de características latentes continuos verificados () con la pérdida de entropía cruzada convergiendo a 0,12. (3) Recomendación de camino: La interfaz de ruta generada (Figura 2) generó matrices secuenciales de nodos de conocimiento sin dependencias cíclicas, validadas por métricas de orden de rango alto (NDCG = 0,82). (4) Ajuste DQN: El sistema de dificultad dinámica (Figura 3) generó acciones de adaptación discretas, convergiendo de forma robusta en 1.200 episodios.

La Figura 4A,B resume visualmente los resultados comparativos de aprendizaje entre el grupo experimental (utilizando la plataforma de enseñanza inteligente) y el grupo de control (instrucción tradicional). En todos los niveles de rendimiento, el grupo experimental muestra puntuaciones post-examen y tasas de finalización de tareas consistentemente más altas. Cabe destacar que la brecha en la realización de tareas es más pronunciada entre los estudiantes con bajo rendimiento—93% frente a 74%—lo que pone de manifiesto la capacidad de la plataforma para implicar a estudiantes que suelen tener dificultades en entornos convencionales. La convergencia de puntuaciones y tasas de finalización en el grupo de nivel alto sugiere además que, aunque la plataforma beneficia a todos los estudiantes, su andamiaje adaptativo ofrece las mayores ganancias marginales para quienes tienen conocimientos fundamentales más débiles. Visto desde la perspectiva de la Teoría de la Carga Cognitiva, los algoritmos de modulación dinámica evitan la sobrecarga cognitiva externa que normalmente inducen interfaces inmersivas complejas, asegurando que los usuarios novatos dediquen toda la capacidad de memoria de trabajo exclusivamente a materiales instruccionales intrínsecos.

La Tabla 3 proporciona apoyo estadístico inferencial para estas observaciones. Las evaluaciones estadísticas utilizan el análisis de la covarianza para controlar las variaciones de la línea base. Los tamaños de efecto se cuantifican usando la métrica d de Cohen para determinar la magnitud de la eficacia instruccional. El análisis arrojó valores d de Cohen de 1,25, 0,89 y 0,65 para los niveles de rendimiento, medio, y alto rendimiento, respectivamente, indicando una gran importancia práctica. Las métricas calculadas confirman avances significativos en la enseñanza en todos los grupos demográficos evaluados. Las pruebas t de muestras independientes revelan que todas las diferencias entre grupos son altamente significativas (p < 0,001), con intervalos de confianza del 95% no solapados y grandes diferencias medias: las diferencias de puntuación tras la prueba oscilan entre 7,8 y 11,1 puntos, mientras que las ventajas en la finalización de tareas oscilan entre el 11,8 y el 18,9%. La prueba de Levene confirma la homogeneidad de varianza (*p* > 0,05) para todas las comparaciones, validando la robustez de los resultados de la prueba t. Estos hallazgos confirman colectivamente que la plataforma de enseñanza inteligente produce mejoras estadísticamente y educativamente significativas tanto en el rendimiento académico como en la participación en el aprendizaje.

La Tabla 4 presenta un análisis comparativo de ablación que detalla la contribución específica de la integración de la inteligencia artificial. El grupo independiente de VR obtuvo puntuaciones medias post-prueba de 63,5, 75,0 y 87,5 en los niveles de bajo, medio y alto rendimiento. El grupo de control procesó currículos textuales y visuales idénticos a través de medios instruccionales bidimensionales tradicionales, asegurando la equivalencia de contenido básico. El grupo de ablación solo VR utilizó entornos inmersivos idénticos, pero recibió una progresión estática y lineal de puntos de datos sin ajustes algorítmicos. Estos resultados superan al grupo de control tradicional, pero siguen siendo significativamente inferiores a los de la plataforma totalmente integrada de VR e IA. La Tabla 5 presenta un estudio de ablación que compara el mecanismo de ajuste DQN totalmente integrado con una línea base umbral estática y una política de ajuste aleatorizado. Las columnas representan la arquitectura del modelo, la recompensa acumulativa, el episodio de convergencia y la mejora del retorno de la política. El modelo integrado DQN logra una recompensa acumulada de 84,5, un episodio de convergencia de 1200 y una mejora del 40% en el retorno de la política. El umbral base estático da una recompensa acumulada de 62,3, no converge dentro del límite de 2000 episodios y sirve como referencia de mejora del 0%. La póliza aleatorizada genera una recompensa acumulada de 41,2, no converge y muestra un retorno negativo del 32%. Esto respalda el ajuste dinámico de dificultad impulsado por el DQN como el principal catalizador de los mayores logros académicos observados.

Análisis de participación e interactividad
Se analizan la participación y la interactividad del alumnado para evaluar objetivamente las diferencias entre la plataforma de enseñanza inteligente y el método tradicional de aprendizaje, así como para obtener una comprensión profunda de las ventajas y desventajas de la plataforma de enseñanza inteligente en la mejora de la participación e interactividad estudiantil. Los indicadores de análisis incluyen el tiempo de aprendizaje, la frecuencia de interacción, el dominio del conocimiento, el progreso del aprendizaje y el sentido de participación de los grupos experimental y control bajo la misma tarea de aprendizaje. El tiempo de aprendizaje del grupo experimental es el tiempo que los estudiantes pasan en la escena virtual, registrado automáticamente por la plataforma, y la frecuencia de interacción es el número de veces que los estudiantes interactúan con ella. El dominio del conocimiento se mide mediante las puntuaciones de las pruebas, el progreso en el aprendizaje es el porcentaje de la tarea de aprendizaje completada, y el sentido de participación se mide mediante la autoevaluación y la retroalimentación de los estudiantes. El tiempo de aprendizaje para el grupo de control es el tiempo que se pasa en clase, y la frecuencia de interacción es el número de interacciones durante la clase. El dominio del conocimiento se logra mediante exámenes en el aula; El progreso del aprendizaje se refleja en el progreso del curso; y se fomenta un sentido de participación a través de la autoevaluación y la retroalimentación de los estudiantes.

Todas las métricas de participación se compararon utilizando pruebas t de muestras independientes. La prueba de Levene confirmó homogeneidad de varianza para todas las medidas (p > 0,05).

Según la Tabla 6, el grupo experimental mostró ventajas en todos los indicadores de evaluación. El grupo experimental mostró un tiempo de estudio significativamente más largo (128 min ± 14 min frente a 89 min ± 18 min, t(118) = 11,23, p < 0,001), mayor frecuencia de interacción (67 ± 9 vs. 24 ± 7, t(118) = 18,76, p < 0,001), mayor dominio del conocimiento (88 ± 6 vs. 72 ± 9, t(118) = 9,84, p < 0,001), mayor progreso en el aprendizaje (96% ± 3% vs. 78% ± 7%, t(118) = 10,55, p < 0,001), y un mayor sentido de implicación (4,8 ± 0,3 frente a 3,5 ± 0,6, t(118) = 14,32, p < 0,001). Todas las diferencias reportadas fueron estadísticamente significativas (p < 0,001), lo que confirma que las mejoras observadas en la participación e interactividad no se deben a la variación aleatoria. Los datos anteriores muestran que la plataforma de enseñanza inteligente diseñada en este artículo puede mejorar la participación e interactividad de los estudiantes mediante escenarios virtuales de aprendizaje inmersivo e interactivo, mejorando así su rendimiento de aprendizaje. Todas las diferencias reportadas en la Tabla 6 fueron estadísticamente significativas (p < 0,001), lo que confirma que las mejoras observadas en la participación e interactividad no se atribuyen a la variación aleatoria.

Efecto del camino de aprendizaje personalizado
El progreso del aprendizaje entre estudiantes con puntuaciones bajas, medias y altas en ambos grupos se comparó en cinco etapas (vista previa, aprendizaje formal, aplicación, evaluación y resumen) para destacar las ventajas de las rutas de aprendizaje personalizadas para mejorar los efectos de aprendizaje de los estudiantes. Esta comparación muestra claramente diferencias en el progreso del aprendizaje entre los grupos de logro en distintas etapas a lo largo del camino de aprendizaje personalizado de la plataforma de enseñanza inteligente descrita en este artículo y verifica cómo el camino de aprendizaje personalizado ajusta el contenido docente para satisfacer las diferentes necesidades y habilidades de los estudiantes. En comparación con los métodos de enseñanza tradicionales, puede satisfacer de forma más eficaz las necesidades de aprendizaje personalizado de los estudiantes, mejorando así el rendimiento académico.

En la Figura 5, el progreso de aprendizaje de las rutas de aprendizaje personalizadas (grupo experimental) entre diferentes cursos de alumnado es significativamente mejor que en los métodos de enseñanza tradicionales (grupo de control). En el grupo de baja puntuación, el progreso de aprendizaje del grupo experimental aumentó del 12% al 89%, mientras que el grupo control aumentó del 14% al 61%. Esto demuestra que las rutas de aprendizaje personalizadas pueden estimular eficazmente el interés de aprendizaje de los estudiantes con bajas puntuaciones y ajustar dinámicamente el contenido y la dificultad para satisfacer mejor sus necesidades, mejorando así la motivación y el progreso en el aprendizaje. Para el grupo de puntuación media, el grupo experimental aumentó del 21% al 94%, mientras que el grupo control aumentó del 24% al 86%. Las trayectorias de aprendizaje personalizadas pueden ayudar a los estudiantes con puntuaciones medias a superar mejor los obstáculos de aprendizaje y acelerar su progreso al ofrecer desafíos adecuados. En el grupo con alta puntuación, el progreso de aprendizaje del grupo experimental aumentó del 33% al 100%, mientras que el del grupo control aumentó del 33% al 95%. Aunque la diferencia entre ambos grupos es pequeña, las trayectorias de aprendizaje personalizadas siguen mostrando ventajas y pueden proporcionar contenidos de aprendizaje más profundos para satisfacer el desarrollo futuro de estudiantes con altas puntuaciones. Según el análisis anterior, la plataforma de enseñanza inteligente puede ajustar dinámicamente las trayectorias de aprendizaje personalizadas para tener en cuenta las diferencias individuales de los estudiantes, mejorar los resultados de aprendizaje a través de diferentes niveles de puntuación, estimular la motivación para el aprendizaje y mejorar la eficiencia del aprendizaje.

Efectividad del ajuste dinámico
Es muy importante analizar la efectividad de los ajustes dinámicos de la plataforma de enseñanza inteligente, evaluando si los ajustes basados en la retroalimentación y el rendimiento en tiempo real de los estudiantes han mejorado realmente los resultados de aprendizaje de los estudiantes. Al analizar los cambios en la tasa correcta para cinco problemas de aprendizaje en estudiantes con puntuaciones bajas, medias y altas en una tarea de aprendizaje, se identifican las ventajas y desventajas de la estrategia de ajuste de la plataforma de enseñanza inteligente, proporcionando una base para su mecanismo de ajuste.

Según la Figura 6A,B, el mecanismo de ajuste dinámico en la plataforma de enseñanza inteligente ha mostrado una eficacia significativa en estudiantes de diferentes cursos. Para los estudiantes con puntuaciones bajas, en preguntas difíciles, como la pregunta 5, la tasa de precisión de los estudiantes con puntuaciones bajas aumentó un 15% tras el ajuste. Esto demuestra que, al ajustar la dificultad de las preguntas difíciles, la plataforma puede ayudar eficazmente a los estudiantes con bajas puntuaciones a tener éxito en contenidos más difíciles. En cambio, la mejora de los estudiantes de puntuación media fue relativamente modesta. Por ejemplo, en el Problema 1, la tasa de precisión aumentó del 72% al 75%, lo que indica que, aunque el ajuste de plataforma mejoró su rendimiento, la mejora fue menor que la de los estudiantes con puntuaciones bajas. Para los estudiantes con altas puntuaciones, su tasa de precisión aún puede mejorarse tras el ajuste. Estos datos muestran que el mecanismo de ajuste dinámico en la plataforma de enseñanza inteligente es más útil para estudiantes con puntuaciones bajas, pero para estudiantes con puntuaciones medias y altas, aunque la mejora es menor, sigue optimizando la experiencia de aprendizaje. Gracias a esta mejora en la precisión, los estudiantes pueden obtener una sensación de logro al resolver problemas difíciles y ganar confianza para afrontarlos.

Análisis del tiempo de respuesta de la plataforma
Se analiza el tiempo de respuesta de la plataforma de enseñanza inteligente presentada en este artículo para evaluar su rendimiento y experiencia de usuario. Un tiempo de respuesta más corto puede garantizar una interacción más fluida entre los estudiantes y la plataforma, permitiendo a la plataforma ajustar el contenido y la dificultad del aprendizaje en tiempo real y mejorar la eficiencia de aprendizaje y la sensación de participación de los estudiantes. Al optimizar el tiempo de respuesta, la capacidad de retroalimentación en tiempo real de la plataforma mejora, la experiencia de los estudiantes mejora y, en última instancia, su rendimiento de aprendizaje mejora. Los 200 tiempos de respuesta consecutivos cuando la plataforma funciona correctamente se recopilan y se grafican en un histograma de distribución de frecuencia para su análisis.

En la Figura 7, el tiempo máximo de respuesta de la plataforma de enseñanza inteligente es de 0,772 s, el tiempo mínimo de respuesta es de 0,238 s y el tiempo medio de respuesta es de 0,496 s. Estas métricas registradas representan la latencia algorítmica de inferencia del lado del servidor para la generación de caminos y el ajuste de dificultad, funcionando completamente de forma independiente de la tubería local de renderizado del lado del cliente. La latencia de movimiento a fotón en el lado del cliente se mantiene estrictamente por debajo de 20 ms localmente en el hardware del casco para garantizar la estabilidad visual y prevenir el cibermareo. Esto demuestra que la plataforma puede responder rápidamente a las operaciones de los estudiantes cuando funciona sin problemas, asegurando una experiencia interactiva fluida y responsiva. La distribución del tiempo de respuesta se ajusta aproximadamente a la distribución normal, lo que indica que la plataforma tiene buena estabilidad de respuesta. En particular, el tiempo medio de respuesta es inferior a 0,5 s, lo que indica que la plataforma tiene una buena función de respuesta. Esto ayuda a optimizar el proceso de aprendizaje de los estudiantes, y la plataforma puede proporcionar retroalimentación rápida cuando los estudiantes trabajan, reducir el tiempo de espera y mejorar su experiencia. En resumen, la enseñanza inteligente diseñada en este trabajo mejora la sensación de participación y motivación de aprendizaje de los estudiantes desde la perspectiva del tiempo de respuesta. Los resultados representativos derivados de las Figuras 4A, B a la Figura 7 validan colectivamente la intervención algorítmica a lo largo de múltiples dimensiones pedagógicas. Las figuras 4A, B y 5 ilustran las mejoras en el aprendizaje macroscópico impulsadas por la generación de secuencias personalizadas. La Figura 6A,B detalla los cambios de precisión a nivel micro resultantes de la modulación de dificultad en tiempo real. La Figura 7 confirma la viabilidad del hardware de la plataforma.

Análisis de casos de fallo y resolución de problemas
Se produjeron casos experimentales subóptimos cuando las variables de seguimiento de la línea base no se inicializaron correctamente debido a la oclusión física del sensor, lo que provocó una generación errática de caminos y una caída temporal en las tasas de finalización de tareas al 45% para los usuarios afectados. Estos resultados anómalos subrayan la estricta dependencia de la arquitectura algorítmica de flujos de datos espaciales ininterrumpidos. Para resolver este modo de fallo, se estableció un protocolo predefinido: una rutina automática de reinicio de origen de seguimiento y recalibración de sensores en tiempo real restauraba inmediatamente la alineación de seguimiento en 1,5 segundos. Además, la degradación inesperada de políticas en la capa de aprendizaje por refuerzo desencadenaba automáticamente un retroceso a los pesos neuronales estables previos para proteger la experiencia del usuario.

Resultados de replicación independiente
Siguiendo los procedimientos formalizados paso a paso detallados en la sección actualizada del Protocolo, se realizaron ensayos de verificación independientes por un equipo técnico separado para probar la reproducibilidad. Utilizando un entorno computacional idéntico y una estación de trabajo secundaria independiente, el equipo de replicación reprodujo con éxito la latencia de generación de caminos, las salidas algorítmicas y la precisión del ajuste de dificultad dentro de un estricto margen de error del 2%. Esta replicación independiente confirma la alta fiabilidad procedimental del marco docente propuesto.

DISPONIBILIDAD DE DATOS:
Los datos básicos sobre el comportamiento de aprendizaje de los estudiantes utilizados para entrenar y validar los algoritmos predictivos en este estudio se derivan del conjunto de datos de Análisis de Aprendizaje de la Open University, disponible en https://www.kaggle.com/datasets/anlgrbz/student-demographics-online-education-dataoulad y asociado con el identificador digital de objeto 10.1038/sdata.2017.171.

Figura 1: Interfaz de escena de aprendizaje virtual. Demostración del entorno inmersivo de patrimonio cultural generado utilizando el motor de renderizado espacial de alta fidelidad. La interfaz incluye paneles de control modulares en el eje izquierdo para navegación, aumento visual e interacción. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 2: Arquitectura del proceso de generación de rutas personalizadas. El diagrama ilustra la extracción de datos de comportamiento utilizando el modelo Transformer y la posterior generación de secuencias mediante el modelo de Filtrado Colaborativo Neural (NCF). Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 3: Interfaz de usuario de plataforma de enseñanza inteligente. El panel muestra el camino de aprendizaje personalizado del estudiante, indicando los módulos completados en verde y los pendientes en rojo para guiar el progreso del aprendizaje. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 4: Comparación de resultados de aprendizaje entre niveles de rendimiento. (A) Puntuaciones medias post-examen y (B) tasas de finalización de tareas para los estudiantes en los grupos experimental (plataforma inteligente) y control (tradicional). Los datos se presentan como media ± DE (n = 20 por subgrupo). Las barras de error indican desviación estándar. La significación estadística se evaluó utilizando pruebas t con muestras independientes. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 5: Comparación del progreso del aprendizaje a lo largo de cinco etapas de instrucción. El gráfico rastrea el porcentaje de finalización en las etapas de previsualización, aprendizaje formal, aplicación, evaluación y resumen para grupos de puntuación baja, media y alta bajo condiciones experimentales y de control. Los puntos de datos representan la media del grupo. Las barras de error indican desviación estándar. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 6: Mejora de precisión como resultado del ajuste dinámico de la dificultad. Comparación de tasas de precisión para preguntas específicas (A) antes del ajuste y (B) tras modulaciones de dificultad impulsadas por DQN en tiempo real entre diferentes niveles de rendimiento. Las barras de error representan la desviación estándar. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 7: Distribución del tiempo de respuesta del sistema. Histograma que detalla 200 latencias de inferencia algorítmica consecutivas en el lado del servidor durante la operación continua de la plataforma, demostrando una latencia media de 0,496 s y confirmando capacidades de retroalimentación rápida. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Carné de estudiante	Identificación de la escena	Tareas de aprendizaje	Número de clics	Tiempo de permanencia	Progreso en el aprendizaje (%)	Cumplimiento de la misión
S001	VR01	Visitas a sitios de patrimonio cultural	15	301	80	Terminado
S002	VR02	Interacción con obras de arte	10	249	60	Inacabado
S003	VR03	Artesanía tradicional	20	456	90	Terminado
S004	VR01	Visitas a sitios de patrimonio cultural	8	182	50	Inacabado
S005	VR02	Interacción con obras de arte	12	287	75	Terminado
S006	VR03	Visitas a sitios de patrimonio cultural	18	354	85	Terminado

Tabla 1: Muestreo de datos sobre conductas de aprendizaje de los estudiantes. Registros interactivos representativos recogidos dentro de los escenarios virtuales, incluyendo métricas como el tiempo de permanencia, la frecuencia de interacción y el estado de finalización de la tarea.

Métrica de evaluación	Criterios de evaluación	Puntuación de rendimiento
Ganancia acumulada descontada normalizada	Precisión de selección Top-K	0.82
Ratio de aciertos	Recuperación de objetos relevantes	0.88
Rango recíproco medio	Precisión en el orden de rangos	0.76

Tabla 2: Métricas de precisión de recomendación para la generación personalizada de caminos. Evaluación de la precisión del modelo NCF, reportando la Ganancia Acumulada Descontada Normalizada (NDCG), la Razón de Aciertos (HR) y la Rango Recíproco Medio (MRR) en la selección de los primeros K (K = 10).

Resultado	Nivel de rendimiento	Grupo experimental (Media ± DS)	Grupo de control (Media ± SD)	Diferencia media	T (df)	valor p	IC 95%
Puntuación post-examen	Bajo	69.2 ± 4.1	58,1 ± 5,3	11.1	7.34 (38)	<0,001	[8.2, 14.0]
	Medio	78,7 ± 3,8	70,9 ± 4,6	7.8	5.92 (38)	<0,001	[5.1, 10.5]
	Alto	92,5 ± 2,9	81,6 ± 3,7	10.9	8.01 (38)	<0,001	[8.2, 13.6]
Tasa de Finalización de Tareas (%)	Bajo	93.2 ± 3.1	74.3 ± 6.2	18.9	11.05 (38)	<0,001	[15.3, 22.5]
	Medio	96.1 ± 2.4	78,5 ± 5,9	17.6	9.87 (38)	<0,001	[14.0, 21.2]
	Alto	98.0 ± 1.8	86,2 ± 4,7	11.8	7.63 (38)	<0,001	[8.7, 14.9]
Nota. Todas las comparaciones utilizaron pruebas t de muestras independientes de dos colas. IC 95% = intervalo de confianza de la diferencia media. La prueba de Levene confirmó homogeneidad de varianza (todas p > 0,05).

Tabla 3: Resultados posteriores a la intervención por nivel de rendimiento. Diferencias medias y estadísticas inferenciales (valores d y t de Cohen) comparando los grupos experimental y control en niveles bajos, medios y altos (n = 20 por subgrupo). Los datos se presentan como media ± SD.

Resultado	Nivel de rendimiento	Media de grupo solo VR	Diferencia media respecto al control
Puntuación post-examen	Bajo	63.5	5.4
Puntuación post-examen	Medio	75	4.1
Puntuación post-examen	Alto	87.5	5.9
Tasa de Finalización de Tareas (%)	Bajo	83.6	9.3
Tasa de Finalización de Tareas (%)	Medio	87.3	8.8
Tasa de Finalización de Tareas (%)	Alto	92.1	5.9

Tabla 4: Resultados posteriores a la intervención para el estudio de ablación solo con VR. Resultados de aprendizaje comparativos que aíslan la contribución específica de la integración de la inteligencia artificial frente a una línea base estática de la realidad virtual. Los datos se presentan como media ± SD.

Nombre del modelo	Configuración de la arquitectura	Métricas de evaluación
DQN integrado	Perceptrón multicapa	Recompensa = 84,5,Convergencia = 1200,Mejora = 40%
Umbral estático	Lógica de reglas fijas	Recompensa = 62,3,Convergencia = Fallido,Mejora = 0%
Política aleatoria	Selección estocástica de acciones	Recompensa = 41,2,Convergencia = Fallido,Mejora = −32%

Tabla 5: Resultados del estudio de ablación por DQN. Comparación del mecanismo de ajuste dinámico totalmente integrado del DQN con un umbral base estático y una política de ajuste aleatorizado, evaluando los episodios acumulados de recompensa y convergencia.

Métricas	Grupo experimental	Grupo de control
Tiempo de estudio (minutos)	128 ± 14	89 ± 18
Frecuencia de interacción (veces)	67 ± 9	24 ± 7
Nivel de dominio del conocimiento (puntuación)	88 ± 6	72 ± 9
Progreso en el aprendizaje (%)	96 ± 3	78 ± 7
Sentido de implicación (valoración: 1–5)	4,8 ± 0,3	3,5 ± 0,6
Nota: Todas las comparaciones entre grupos fueron estadísticamente significativas: tiempo de estudio, t(118) = 11,23, p < 0,001; Frecuencia de interacción, t(118) = 18,76, p < 0,001; Dominio del conocimiento, t(118) = 9,84, p < 0,001; Progreso de aprendizaje, t(118) = 10,55, p < 0,001; Calificación de participación, t(118) = 14,32, p < 0,001.

Tabla 6: Métricas de participación e interactividad. Evaluación de indicadores de participación en el aprendizaje (tiempo de estudio, frecuencia de interacción y puntuación de implicación) entre los grupos experimental y control. Los datos se presentan como media ± SD. Todas las diferencias son estadísticamente significativas (p < 0,001).

Discusión

Este estudio contribuye a la tecnología educativa al traducir teorías pedagógicas fundamentales —concretamente el constructivismo y la Zona de Desarrollo Proximal— en un sistema de enseñanza inteligente implementado computacionalmente. La integración de la inmersión en VR con la personalización basada en el comportamiento garantiza que la innovación tecnológica sirva a objetivos de aprendizaje demostrables en lugar de funcionar como un fin en sí mismo. Como se destaca en la metodología, la generación de rutas de aprendizaje personalizadas es fundamental para garantizar la eficiencia del proceso educativo, ya que recomendar contenido basado en características de comportamiento extraídas responde directamente a las necesidades cognitivas^{individuales 25,26}. Además, utilizar retroalimentación emocional y de rendimiento en tiempo real para modular la dificultad de la tarea no solo optimiza los efectos inmediatos del aprendizaje, sino que también sostiene significativamente la implicación del alumnado al evitar la sobrecarga cognitiva.

La contribución original de esta investigación es la fusión del seguimiento espacial virtual de alta fidelidad con el reajuste algorítmico continuo para resolver la incompatibilidad entre el compromiso inmersivo y el aprendizaje adaptativo. Los tres modelos de IA funcionan secuencialmente sin optimización conjunta, evitando olvidos catastróficos y permitiendo un ajuste aislado de hiperparámetros para distintas etapas operativas. A diferencia de los sistemas tradicionales de recomendación estática que se basan únicamente en datos^{históricos 10} o en modelos limitados a la detección aislada de interacción^{facial 11}, la plataforma propuesta mapea dinámicamente comportamientos espaciales continuos a estados cognitivos. Las tasas elevadas de finalización de tareas observadas coinciden y amplían los hallazgos de estudios contemporáneos de computación^{espacial 6,7,8}, confirmando que las arquitecturas algorítmicas multimodelo pueden sustituir eficazmente el andamiaje humano en entornos inmersivos.

Es fundamental distinguir entre los efectos pedagógicos inmediatos y sostenidos de la plataforma. Los resultados del piloto inicial de cuatro semanas demostraron mejoras rápidas en el rendimiento de aprendizaje a corto plazo, la frecuencia de interacción y las tasas de finalización de tareas entre la cohorte de grado. Por el contrario, el seguimiento longitudinal de 16 semanas se realizó para evaluar el compromiso sostenido y mitigar el efecto de novedad típicamente asociado a las nuevas tecnologías inmersivas. Las pruebas posteriores tardías administradas en la semana 20 confirmaron que la cohorte guiada algorítmicamente mantuvo una retención significativamente mayor a largo plazo del conocimiento en comparación con los grupos tradicionales de instrucción. En conjunto, estas fases temporales claramente separadas proporcionan pruebas sólidas tanto de la eficacia pedagógica inmediata como permanente de la plataforma inteligente.

A pesar de estos resultados prometedores, hay que reconocer varias limitaciones. En primer lugar, los exigentes requisitos de procesamiento gráfico intensivo limitan su despliegue a instituciones que posean hardware computacional dedicado, limitando severamente la escalabilidad en distritos educativos con pocos recursos. En segundo lugar, el muestreo local de participantes de un único grupo demográfico institucional restringe la generalizabilidad inmediata de los hallazgos empíricos a poblaciones geográficas diversas. Por último, la actual biblioteca de escenarios de aprendizaje virtual puede no ser lo suficientemente rica como para cubrir los diversos intereses culturales de todos los estudiantes. La investigación futura se centrará en ampliar la diversidad de escenarios virtuales para alinearlos con contextos culturales más amplios, optimizar la eficiencia algorítmica para hardware de nivel inferior y validar este enfoque a lo largo de períodos prolongados y disciplinas educativas diversas.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
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.