Méthodes d’enseignement intelligentes intégrant la réalité virtuelle et les algorithmes de big data pour améliorer les plateformes traditionnelles d’éducation culturelle

Résumé

Cette étude détaille un flux de travail reproductible pour extraire des caractéristiques comportementales et déployer des parcours éducatifs dynamiquement ajustés dans des environnements virtuels. Les procédures décrites permettent aux éducateurs de développer des programmes adaptatifs en réalité virtuelle et de mettre en place le suivi comportemental en temps réel.

Résumé

Les environnements d’enseignement conventionnels actuels comportent des éléments interactifs limités, ce qui réduit les indicateurs d’engagement des étudiants de premier cycle étudiant le patrimoine culturel. Pour répondre à ces problèmes, une plateforme d’enseignement intelligente a été développée, intégrant un moteur de rendu spatial haute fidélité dans des environnements de réalité virtuelle avec une architecture algorithmique multimodèle. Au sein de cette plateforme, les modèles Transformer et Neural Collaborative Filtering (NCF) traitent les données comportementales pour générer des parcours d’apprentissage personnalisés, tandis qu’un Deep Q-Network (DQN) ajuste dynamiquement la difficulté du contenu en fonction du retour en temps réel. Un tel échafaudage adaptatif reflète les principes d’apprentissage constructivistes, où la connaissance est activement construite par l’interaction avec des environnements contextuels et réactifs, plutôt que reçue passivement par une instruction statique. La nouveauté de cette recherche réside dans l’intégration d’un moteur de rendu spatial avec une architecture algorithmique multi-modèles afin d’établir un mécanisme d’adaptation comportementale en temps réel. Les résultats expérimentaux montrent que le groupe expérimental utilisant la plateforme d’enseignement intelligent proposée obtient des scores d’apprentissage plus élevés (les groupes bas/moyens/élevés sont respectivement 69/79/93 points) et un taux d’accomplissement des tâches d’apprentissage plus élevé (93 %/96 %/98 %) que le groupe témoin utilisant le modèle d’enseignement traditionnel. La conception de la plateforme d’enseignement intelligent offre une forte interactivité, propose des parcours d’apprentissage personnalisés pour les élèves ayant des différences individuelles diverses, et s’adapte dynamiquement au cours du processus d’apprentissage. L’analyse du temps de réponse indique une latence moyenne de 0,496 s, assurant un retour rapide sur les interactions. En fin de compte, la plateforme proposée démontre que combiner la VR immersive avec des algorithmes adaptatifs au comportement améliore efficacement à la fois la réussite académique et l’engagement professionnel des étudiants de premier cycle dans l’enseignement culturel traditionnel.

Introduction

L’éducation culturelle traditionnelle joue un rôle essentiel dans l’héritage et le développement de la culture. Cependant, le modèle culturel traditionnel actuel repose principalement sur des formes statiques telles que les manuels, les images et les vidéos, manquant d’interactivité et d’immersion, rendant difficile pour les élèves de comprendre et de découvrir pleinement le charme de la culture. De plus, les méthodes d’enseignement traditionnelles adoptent souvent un programme unifié, qui ne prend pas pleinement en compte les intérêts, les capacités cognitives et les styles d’apprentissage des élèves, ce qui entraîne une faible efficacité d’apprentissage et des difficultés à stimuler leur enthousiasme pour l’apprentissage. Cette limitation s’aligne avec la théorie de la Zone de Développement Proximal (ZDP) de Vygotsky, qui insiste sur le fait qu’un enseignement efficace doit être adapté aux niveaux cognitifs actuels des apprenants et structuré selon leurs trajectoires de développement individuelles. La littérature existante s’appuie sur des données statiques pour la modélisation pédagogique. L’intégration du suivi comportemental spatial continu avec l’apprentissage par renforcement profond reste inexplorée. Le mécanisme proposé fusionne les interactions multisensorielles avec le réajustement algorithmique afin de combler l’écart entre les chemins pédagogiques fixes et l’adaptation contextuelle dynamique. La plateforme proposée met en œuvre ce principe en ajustant dynamiquement la difficulté du contenu et le séquençage en fonction d’indicateurs comportementaux en temps réel, intégrant ainsi la théorie pédagogique dans la conception algorithmique. Les mécanismes d’adaptation algorithmique remplacent effectivement l’échafaudage humain généralement fourni par des pairs plus compétents. Cette modulation continue de la difficulté de la tâche s’aligne avec la théorie de la charge cognitive (CLT) en prévenant la surcharge cognitive chez les apprenants débutants et en maintenant l’engagement dans la zone de développement optimale.

Avec le développement de la réalité virtuelle (VR) et des algorithmes de données, leur application à l’éducation culturelle traditionnelle offre aux élèves une expérience d’apprentissage plus immersive et interactive 1,2,3,4. Des revues systématiques complètes des applications immersives de réalité virtuelle dans l’enseignement supérieur soulignent également l’importance d’aligner les éléments de conception avec des objectifs pédagogiques spécifiques⁵.

De nombreuses études ont tenté d’appliquer la technologie VR à l’éducation culturelle. Hulusic et ^al.6 ont conçu et développé un musée virtuel scolaire, incluant une interface utilisateur tangible. Grâce à des recherches participatives des utilisateurs, il a été constaté que le musée était bien conçu et bien développé, et qu’il avait le potentiel d’être utilisé comme outil d’apprentissage et d’éducation dans les musées, les écoles ou de manière indépendante. En réponse au problème d’une interactivité insuffisante dans les environnements d’apprentissage à distance, Mubarok et ^al.7 ont développé une méthode collaborative de cartographie d’arguments basée sur la VR pour y remédier. Des expériences ont montré que cette méthode améliore mieux l’expression orale de l’anglais des élèves que les méthodes collaboratives de cartographie argumentative non basées sur la VR. Sun et ^al.8 ont proposé une stratégie de conception pour un système immersif de réalité virtuelle combinant interaction multimodale, ludification et narration pour présenter et développer le patrimoine culturel numérique. Ils ont développé un système VR immersif qui a restauré les fresques de Dunhuang, offrant aux utilisateurs une expérience d’apprentissage, interactive et divertissante. Cependant, ces études rencontrent encore certains problèmes, tels qu’une faible interactivité dans les scènes VR, des taux de mise à jour lents pour les contenus d’apprentissage et une faible adaptabilité des algorithmes de recommandation personnalisés, rendant impossible la satisfaction précise des besoins d’apprentissage des différents élèves. De plus, certaines études n’ont pas réussi à intégrer efficacement l’apprentissage profond et l’apprentissage par renforcement, limitant les capacités d’ajustement en temps réel des recommandations personnalisées.

Les avancées récentes en intelligence artificielle ont propulsé les technologies éducatives. La recherche introduit des systèmes adaptatifs tirant parti de l’apprentissage profond pour la reconnaissance de motifs dans le comportement des utilisateurs. Les méthodologies utilisant des algorithmes de suivi cognitif cartographient les états dynamiques d’acquisition des connaissances. L’optimisation structurelle dans les réseaux de neurones améliore la précision des recommandations dans les cadres d’apprentissage intelligent. Les agents intelligents intégrant des variables environnementales complexes améliorent les réponses pédagogiques automatisées. Ces méthodologies reposent sur des flux de données isolés et une analyse historique statique. La plateforme proposée répond à cette limitation en fusionnant les données d’interaction spatiale avec un réajustement algorithmique continu afin d’assurer une adaptation contextuelle en temps réel.

Des recherches empiriques récentes confirment que les algorithmes d’apprentissage profond améliorent significativement la précision prédictive dans la modélisation de la performance des élèves. Ouatik et ^al.9 ont mis en place un système pour prédire la réussite et l’échec scolaire des élèves. Ils utilisaient les informations personnelles des élèves, l’évaluation académique et d’autres données, et utilisaient l’intelligence artificielle et des méthodes d’exploration de données éducatives pour prédire leur réussite scolaire. Pour résoudre le problème de traitement des données, la technologie big data (BD) a été utilisée pour répartir le traitement, réduisant ainsi le temps de calcul sans sacrifier l’efficacité algorithmique. Bhaskaran¹⁰ a développé un recommandant d’espace vectoriel amélioré pour résoudre les problèmes des systèmes actuels de recommandation d’apprentissage. Il suit automatiquement les intérêts, les besoins et les niveaux de connaissances des apprenants. Il classe et extrait les styles d’apprentissage des apprenants du serveur, puis utilise un algorithme de filtrage collaboratif amélioré pour calculer les similarités afin de produire une meilleure liste de recommandations. Gupta¹¹ a proposé une méthode basée sur l’apprentissage profond qui utilise les expressions faciales pour détecter l’engagement en temps réel des apprenants en ligne, classe leurs émotions tout au long du processus d’apprentissage en analysant les balises faciales des élèves, et ajuste leur état d’apprentissage en fonction des résultats de détection. Cependant, ces méthodes présentent encore certaines limites.

Bien que les solutions éducatives VR existantes offrent une expérience immersive, elles manquent de capacités d’ajustement dynamique. Les parcours d’apprentissage des élèves sont souvent fixes, et le contenu ainsi que la difficulté ne peuvent pas être optimisés en temps réel en fonction des progrès personnels et des retours, ce qui entraîne un manque de participation. Parallèlement, les algorithmes traditionnels de recommandation personnalisée s’appuient principalement sur des données historiques ou de simples tags d’intérêt et ne parviennent pas à intégrer des données multidimensionnelles, telles que le comportement d’apprentissage, le statut cognitif et le retour émotionnel des élèves, pour une analyse précise. Le manque de compréhension approfondie des processus d’apprentissage des élèves empêche le système de recommandation de traiter efficacement les différences individuelles, ce qui entraîne une expérience d’apprentissage sous-optimale et des résultats sous-optimaux.

Par conséquent, pour résoudre les problèmes d’immersion insuffisante et de manque de personnalisation dans l’éducation culturelle traditionnelle, une plateforme d’enseignement intelligente est proposée. Cette méthodologie s’applique directement aux cours de licence en sciences humaines qui nécessitent une visualisation spatiale et des métriques de rythme individualisées. Des moteurs de rendu spatial avancés et des technologies de calcul spatial associées sont utilisés pour développer des scènes d’apprentissage virtuelles. Les environnements d’apprentissage virtuels offrent aux apprenants l’autonomie nécessaire pour choisir des modules culturels spécifiques. Le modèle Transformer basé sur l’attention neuronale traite des journaux d’interaction horodatés pour générer une représentation compacte des schémas comportementaux. Basé sur l’extraction des caractéristiques du comportement d’apprentissage des élèves, le modèle de filtrage collaboratif neuronal (NCF) est utilisé pour approfondir les intérêts d’apprentissage des élèves et produire des parcours d’apprentissage personnalisés. Le modèle Deep Q-Network (DQN) collecte les retours en temps réel des élèves et ajuste dynamiquement le parcours d’apprentissage afin d’optimiser l’expérience et l’effet d’apprentissage des élèves.

En ce qui concerne le déploiement pratique, la plateforme proposée offre des avantages spécifiques, mais elle n’est pas universellement applicable. Il convient particulièrement aux établissements d’enseignement équipés de matériel informatique dédié comprenant des unités de traitement graphique distinctes et des équipements de visualisation spatiale immersifs, ainsi qu’aux programmes bénéficiant significativement de la visualisation spatiale en architecture et archéologie du patrimoine culturel. Dans ces contextes, le suivi comportemental dynamique traite efficacement les différences individuelles de rythme. Inversement, cette méthode est actuellement inadaptée aux environnements éducatifs sous-financés et manquant de l’infrastructure technologique nécessaire. De plus, il n’est pas recommandé pour les cours très abstraits et centrés sur le texte où l’immersion tridimensionnelle offre une valeur pédagogique négligeable comparée aux méthodes pédagogiques traditionnelles.

Protocole

Le comité d’éthique institutionnelle de l’Université du Commerce International et du Commerce du Shaanxi a validé le protocole de recherche sous la référence 2025-04A. Un consentement éclairé documenté a été obtenu de tous les participants avant le début de la procédure, garantissant que tous les sujets humains étaient informés des protocoles de suivi comportemental et d’anonymisation des données. (Note : Les justifications pédagogiques concernant les algorithmes ont été déplacées dans la section Discussion afin de maintenir la concision opérationnelle.)

Étape 1 : Construction de scènes en réalité virtuelle

Intégration des actifs
La modélisation numérique des éléments culturels a été réalisée à l’aide d’un logiciel de modélisation 3D générique (voir Tableau des matériaux pour les logiciels spécifiques utilisés) pour construire des environnements d’apprentissage^{immersifs 12,13}. Des ressources numériques ont été générées, des textures de rendu physiques ont été attribuées, puis importées dans un moteur de rendu spatial haute fidélité (Table of Materials) sans l’utilisation de techniques d’imagerie^{microscopique 14,15}.

Rendu et configuration physique
La technologie de lancer de rayons matérielle a été activée dans le moteur de rendu pour optimiser l’éclairage^{dynamique 16,17} :

(1)

P représente l’intensité lumineuse dans la scène. L représente la position de la source lumineuse. I_L désigne l’intensité de la source lumineuse, et N représente le vecteur normal de surface de l’objet virtuel.

Le moteur physique simulait la dynamique des objets via une interface de programmation orientée objet (C++). La formule de réaction utilisée était la suivante :

(2)

F représente la force de réaction dynamique, m est la masse de l’objet virtuel, v désigne sa vitesse, et t représente le temps.

Afin d’assurer la fluidité, la technologie Level of Detail (LOD) a été utilisée pour optimiser la scène, ce qui a réduit les calculs inutiles et amélioré l’efficacité du rendu en ajustant dynamiquement le niveau de détail du modèle^18,19. L’accélération GPU était utilisée pour le traitement d’image :

(3)

R représente le coefficient de réflexion, M représente la carte de surface, et C représente la couleur finale rendue.

Implémentation de l’interaction
Les interactions utilisateur étaient configurées à l’aide de l’interface de script visuelle basée sur des nœuds native du moteur de rendu spatial. Grâce à la technologie audio spatiale, le son a été simulé dans l’espace afin que les élèves puissent entendre différents effets sonores à différentes positions. De plus, grâce à la technologie de retour tactile, les élèves pouvaient recevoir des réponses physiques au contact physique correspondant dans la scène^{virtuelle 20} :

(4)

F_t représente la force de rétroaction tactile, et k représente le coefficient de rigidité.

Déploiement et aperçu des équipements
L’environnement était compilé sur un matériel dédié de calcul spatial équipé d’une unité centrale de traitement de vingt-quatre cœurs, de soixante-quatre gigaoctets de mémoire à accès aléatoire et d’une unité dédiée de traitement graphique de vingt-quatre gigaoctets. Les scènes virtuelles étaient déployées sur des écrans de visualisation spatiale immersifs standards, comme détaillé dans le Table of Materials, avec une résolution de 1440 x 1600 pixels par œil et un taux de rafraîchissement de 90 Hz, assurant une stabilité visuelle optimale et minimisant la latence entre le mouvement et le photon. Les limites spatiales ont été configurées pour limiter les séances à 45 minutes afin de réduire le mal des transports d’origine visuelle.

Le tableau des matériaux résume les technologies spécifiques utilisées. Tous les composants matériels et informatiques désignés étaient des équipements commerciaux standards prêts à l’emploi et ne dépendaient d’aucun fournisseur propriétaire unique. Le moteur de rendu spatial et le lancer de rayons assuraient un éclairage dynamique, tandis que le logiciel de modélisation 3D reproduisait des sites historiques. La figure 1 a donné un exemple de la scène d’apprentissage virtuel, détaillant le panneau de contrôle modulaire pour le grossissement visuel, la modulation audio et le mouvement.

Point de contrôle 1 : Un environnement VR entièrement rendu fonctionnant à un taux de rafraîchissement stable de 90 Hz, minimisant la latence mouvement-photon pour garantir la stabilité visuelle.

Étape 2 : Extraction de données comportementales (Transformer)
Journalisation des données
Les données sur les comportements d’apprentissage des élèves incluaient les interactions avec des scènes VR, notamment le nombre de clics, le temps passé, l’avancement de l’apprentissage et l’accomplissement des tâches. Le tableau 1 présente les données d’activités d’apprentissage pour les élèves dans différents scénarios VR. Pour ces informations interactives, une représentation en série temporelle a été utilisée sur la plateforme :

(5)

s_τ représente le comportement de l’élève au temps t, et T est la durée totale du temps. Chaque comportement forme un vecteur de haute dimension :

(6)

f_i représente la valeur spécifique des caractéristiques à la dimension i, et d indique le nombre total de dimensions des caractéristiques.

Modélisation des séquences
Le modèle Transformer a été utilisé pour la modélisation en série^{temporelle 21,22}. En utilisant le mécanisme d’auto-attention, les caractéristiques comportementales ont été extraites en calculant les corrélations entre les comportements des élèves. En supposant que la matrice d’immersion de la séquence de données de comportement d’apprentissage d’un élève soit X, la requête (Q), la clé (K) et la valeur (V). Les matrices ont d’abord été générées en multipliant avec des matrices de poids entraînables W^Q, W^K et W^V :

(7)

Calcul de l’attention
L’attention personnelle à l’intérieur du Transformer a été calculée^{à 23,24} :

(8)

Parmi eux, d_k représente la dimension des vecteurs clés, qui a été utilisée comme facteur d’échelle pour éviter la disparition des gradients. Après le calcul de la formule (8), le poids d’attention a été calculé pour mesurer la corrélation entre les comportements d’apprentissage :

(9)

E_ij représente le score brut d’énergie de l’attention entre les comportements d’apprentissage. La somme pondérée de ces poids a été utilisée pour obtenir le vecteur de contexte au moment actuel, qui est le vecteur de caractéristiques potentielles de l’étudiant :

(10)

Point de contrôle 2 : Le modèle Transformer produit des vecteurs de caractéristiques latentes continus (c_t). Sur un jeu de données de validation séquestré de 5000 logs d’interaction, le modèle a atteint une précision de prédiction de séquence de 89,4 %, avec une perte d’entropie croisée convergeant à 0,12 après 50 époques.

Étape 3 : Génération personnalisée de parcours d’apprentissage (NCF)
Fusion des caractéristiques
Le modèle NCF a été intégré pour explorer les intérêts et besoins potentiels des élèves et a généré des parcours d’apprentissage^{personnalisés 25, 26, 27, 28}. Dans NCF, un vecteur de caractéristiques v_k était assigné à chaque point de connaissance culturel, et le vecteur potentiel de caractéristique v_u extrait par le Transformer ainsi que le vecteur point de connaissance v_k étaient concaténés pour former un nouveau vecteur de caractéristiques conjoint :

(11)

Architecture réseau et hyperparamètres :
Le vecteur de caractéristiques jointes a été introduit dans le perceptron multicouche (MLP) en NCF pour le traitement^29,30. Le perceptron multicouche utilisait une architecture prédéterminée avec trois couches cachées de 64, 32 et 16 neurones respectivement. Le taux d’apprentissage était fixé à 0,001, avec une taille de groupe de 256. Après la transformation non linéaire de plusieurs couches cachées dans la MLP, la valeur prédite de l’intérêt des étudiants pour les points de connaissance était la conséquence :

(12)

W₁, W₂, ... , W_L représentent les matrices de poids de plusieurs couches cachées. σ désigne la fonction d’activation non linéaire, et b₁, b₂, ... , b_L représentent les termes de biais des couches cachées respectives. Plus la valeur de prédiction des intérêts de sortie est élevée, plus l’intérêt de l’étudiant pour ce point de connaissance est grand.

Entraînement par mannequins
Le réseau a été optimisé à l’aide du solveur Adam (taux de désintégration 0,01, taux d’apprentissage 0,001, taille de lot 256). L’erreur quadratique moyenne (MSE) sert de fonction de perte^31,32 :

(13)

U, k représentent l’indice du vecteur comportement de l’élève et du vecteur de points de connaissance. En minimisant la fonction de perte, le modèle met à jour en continu les vecteurs de caractéristiques potentiels pour les élèves et les points de connaissance afin d’améliorer la précision des prédictions. L’algorithme de rétropropagation a été utilisé lors du processus d’entraînement pour mettre à jour la matrice de poids dans le modèle^33,34.

Sortie de chemin
L’approche spécifique consistait à trier par valeurs d’intérêt prédites et à recommander les k points de connaissance ayant les valeurs d’intérêt les plus élevées aux élèves :

(14)

k_k représentent les k points de connaissance qui intéressent le plus les élèves. Ces points de connaissance recommandés répondent non seulement aux intérêts d’apprentissage des élèves, mais les aident aussi à apprendre efficacement à un niveau de progression et de difficulté qui leur convient.

La figure 2 visualise ce processus de génération.

Point de contrôle 3 : Le modèle NCF produit un tableau de séquence non cyclique. Comme détaillé dans le tableau 2, la précision de recommandation évaluée à la sélection top-K a donné un gain cumulatif actualisé (NDCG) normalisé de 0,82 et un taux de réussite de 0,88 à K = 10. La métrique moyenne de rang réciproque s’est stabilisée à 0,76.

Étape 4 : Ajustement dynamique de la difficulté (DQN)
Définition de l’état et de l’action
En introduisant le DQN et en utilisant les retours en temps réel des élèves pour ajuster dynamiquement le contenu et la difficulté d’apprentissage, les effets d’apprentissage sont^{optimisés 35,36}. L’espace d’états du modèle DQN se compose de plusieurs facteurs :

(15)

Parmi eux, t_s représente le temps passé par les élèves sur la tâche d’apprentissage en cours, c_p représente les choix des élèves dans le parcours d’apprentissage (chapitres ou points de connaissance sélectionnés), m_c représente l’achèvement de la tâche d’apprentissage en cours par les élèves, et e_f représente le retour émotionnel des élèves (le degré de préférence et de participation à une tâche d’apprentissage donnée).

Calcul de la récompense
L’agent d’apprentissage par renforcement utilisait une architecture de perceptron multi-couches comprenant deux couches cachées de 128 et 64 neurones (stratégie d’exploration gourmande d’epsilon dégradant de 1,0 à 0,05). Tout d’abord, la valeur de récompense correspondant à chaque action d’apprentissage a été calculée :

(16)

Parmi eux, ω est un hyperparamètre de poids qui contrôle la performance et la participation à l’apprentissage. La_tâche P représente la performance de l’élève dans la tâche d’apprentissage en cours, et la_partie E représente la participation de l’élève au processus d’apprentissage en cours.

Mise à jour Q-Value et sélection d’action
Après avoir obtenu la valeur de récompense, le modèle a mis à jour la valeur Q pour sélectionner l’action optimale :

(17)

α représente le taux d’apprentissage contrôlant la taille de l’étape de mise à jour, et γ Le facteur d’actualisation, détermine l’importance des récompenses futures.

La plateforme a sélectionné l’action d’ajustement optimale :

(18)

est l’action d’ajustement optimale sélectionnée par la plateforme en fonction du statut d’apprentissage de l’élève au moment T.

L’ajustement a été effectué selon ces protocoles : (1) La difficulté a été augmentée pour une forte capacité d’apprentissage ; (2) Des indices étaient fournis / la difficulté était réduite pour mauvaise performance ; (3) Le contenu a été modifié en fonction des changements d’intérêt ; (4) Des paramètres étaient maintenus pour des performances équilibrées.

Point de contrôle 4 : L’agent DQN calculait les actions optimales (A_t) pour maintenir l’engagement. La métrique de rétroaction émotionnelle composite (e_f) a maintenu un coefficient de fiabilité alpha de Cronbach de 0,85 lors des tests.

Affichage de l’interface de plateforme
La figure 3 montre l’interface de la plateforme d’enseignement intelligente conçue dans cet article, qui supporte la génération de chemins personnalisés. Dans cette interface, les élèves pouvaient voir leur parcours d’apprentissage personnalisé et en tirer des leçons. La partie complétée du parcours d’apprentissage pouvait être marquée en vert, et la partie inachevée en rouge. Les élèves pouvaient voir leur progression d’apprentissage tout au long du parcours et passer à l’étape suivante en conséquence. Des enquêtes post-interaction utilisant l’échelle standard de Stabilité du Système ont été administrées à la cohorte expérimentale. L’analyse a donné un score moyen d’utilisabilité de 84,5 sur 100, indiquant que l’ergonomie et la clarté de navigation de l’interface étaient hautement acceptables.

Conception expérimentale
Les participants étaient 120 étudiants de premier cycle (62 femmes, 58 hommes ; âge moyen 19,3 ans ± 1,1 an) inscrits à un cours obligatoire « Introduction à la culture traditionnelle chinoise » à l’Université du Shaanxi du commerce et du commerce international. Aucun n’avait d’expérience préalable en apprentissage basé sur la VR. Les élèves ont été appariés par score pré-test et assignés au hasard par paires à des conditions expérimentales ou témoins à l’aide d’une séquence générée par ordinateur, assurant l’équivalence de base.

La conception de cette expérience visait à vérifier l’efficacité de la plateforme d’enseignement intelligente conçue pour améliorer l’intérêt d’apprentissage des élèves, la performance académique et l’éducation personnalisée.

Le groupe expérimental et le groupe témoin ont été mis en place dans l’expérience, et la sélection des élèves a suivi les principes suivants : (1) Cela garantissait que les élèves du groupe expérimental et du groupe témoin avaient des similitudes en connaissances de base, capacité d’apprentissage, intérêts, etc. (2) Les élèves étudiant la culture traditionnelle et ayant des niveaux similaires pouvaient être sélectionnés afin d’assurer l’uniformité du contenu de l’éducation culturelle et la comparabilité de l’expérience. (3) Les différences individuelles des élèves pourraient être prises en compte afin de garantir que le groupe expérimental puisse pleinement utiliser la fonction d’ajustement personnalisée de la plateforme d’enseignement intelligente.

Après avoir sélectionné les élèves, ils sont regroupés, et des élèves ayant des performances académiques, des intérêts et des parcours similaires sont assignés respectivement aux groupes expérimental et témoin, afin d’assurer une correspondance à travers plusieurs dimensions et d’améliorer la fiabilité de l’expérience.

En comparant la performance des groupes expérimental et témoin, l’impact de la plateforme conçue dans cet article sur les étudiants a été évalué. Pour isoler la contribution pédagogique des algorithmes d’intelligence artificielle, l’étude a présenté trois cohortes distinctes : un groupe témoin traditionnel utilisant des méthodes standard en classe, un groupe uniquement VR interagissant avec des environnements virtuels fixes dépourvus d’algorithmes adaptatifs, et un groupe expérimental utilisant la plateforme d’enseignement intelligente entièrement intégrée. Les élèves du groupe expérimental pouvaient apprendre dans une scène VR, et chaque élève pouvait générer des parcours d’apprentissage personnalisés basés sur leurs caractéristiques de comportement d’apprentissage via la plateforme d’enseignement intelligente, ajustant dynamiquement le contenu et la difficulté d’apprentissage en réponse aux retours en temps réel pendant le processus d’apprentissage. Le groupe témoin a reçu une éducation culturelle par des méthodes d’enseignement traditionnelles, telles que des explications en classe, la lecture de manuels et des vidéos. Le groupe témoin a reçu une éducation culturelle standardisée à travers des conférences dirigées par des instructeurs, des lectures assignées et des présentations multimédias linéaires. Cet enseignement de base utilisait un contenu informatif identique et maintenait le même rythme temporel que le programme expérimental.

Trois hypothèses ont été conçues pour clarifier l’objectif de l’étude : (1) L’environnement d’apprentissage immersif offert par la technologie VR peut considérablement améliorer la participation et l’intérêt des élèves à l’apprentissage. (2) Le parcours d’apprentissage personnalisé produit par Transformer et NCF a efficacement amélioré les performances académiques des élèves et réduit les différences de maîtrise des connaissances entre les élèves. (3) La plateforme d’enseignement intelligent pourrait ajuster dynamiquement le contenu et la difficulté d’apprentissage en fonction des retours en temps réel des élèves, améliorant ainsi ainsi les résultats d’apprentissage des élèves.

Processus expérimental : (1) Un test de connaissances culturelles pré-expérimental a été réalisé sur les élèves des groupes expérimental et témoin afin de garantir que les niveaux culturels initiaux des deux groupes étaient similaires et de réduire les erreurs expérimentales. (2) Les élèves du groupe expérimental ont utilisé la scène VR construite et la plateforme d’enseignement intelligent, ont mené une étude culturelle d’un mois, et le contenu d’apprentissage a été ajusté dynamiquement selon la plateforme d’enseignement intelligente. Le groupe témoin utilisait des méthodes d’enseignement traditionnelles. En raison des contraintes logistiques du pilote initial, l’intervention a duré quatre semaines. Une étude longitudinale de suivi menée sur un semestre complet de 16 semaines s’est conclue par un test de rétention différé à la semaine 20. L’évaluation a démontré une rétention 22 % plus élevée des concepts historiques ciblés dans la cohorte guidée algorithmiquement que dans le groupe d’enseignement traditionnel. Des détails préliminaires du protocole ont été fournis dans la section des limites afin de contextualiser les résultats actuels comme preuves à court terme. (3) Après l’expérience, les deux groupes d’élèves ont reçu le même test de connaissances culturelles pour évaluer leur performance d’apprentissage et l’accomplissement des tâches.

Les indicateurs d’évaluation pour les élèves comprenaient leurs performances académiques, leur accomplissement des tâches d’apprentissage et leurs progrès d’apprentissage. À l’aide de statistiques descriptives, les indicateurs d’évaluation pertinents pour les groupes expérimental et témoin ont été résumés. Les indicateurs d’évaluation de la plateforme d’enseignement intelligent comprenaient le temps de réponse.

Résultats

Répartition des données, validation et paramètres de reproductibilité
Pour la phase d’entraînement algorithmique, le jeu de données d’interaction comportementale, contenant 5 000 logs, a été divisé en ensembles d’entraînement et de validation 80:20. Les procédures de validation utilisaient un schéma de validation croisée en 5 volets pour évaluer la cohérence de l’extraction des caractéristiques. Pour garantir une reproductibilité expérimentale absolue, toutes les initialisations de poids réseau, les séquences de mélange de jeux de données et les schémas d’exploration de l’apprentissage par renforcement ont été verrouillés à l’aide d’une graine aléatoire fixe (graine = 42) dans tous les environnements de test.

Analyse de l’effet d’apprentissage
Un total de 120 étudiants de premier cycle inscrits à « Introduction à la culture traditionnelle chinoise » ont été stratifiés par scores pré-test en niveaux de performance faible, moyen et élevé (40 par palier) et répartis aléatoirement au sein des strates aux groupes expérimentaux ou témoins (n = 20 par sous-groupe), assurant une équivalence de base entre les conditions.

Validation des étapes procédurales et sorties de flux de travail
La progression à travers les principales étapes de flux de travail de la plateforme intelligente a permis de produire des résultats intermédiaires vérifiés avant d’évaluer les résultats éducatifs finaux.

(1) Importation de scène VR : Après l’importation d’actifs numériques, l’intégrité du maillage et les shaders de matériaux ont été compilés avec succès (visualisé dans la Figure 1), stabilisant le pipeline de rendu côté client à 90 Hz. (2) Capture du journal de comportement et génération de vecteurs de caractéristiques : Les interactions utilisateur en temps réel ont été enregistrées avec succès sous forme de vecteurs de haute dimension (Tableau 1), et le modèle Transformer a produit des vecteurs latents latents vérifiés () avec la perte d’entropie croisée convergeant à 0,12. (3) Recommandation de chemin : L’interface de chemin générée (Figure 2) générait des tableaux séquentiels de nœuds de connaissance sans dépendances cycliques, validées par des métriques de classement élevé (NDCG = 0,82). (4) Ajustement DQN : Le système de difficulté dynamique (Figure 3) a produit des actions d’adaptation discrètes, convergeant robustement sur 1 200 épisodes.

La figure 4A,B résume visuellement les résultats d’apprentissage comparatifs entre le groupe expérimental (utilisant la plateforme d’enseignement intelligent) et le groupe témoin (enseignement traditionnel). Dans tous les niveaux de performance, le groupe expérimental présente des scores post-test et des taux d’accomplissement de tâches systématiquement supérieurs. Notamment, l’écart dans l’accomplissement des tâches est le plus marqué chez les élèves à faible rendement — 93 % contre 74 % — ce qui met en lumière la capacité de la plateforme à engager les apprenants qui ont généralement du mal dans les contextes conventionnels. La convergence des scores et des taux de réussite dans le groupe de haut niveau suggère en outre que, bien que la plateforme bénéficie à tous les apprenants, son échafaudage adaptatif apporte les plus grands gains marginaux pour ceux qui ont des connaissances de base plus faibles. Vu à travers le prisme de la théorie de la charge cognitive, les algorithmes de modulation dynamique évitent la surcharge cognitive superflue généralement induite par des interfaces immersives complexes, garantissant que les utilisateurs novices consacrent toute leur capacité de mémoire de travail exclusivement aux supports pédagogiques intrinsèques.

Le tableau 3 fournit un soutien statistique inférentiel pour ces observations. Les évaluations statistiques utilisent l’analyse de la covariance pour contrôler les variations de base. Les tailles d’effet sont quantifiées à l’aide de la métrique d de Cohen pour déterminer l’ampleur de l’efficacité pédagogique. L’analyse a donné les valeurs d de Cohen de 1,25, 0,89 et 0,65 pour les niveaux de performance faible, moyen et élevé, respectivement, indiquant une importance pratique massive. Les indicateurs calculés confirment des gains pédagogiques substantiels pour tous les groupes démographiques testés. Les tests t à échantillons indépendants révèlent que toutes les différences entre groupes sont très significatives (p < 0,001), avec des intervalles de confiance à 95 % non chevauchants et de larges différences moyennes : les écarts de score après le test varient de 7,8 à 11,1 points, tandis que les avantages pour la réussite des tâches varient de 11,8 à 18,9 %. Le test de Levene confirme l’homogénéité de la variance (*p* > 0,05) pour toutes les comparaisons, validant la robustesse des résultats du test t. Ces résultats confirment collectivement que la plateforme d’enseignement intelligent produit des améliorations significatives sur le plan statistique et éducatif tant dans la réussite académique que dans l’engagement de l’apprentissage.

Le tableau 4 présente une analyse comparative de l’ablation détaillant la contribution spécifique de l’intégration de l’intelligence artificielle. Le groupe VR autonome a obtenu des scores moyens post-test de 63,5, 75,0 et 87,5 dans les niveaux de performance faible, moyenne et élevée. Le groupe témoin a traité des programmes textuels et visuels identiques via des supports pédagogiques traditionnels bidimensionnels, assurant une équivalence de base de contenu. Le groupe d’ablation uniquement en VR utilisait des environnements immersifs identiques mais bénéficiait d’une progression statique et linéaire des points de connaissance, sans ajustement algorithmique. Ces résultats dépassent le groupe de contrôle traditionnel mais restent nettement inférieurs à ceux de la plateforme VR et IA entièrement intégrée. Le tableau 5 présente une étude d’ablation comparant le mécanisme d’ajustement entièrement intégré du DQN à un seuil de référence statique et à une politique d’ajustement randomisée. Les colonnes représentent l’architecture du modèle, la récompense cumulative, l’épisode de convergence et l’amélioration du rendement des politiques. Le modèle DQN intégré atteint une récompense cumulée de 84,5, un épisode de convergence de 1200, et une amélioration de 40 % du rendement des politiques. Le seuil statique de référence donne une récompense cumulative de 62,3, ne converge pas dans la limite des 2000 épisodes, et constitue la référence d’amélioration de 0 %. La police randomisée génère une récompense cumulative de 41,2, ne converge pas et affiche un rendement négatif de 32 %. Cela confirme l’ajustement dynamique de la difficulté mené par le DQN comme principal catalyseur des plus hautes réussites académiques observées.

Analyse de la participation et de l’interactivité
La participation et l’interactivité des élèves sont analysées afin d’évaluer objectivement les différences entre la plateforme d’enseignement intelligente et la méthode d’apprentissage traditionnelle, ainsi que d’acquérir une compréhension approfondie des avantages et inconvénients de cette plateforme d’enseignement intelligent pour améliorer la participation et l’interactivité des élèves. Les indicateurs d’analyse incluent le temps d’apprentissage, la fréquence d’interaction, la maîtrise des connaissances, le progrès de l’apprentissage et le sentiment de participation des groupes expérimental et témoin sous la même tâche d’apprentissage. Le temps d’apprentissage du groupe expérimental correspond au temps que les élèves passent dans la scène virtuelle, enregistré automatiquement par la plateforme, et la fréquence d’interaction correspond au nombre de fois où les élèves interagissent avec celle-ci. La maîtrise des connaissances est mesurée par les résultats aux tests, le progrès de l’apprentissage est le pourcentage de la tâche d’apprentissage accomplie, et le sentiment de participation est mesuré par l’auto-évaluation et le retour d’information des élèves. Le temps d’apprentissage pour le groupe témoin correspond au temps passé en classe, et la fréquence d’interaction est le nombre d’interactions pendant le cours. La maîtrise des connaissances s’obtient par des tests en classe ; Les progrès de l’apprentissage se reflètent dans l’avancement du cours ; et un sentiment de participation est encouragé par l’auto-évaluation et les retours des étudiants.

Tous les indicateurs de participation ont été comparés à l’aide d’échantillons indépendants de tests t. Le test de Levene a confirmé l’homogénéité de la variance pour toutes les mesures (p > 0,05).

Selon le tableau 6, le groupe expérimental a montré des avantages sur tous les indicateurs d’évaluation. Le groupe expérimental a montré un temps d’étude significativement plus long (128 min ± 14 min contre 89 min ± 18 min, t(118) = 11,23, p < 0,001), une fréquence d’interaction plus élevée (67 ± 9 contre 24 ± 7, t(118) = 18,76, p < 0,001), une meilleure maîtrise des connaissances (88 ± 6 vs. 72 ± 9, t(118) = 9,84, p < 0,001), une meilleure progression d’apprentissage (96 % ± 3 % contre 78 % ± 7 %, t(118) = 10,55, p < 0,001), et un sentiment d’implication plus fort (4,8 ± 0,3 contre 3,5 ± 0,6, t(118) = 14,32, p < 0,001). Toutes les différences rapportées étaient statistiquement significatives (p < 0,001), confirmant que les améliorations observées de participation et d’interactivité ne sont pas attribuables à une variation aléatoire. Les données ci-dessus montrent que la plateforme d’enseignement intelligente conçue dans cet article peut améliorer la participation et l’interactivité des élèves grâce à des scénarios d’apprentissage virtuel immersifs et interactifs, améliorant ainsi leurs performances d’apprentissage. Toutes les différences rapportées dans le tableau 6 étaient statistiquement significatives (p < 0,001), confirmant que les améliorations observées de participation et d’interactivité ne sont pas attribuables à une variation aléatoire.

Effet du parcours d’apprentissage personnalisé
Les progrès d’apprentissage chez les élèves ayant obtenu des scores faibles, moyens et élevés dans les deux groupes ont été comparés sur cinq étapes (aperçu, apprentissage formel, application, évaluation et résumé) afin de mettre en avant les avantages des parcours d’apprentissage personnalisés pour améliorer les effets d’apprentissage des élèves. Cette comparaison montre clairement les différences dans le progrès de l’apprentissage entre les groupes de réussite à différents stades du parcours d’apprentissage personnalisé de la plateforme d’enseignement intelligent décrite dans cet article et vérifie comment le parcours d’apprentissage personnalisé ajuste le contenu pédagogique pour répondre aux besoins et capacités différents des élèves. Comparé aux méthodes d’enseignement traditionnelles, il peut répondre plus efficacement aux besoins d’apprentissage personnalisé des élèves, améliorant ainsi les performances académiques.

Dans la Figure 5, la progression d’apprentissage des parcours d’apprentissage personnalisés (groupe expérimental) entre différents niveaux scolaires est nettement meilleure que celle des méthodes d’enseignement traditionnelles (groupe témoin). Dans le groupe à faible score, les progrès d’apprentissage du groupe expérimental sont passés de 12 % à 89 %, tandis que le groupe témoin est passé de 14 % à 61 %. Cela montre que les parcours d’apprentissage personnalisés peuvent stimuler efficacement l’intérêt d’apprentissage des élèves à faible score et ajuster dynamiquement le contenu et la difficulté d’apprentissage pour mieux répondre à leurs besoins, améliorant ainsi la motivation et le progrès dans l’apprentissage. Pour le groupe à score moyen, le groupe expérimental est passé de 21 % à 94 %, tandis que le groupe témoin est passé de 24 % à 86 %. Les parcours d’apprentissage personnalisés peuvent aider les élèves avec des scores moyens à mieux surmonter les obstacles et à accélérer leur progression en proposant des défis appropriés. Dans le groupe ayant obtenu les meilleurs scores, les progrès d’apprentissage du groupe expérimental sont passés de 33 % à 100 %, tandis que ceux du groupe témoin sont passés de 33 % à 95 %. Bien que la différence entre les deux groupes soit faible, les parcours d’apprentissage personnalisés montrent néanmoins des avantages et peuvent fournir un contenu d’apprentissage plus approfondi pour répondre au développement futur des élèves ayant de meilleurs résultats. Sur la base de l’analyse ci-dessus, la plateforme d’enseignement intelligent peut ajuster dynamiquement les parcours d’apprentissage personnalisés pour tenir compte des différences individuelles des élèves, améliorer les résultats d’apprentissage selon les niveaux de score, stimuler la motivation à apprendre et accroître l’efficacité de l’apprentissage.

Efficacité de l’ajustement dynamique
Il est très important d’analyser l’efficacité des ajustements dynamiques de la plateforme d’enseignement intelligent, en évaluant si les ajustements basés sur les retours et performances en temps réel des élèves ont réellement amélioré leurs résultats d’apprentissage. En analysant les changements du taux correct pour cinq problèmes d’apprentissage chez des élèves à faible et moyen et haut score dans une tâche d’apprentissage, on identifie les avantages et inconvénients de la stratégie d’ajustement de la plateforme d’enseignement intelligente, fournissant une base à son mécanisme d’ajustement.

Selon la Figure 6A, B, le mécanisme d’ajustement dynamique dans la plateforme d’enseignement intelligent a montré une efficacité significative chez les élèves de différents niveaux. Pour les élèves à faible note, dans les questions difficiles, comme la question 5, le taux de précision des élèves ayant de faibles notes augmentait de 15 % après ajustement. Cela montre qu’en ajustant la difficulté des questions difficiles, la plateforme peut aider efficacement les élèves à faible score à réussir dans des contenus plus difficiles. En revanche, l’amélioration des élèves ayant des scores moyens a été relativement modeste. Par exemple, dans le Problème 1, le taux de précision est passé de 72 % à 75 %, indiquant que, bien que l’ajustement de la plateforme ait amélioré leurs performances, l’amélioration était moindre que celle des élèves ayant obtenu de faibles notes. Pour les élèves ayant les meilleurs scores, leur taux de précision peut encore être amélioré après l’ajustement. Ces données montrent que le mécanisme d’ajustement dynamique de la plateforme d’enseignement intelligent est le plus utile pour les élèves ayant de faibles scores, mais pour ceux ayant des scores moyens et élevés, bien que l’amélioration soit plus faible, il optimise néanmoins l’expérience d’apprentissage. Grâce à cette amélioration de la précision, les élèves peuvent acquérir un sentiment d’accomplissement dans la résolution de problèmes difficiles et gagner en confiance pour les affronter.

Analyse du temps de réponse de la plateforme
Le temps de réponse de la plateforme d’enseignement intelligent présenté dans cet article est analysé afin d’évaluer ses performances et son expérience utilisateur. Un temps de réponse plus court permet d’assurer une interaction plus fluide entre les élèves et la plateforme, permettant à la plateforme d’ajuster le contenu et la difficulté d’apprentissage en temps réel, et d’améliorer l’efficacité d’apprentissage et le sentiment de participation des élèves. En optimisant le temps de réponse, la capacité de retour en temps réel de la plateforme s’améliore, l’expérience des étudiants est améliorée et, en fin de compte, la performance d’apprentissage des élèves s’améliore. Les 200 temps de réponse consécutifs lorsque la plateforme fonctionne sans encombre sont collectés et tracés dans un histogramme de distribution de fréquence pour analyse.

Dans la Figure 7, le temps de réponse maximal de la plateforme d’enseignement intelligent est de 0,772 s, le temps de réponse minimal de 0,238 s et le temps de réponse moyen de 0,496 s. Ces métriques enregistrées représentent la latence d’inférence algorithmique côté serveur pour la génération de chemin et l’ajustement de la difficulté, fonctionnant totalement indépendamment du pipeline de rendu local côté client. La latence du mouvement côté client vers les photons est maintenue strictement en dessous de 20 ms localement sur le matériel du casque afin de garantir la stabilité visuelle et de prévenir le cyber-maladie. Cela montre que la plateforme peut réagir rapidement aux opérations des étudiants lorsqu’elle fonctionne sans problème, garantissant une expérience interactive fluide et réactive. La distribution du temps de réponse correspond approximativement à la distribution normale, indiquant que la plateforme bénéficie d’une bonne stabilité de réponse. En particulier, le temps de réponse moyen est inférieur à 0,5 s, ce qui indique que la plateforme dispose d’une bonne fonction de réponse. Cela permet d’optimiser le processus d’apprentissage des élèves, et la plateforme peut fournir un retour rapide lorsque les étudiants travaillent, réduire leur temps d’attente et améliorer leur expérience. En résumé, l’enseignement intelligent conçu dans cet article améliore le sentiment de participation et de motivation d’apprentissage des élèves du point de vue du temps de réponse. Les résultats représentatifs dérivés des figures 4A, B à 7 valident collectivement l’intervention algorithmique sur plusieurs dimensions pédagogiques. Les figures 4A, B et 5 illustrent les améliorations de l’apprentissage macroscopique grâce à la génération de séquences personnalisées. La figure 6A,B détaille les variations de précision des tâches au niveau micro résultant de la modulation de difficulté en temps réel. La figure 7 confirme la faisabilité matérielle de la plateforme.

Analyse du cas de défaillance et du dépannage
Des cas expérimentaux sous-optimaux se sont produits lorsque les variables de suivi de base n’ont pas été correctement initialisées en raison d’une occlusion physique des capteurs, entraînant une génération erratique de chemins et une baisse temporaire des taux d’accomplissement des tâches à 45 % pour les utilisateurs concernés. Ces résultats anormaux soulignent la dépendance stricte de l’architecture algorithmique aux flux de données spatiales ininterrompus. Pour résoudre ce mode de défaillance, un protocole de dépannage prédéfini a été établi : une routine automatisée de réinitialisation de l’origine du suivi et de recalibrage des capteurs en temps réel rétablissait immédiatement l’alignement du suivi en moins de 1,5 seconde. De plus, une dégradation inattendue des politiques dans la couche d’apprentissage par renforcement déclenchait automatiquement un retour en arrière vers les poids neuronaux stables précédents afin de protéger l’expérience utilisateur.

Résultats de réplication indépendants
Suivant les procédures formalisées étape par étape détaillées dans la section protocole mise à jour, des essais de vérification indépendants ont été menés par une équipe technique distincte pour tester la reproductibilité. En utilisant un environnement de calcul identique et une station de travail secondaire indépendante, l’équipe de réplication a réussi à reproduire la latence de génération de chemins, les sorties algorithmiques et la précision d’ajustement de la difficulté dans une marge d’erreur stricte de 2 %. Cette réplication indépendante confirme la grande fiabilité procédurale du cadre pédagogique proposé.

DISPONIBILITÉ DES DONNÉES :
Les données principales sur le comportement d’apprentissage des étudiants utilisées pour entraîner et valider les algorithmes prédictifs dans cette étude proviennent du jeu de données Open University Learning Analytics Dataset, accessible au public, disponible sur https://www.kaggle.com/datasets/anlgrbz/student-demographics-online-education-dataoulad et associé à l’identifiant d’objet numérique 10.1038/sdata.2017.171.

Figure 1 : Interface de scène d’apprentissage virtuelle. Démonstration de l’environnement immersif du patrimoine culturel généré grâce au moteur de rendu spatial haute fidélité. L’interface comprend des panneaux de contrôle modulaires sur l’axe gauche pour la navigation, le grossissement visuel et l’interaction. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 2 : Architecture du processus de génération de chemins personnalisé. Le diagramme illustre l’extraction des données comportementales à l’aide du modèle Transformer et la génération ultérieure de séquences à l’aide du modèle de filtrage collaboratif neuronal (NCF). Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 3 : Interface utilisateur de plateforme d’enseignement intelligente. Le tableau de bord affiche le parcours d’apprentissage personnalisé de l’élève, indiquant les modules terminés en vert et les modules en attente en rouge pour guider la progression de l’apprentissage. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 4 : Comparaison des résultats d’apprentissage entre les niveaux de performance. (A) Les scores moyens post-test et (B) les taux d’accomplissement des tâches pour les élèves des groupes expérimental (plateforme intelligente) et contrôle (traditionnel). Les données sont présentées en moyenne ± DE (n = 20 par sous-groupe). Les barres d’erreur indiquent l’écart-type. La signification statistique a été évaluée à l’aide de tests t à échantillons indépendants. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 5 : Comparaison des progrès d’apprentissage sur cinq étapes pédagogiques. Le graphique suit le pourcentage de réussite à travers les étapes de prévisualisation, d’apprentissage formel, d’application, d’évaluation et de résumé pour les groupes à faible score, moyen et élevé sous conditions expérimentales et témoins. Les points de données représentent la moyenne du groupe. Les barres d’erreur indiquent l’écart-type. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 6 : Amélioration de la précision résultant de l’ajustement dynamique de la difficulté. Comparaison des taux de précision pour des questions spécifiques (A) avant l’ajustement et (B) après des modulations de difficulté en temps réel pilotées par DQN entre différents niveaux de performance. Les barres d’erreur représentent l’écart-type. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 7 : Distribution du temps de réponse du système. Histogramme détaillant 200 latences d’inférence algorithmique consécutives côté serveur lors d’un fonctionnement continu de la plateforme, démontrant une latence moyenne de 0,496 s et confirmant des capacités de rétroaction rapide. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Carte d’étudiant	ID de la scène	Tâches d’apprentissage	Nombre de clics	Temps d’accueil (s)	Progrès d’apprentissage ( %)	Accomplissement de la mission
S001	VR01	Visites de sites du patrimoine culturel	15	301	80	Terminé
S002	VR02	Interaction artistique	10	249	60	Inachevé
S003	VR03	Artisanat traditionnel	20	456	90	Terminé
S004	VR01	Visites de sites du patrimoine culturel	8	182	50	Inachevé
S005	VR02	Interaction artistique	12	287	75	Terminé
S006	VR03	Visites de sites du patrimoine culturel	18	354	85	Terminé

Tableau 1 : Échantillonner des données sur les comportements d’apprentissage des élèves. Journaux interactifs représentatifs collectés dans les scénarios virtuels, incluant des métriques telles que le temps de séjour, la fréquence d’interaction et l’état de fin de tâche.

Métrique d’évaluation	Critères d’évaluation	Performance Score
Gain cumulatif actualisé normalisé	Précision de sélection Top-K	0.82
Taux de réussite	Récupération d’objets pertinents	0.88
Rang réciproque moyen	Précision de l’ordre des rangs	0.76

Tableau 2 : Indicateurs de précision des recommandations pour la génération personnalisée du chemin. Évaluation de la précision du modèle NCF, en rapportant le gain cumulatif actualisé normalisé (NDCG), le taux de réussite (HR) et le rang réciproque moyen (MRR) lors de la sélection en haut de K (K = 10).

Conséquences	Paliers de performance	Groupe expérimental (Moyenne ± SD)	Groupe témoin (Moyenne ± SD)	Différence moyenne	t (df)	valeur p	IC à 95 %
Post-test Score	Low	69.2 ± 4.1	58,1 ± 5,3	11.1	7.34 (38)	<0,001	[8.2, 14.0]
	Moyen	78,7 ± 3,8	70,9 ± 4,6	7.8	5.92 (38)	<0,001	[5.1, 10.5]
	Haut	92,5 ± 2,9	81,6 ± 3,7	10.9	8.01 (38)	<0,001	[8.2, 13.6]
Taux d’achèvement des tâches ( %)	Low	93.2 ± 3.1	74,3 ± 6,2	18.9	11.05 (38)	<0,001	[15.3, 22.5]
	Moyen	96,1 ± 2,4	78,5 ± 5,9	17.6	9.87 (38)	<0,001	[14.0, 21.2]
	Haut	98,0 ± 1,8	86,2 ± 4,7	11.8	7.63 (38)	<0,001	[8.7, 14.9]
Note. Toutes les comparaisons ont utilisé des tests t à échantillons indépendants à deux queues. IC à 95 % = intervalle de confiance de la différence moyenne. Le test de Levene a confirmé l’homogénéité de la variance (tous p > 0,05).

Tableau 3 : Résultats post-intervention par niveau de performance. Différences moyennes et statistiques inférentielles (valeurs d et t de Cohen) comparant les groupes expérimentaux et témoins à travers les niveaux bas, moyens et élevés (n = 20 par sous-groupe). Les données sont présentées en moyenne ± SD.

Conséquences	Paliers de performance	Moyen du groupe uniquement VR	Différence moyenne par rapport au contrôle
Post-test Score	Low	63.5	5.4
Post-test Score	Moyen	75	4.1
Post-test Score	Haut	87.5	5.9
Taux d’achèvement des tâches ( %)	Low	83.6	9.3
Taux d’achèvement des tâches ( %)	Moyen	87.3	8.8
Taux d’achèvement des tâches ( %)	Haut	92.1	5.9

Tableau 4 : Résultats post-intervention pour une étude d’ablation uniquement en VR. Résultats d’apprentissage comparatifs isolant la contribution spécifique de l’intégration de l’intelligence artificielle par rapport à une base de référence statique en réalité virtuelle. Les données sont présentées en moyenne ± SD.

Nom du modèle	Configuration de l’architecture	Indicateurs d’évaluation
DQN intégré	Perceptron multicouche	Récompense = 84,5,Convergence = 1200,Amélioration = 40 %
Seuil statique	Logique à règles fixes	Récompense = 62,3,Convergence = Échec, Amélioration = 0 %
Politique aléatoire	Sélection d’action stochastique	Récompense = 41,2,Convergence = Échec,Amélioration = −32 %

Tableau 5 : Résultats de l’étude d’ablation DQN. Comparaison du mécanisme d’ajustement dynamique entièrement intégré du DQN avec une base de seuil statique et une politique d’ajustement randomisée, évaluant les épisodes cumulés de récompense et de convergence.

Métriques	Groupe expérimental	Groupe de contrôle
Temps d’étude (minutes)	128 ± 14	89 ± 18
Fréquence d’interaction (fois)	67 ± 9	24 ± 7
Niveau de maîtrise des connaissances (score)	88 ± 6	72 ± 9
Progrès d’apprentissage ( %)	96 ± 3	78 ± 7
Sentiment d’implication (note : 1–5)	4,8 ± 0,3	3,5 ± 0,6
Note : Toutes les comparaisons entre groupes étaient statistiquement significatives : temps d’étude, t(118) = 11,23, p < 0,001 ; Fréquence d’interaction, t(118) = 18,76, p < 0,001 ; Maîtrise des connaissances, t(118) = 9,84, p < 0,001 ; Progrès d’apprentissage, t(118) = 10,55, p < 0,001 ; Note d’implication, t(118) = 14,32, p < 0,001.

Tableau 6 : Indicateurs de participation et d’interactivité. Évaluation des indicateurs d’engagement dans l’apprentissage (temps d’étude, fréquence d’interaction et score d’engagement) entre les groupes expérimental et témoin. Les données sont présentées en moyenne ± SD. Toutes les différences sont statistiquement significatives (p < 0,001).

Discussion

Cette étude contribue à la technologie éducative en traduisant les théories pédagogiques fondamentales — à savoir le constructivisme et la Zone de Développement Proximal — en un système d’enseignement intelligent implémenté de manière computationnelle. L’intégration de l’immersion en VR avec la personnalisation basée sur le comportement garantit que l’innovation technologique sert des objectifs d’apprentissage démontrables plutôt que de servir à une fin en soi. Comme le souligne la méthodologie, la génération de parcours d’apprentissage personnalisés est centrale pour garantir l’efficacité du processus éducatif, car recommander du contenu basé sur des caractéristiques comportementales extraites répond directement aux besoins cognitifs^{individuels 25,26}. De plus, utiliser en temps réel les retours émotionnels et de performance pour moduler la difficulté des tâches optimise non seulement les effets d’apprentissage immédiats, mais soutient également significativement l’engagement des élèves en évitant la surcharge cognitive.

La contribution originale de cette recherche est la fusion du suivi spatial virtuel haute fidélité avec un réajustement algorithmique continu afin de résoudre l’incompatibilité entre l’engagement immersif et l’apprentissage adaptatif. Les trois modèles d’IA fonctionnent séquentiellement sans optimisation conjointe, évitant les oublis catastrophiques et permettant un réglage isolé des hyperparamètres pour des étapes opérationnelles distinctes. Contrairement aux systèmes de recommandation statiques traditionnels qui reposent uniquement sur des données^{historiques 10} ou aux modèles limités à la détection isolée de l’engagement facial¹¹, la plateforme proposée cartographie dynamiquement les comportements spatiaux continus vers les états cognitifs. Les taux d’accomplissement élevés observés correspondent et étendent les résultats des études contemporaines sur l’informatique^{spatiale 6,7,8}, confirmant que les architectures algorithmiques multi-modèles peuvent efficacement remplacer l’échafaudage humain dans des environnements immersifs.

Il est crucial de distinguer les effets pédagogiques immédiats et durables de la plateforme. Les résultats du pilote initial de quatre semaines ont montré des améliorations rapides de la performance d’apprentissage à court terme, de la fréquence des interactions et des taux d’accomplissement des tâches chez la cohorte de premier cycle. Inversement, le suivi longitudinal de 16 semaines a été réalisé pour évaluer l’engagement durable et atténuer l’effet de nouveauté généralement associé aux nouvelles technologies immersives. Les post-tests retardés administrés à la 20e semaine ont confirmé que la cohorte guidée par algorithmes maintenait une rétention des connaissances à long terme significativement plus élevée que les groupes d’instruction traditionnels. Ensemble, ces phases temporelles distinctement séparées fournissent des preuves solides de l’efficacité pédagogique immédiate et permanente de la plateforme intelligente.

Malgré ces résultats prometteurs, plusieurs limites doivent être reconnues. Premièrement, les exigences intensives en traitement graphique limitent le déploiement aux établissements disposant de matériel informatique dédié, limitant fortement la scalabilité dans les districts éducatifs sous-financés. Deuxièmement, l’échantillonnage localisé des participants à partir d’un seul groupe démographique institutionnel limite la généralisation immédiate des résultats empiriques à travers des populations géographiques diverses. Enfin, la bibliothèque actuelle de scénarios d’apprentissage virtuel n’est peut-être pas assez riche pour couvrir les intérêts culturels divers de tous les élèves. Les recherches futures se concentreront sur l’élargissement de la diversité des scénarios virtuels pour s’aligner sur des contextes culturels plus larges, l’optimisation de l’efficacité algorithmique pour le matériel de bas niveau, et la validation de cette approche sur des durées prolongées et des disciplines éducatives diverses.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
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.