שיטות הוראה חכמות המשלבות מציאות מדומה ואלגוריתמים של ביג דאטה לשיפור פלטפורמות חינוך תרבותיות מסורתיות

סיכום

מחקר זה מפרט תהליך עבודה שניתן לשחזור לחילוץ תכונות התנהגותיות ולפריסת מסלולים חינוכיים מותאמים דינמית בתוך סביבות וירטואליות. הנהלים המפורטים מאפשרים למורים לפתח תוכניות לימוד במציאות מדומה אדפטיבית וליישם מעקב התנהגותי בזמן אמת.

תקציר

סביבות ההוראה המסורתיות הנוכחיות כוללות אלמנטים אינטראקטיביים מוגבלים, מה שמוביל למדדי מעורבות מוגבלים בקרב אוכלוסיות סטודנטים לתואר ראשון הלומדים מורשת תרבותית. כדי להתמודד עם בעיות אלו, פותחה פלטפורמת הוראה חכמה, המשלבת מנוע רינדור מרחבי באיכות גבוהה בסביבות מציאות מדומה עם ארכיטקטורת אלגוריתמים מרובת מודלים. בתוך פלטפורמה זו, מודלים של טרנספורמר וסינון שיתופי עצבי (NCF) מעבדים נתוני התנהגות ליצירת מסלולי למידה מותאמים אישית, בעוד שרשת Q עמוקה (DQN) מתאימה דינמית את קושי התוכן בהתבסס על משוב בזמן אמת. פיגומים אדפטיביים כאלה משקפים עקרונות למידה קונסטרוקטיביסטית, שבהם הידע נבנה באופן פעיל דרך אינטראקציה עם סביבות מגוונות ומגיבות, ולא מתקבל באופן פסיבי דרך הוראה סטטית. החידוש במחקר זה טמון בשילוב מנוע רינדור מרחבי עם ארכיטקטורת אלגוריתמים מרובת מודלים כדי להקים מנגנון התאמה התנהגותית בזמן אמת. תוצאות הניסוי מראות כי קבוצת הניסוי המשתמשת בפלטפורמת ההוראה החכמה המוצעת מחזיקה בציוני למידה גבוהים יותר (קבוצות נמוכות/בינוניות/גבוהות הן 69/79/93 נקודות, בהתאמה) ושיעור השלמת משימות למידה גבוה יותר (93%/96%/98%) מאשר קבוצת הביקורת שמשתמשת במודל ההוראה המסורתי. עיצוב פלטפורמת ההוראה החכמה מציע אינטראקטיביות חזקה, מספק מסלולי למידה מותאמים אישית לתלמידים עם הבדלים אישיים מגוונים, ומשתנה באופן דינמי במהלך תהליך הלמידה. ניתוח זמן תגובה מצביע על השהיה ממוצעת של 0.496 שניות, מה שמבטיח משוב מהיר על אינטראקציות. בסופו של דבר, הפלטפורמה המוצעת מראה כי שילוב של מציאות מדומה סוחפת עם אלגוריתמים אדפטיביים להתנהגות משפר ביעילות הן את ההישגים האקדמיים והן את המעורבות במשימות עבור סטודנטים לתואר ראשון בחינוך תרבותי מסורתי.

מבוא

החינוך התרבותי המסורתי ממלא תפקיד חיוני בירושה ובהתפתחות התרבות. עם זאת, מודל החינוך התרבותי המסורתי הנוכחי מתבסס בעיקר על צורות סטטיות כמו ספרי לימוד, תמונות וסרטונים, וחסר אינטראקטיביות והטמעה, מה שמקשה על התלמידים להבין ולחוות באמת את קסם התרבות. בנוסף, שיטות הוראה מסורתיות לעיתים קרובות מאמצות תוכנית לימודים מאוחדת, שאינה מתחשבת במלואן בתחומי העניין, היכולות הקוגניטיביות וסגנונות הלמידה של התלמידים, מה שמוביל ליעילות למידה נמוכה וקושי לעורר את ההתלהבות של התלמידים מהלמידה. מגבלה זו תואמת את תיאוריית אזור ההתפתחות הקרובה (ZPD) של ויגוצקי, המדגישה כי הוראה אפקטיבית חייבת להיות מותאמת לרמות הקוגניטיביות הנוכחיות של הלומדים ולהיות מונחת בהתאם למסלולי ההתפתחות האישיים שלהם. הספרות הקיימת מתבססת על קלטי נתונים סטטיים למידול פדגוגי. השילוב של מעקב התנהגותי מרחבי רציף עם למידה מחוזקת עמוקה נותר בלתי נחקר. המנגנון המוצע משלב אינטראקציות רב-חושיות עם התאמה אלגוריתמית מחדש כדי לגשר על הפער בין מסלולי הוראה קבועים לבין התאמה דינמית בהקשר. הפלטפורמה המוצעת מממשת עיקרון זה על ידי התאמת קושי התוכן ורצף התוכן באופן דינמי בהתבסס על מדדים התנהגותיים בזמן אמת, ובכך משלב תיאוריה פדגוגית בעיצוב אלגוריתמי. מנגנוני ההתאמה האלגוריתמיים מחליפים למעשה את הבסיס האנושי שמספק בדרך כלל עמיתים מיומנים יותר. המודולציה המתמשכת של קושי המשימה מתיישבת עם תיאוריית העומס הקוגניטיבי (CLT) על ידי מניעת עומס קוגניטיבי בקרב לומדים מתחילים ושמירה על מעורבות באזור ההתפתחות האופטימלי.

עם פיתוח מציאות מדומה (VR) ואלגוריתמים של נתונים, יישומם בחינוך תרבותי מסורתי מעניק לתלמידים חוויית למידה אינטראקטיבית ומעמיקה יותר 1,2,3,4. סקירות שיטתיות מקיפות של יישומי מציאות מדומה סוחפים בהשכלה גבוהה מדגישות עוד יותר את חשיבות יישור אלמנטים עיצוביים למטרות פדגוגיות ספציפיות⁵.

מחקרים רבים ניסו ליישם את טכנולוגיית ה-VR בחינוך תרבותי. Hulusic ואח^' תכננו ופיתחו מוזיאון וירטואלי לבית הספר, הכולל ממשק משתמש מוחשי. באמצעות מחקר משתתף במשתמשים, נמצא שהמוזיאון מתוכנן ומפותח היטב, ויש לו פוטנציאל לשמש ככלי למידה ולמידה במוזיאונים, בתי ספר או באופן עצמאי. בתגובה לבעיה של חוסר אינטראקטיביות מספקת בסביבות למידה מרחוק^{, מוברוק} ואח' פיתחו שיטת מיפוי טיעונים שיתופית המבוססת על VR כדי להתמודד עם זה. ניסויים הראו ששיטה זו משפרת טוב יותר את הביטוי באנגלית בעל פה של התלמידים מאשר שיטות מיפוי טיעונים שיתופיות שאינן מבוססות VR. Sun ואח^{' הציעו} אסטרטגיית עיצוב למערכת VR סוחפת המשלבת אינטראקציה רב-מודלית, גיימיפיקציה וסיפור סיפורים כדי להציג ולפתח מורשת תרבותית דיגיטלית. הם פיתחו מערכת מציאות מדומה סוחפת ששיקמה את ציורי הקיר של דונהואנג, וסיפקה למשתמשים חוויה לימודית, אינטראקטיבית ומבדרת. עם זאת, מחקרים אלו עדיין מתמודדים עם בעיות מסוימות, כגון אינטראקטיביות חלשה בסצנות VR, קצב עדכון איטי לתוכן למידה, ויכולת הסתגלות לקויה של אלגוריתמי המלצה מותאמים אישית, מה שהופך את מענה המדויק לצרכי הלמידה של תלמידים שונים לבלתי אפשרי. בנוסף, מחקרים מסוימים לא הצליחו לשלב ביעילות למידה עמוקה ולמידה מחזקת, מה שהגביל את יכולות ההתאמה בזמן אמת של המלצות מותאמות אישית.

התקדמות אחרונה בבינה מלאכותית קידמה טכנולוגיות חינוכיות. המחקר מציג מערכות אדפטיביות המנצלות למידה עמוקה לזיהוי דפוסים בהתנהגות המשתמשים. מתודולוגיות המשתמשות באלגוריתמים למעקב קוגניטיבי מפות מצבים דינמיים של רכישת ידע. אופטימיזציה מבנית ברשתות עצביות משפרת את דיוק ההמלצות במסגרות למידה חכמות. סוכנים חכמים המשלבים משתנים סביבתיים מורכבים משפרים תגובות הוראתיות אוטומטיות. שיטות אלו נשענות על זרמי נתונים מבודדים וניתוח היסטורי סטטי. הפלטפורמה המוצעת מתמודדת עם מגבלה זו על ידי מיזוג נתוני אינטראקציה מרחבית עם התאמה אלגוריתמית מתמשכת כדי להבטיח התאמה קונטקסטואלית בזמן אמת.

מחקרים אמפיריים עדכניים מאשרים כי אלגוריתמים של למידה עמוקה משפרים משמעותית את דיוק החיזוי במודלים של ביצועי תלמידים. Ouatik ואח^' יישמו מערכת לחיזוי הצלחה וכישלון אקדמי של תלמידים. הם השתמשו במידע האישי של התלמידים, בהערכה אקדמית ונתונים נוספים, והשתמשו בבינה מלאכותית ובשיטות כריית נתונים חינוכיים כדי לחזות את הצלחתם האקדמית. כדי להתמודד עם בעיית עיבוד הנתונים, נעשה שימוש בטכנולוגיית ביג דאטה (BD) להפצת העיבוד, תוך הפחתת זמן החישוב מבלי לפגוע ביעילות האלגוריתמית. Bhaskaran¹⁰ פיתחה ממליץ מרחב וקטורי משופר כדי להתמודד עם בעיות במערכות המלצות למידה קיימות. הוא עוקב אוטומטית אחרי תחומי העניין, הדרישות ורמות הידע של הלומדים. הוא מסווג ומחלץ את סגנונות הלמידה של הלומדים מהשרת, ואז משתמש באלגוריתם סינון שיתופי משופר כדי לחשב דמיון וליצור רשימת המלצות טובה יותר. גופטה¹¹ הציע שיטה מבוססת למידה עמוקה המשתמשת בהבעות פנים כדי לזהות את המעורבות בזמן אמת של לומדים מקוונים, מסווגת את רגשותיהם לאורך תהליך הלמידה על ידי ניתוח תגיות הפנים של התלמידים, ומשנה את מצב הלמידה שלהם בהתאם לתוצאות הגילוי. עם זאת, לשיטות אלו עדיין יש מגבלות מסוימות.

למרות שפתרונות החינוך הקיימים ל-VR מספקים חוויה סוחפת, הם חסרים יכולות התאמה דינמיות. מסלולי הלמידה של התלמידים לעיתים קרובות קבועים, והתוכן והקושי אינם ניתנים לאופטימיזציה בזמן אמת בהתבסס על התקדמות אישית ומשוב, מה שמוביל לחוסר השתתפות. במקביל, אלגוריתמים מסורתיים של המלצות מותאמות אישית מסתמכים בעיקר על נתונים היסטוריים או תגיות עניין פשוטות ואינם מצליחים לשלב נתונים רב-ממדיים, כגון התנהגות למידה של תלמידים, מצב קוגניטיבי ומשוב רגשי, לניתוח מדויק. היעדר הבנה מעמיקה של תהליכי הלמידה של התלמידים מונע ממערכת ההמלצות לטפל ביעילות בהבדלים האישיים, מה שמוביל לחוויית למידה לא אופטימלית ולתוצאות לא מיטביות.

לכן, כדי להתמודד עם בעיות של חוסר הטמעה מספקת וחוסר התאמה אישית בחינוך תרבותי מסורתי, מוצעת פלטפורמת הוראה אינטליגנטית. שיטה זו חלה ישירות על קורסי מדעי הרוח לתואר ראשון שדורשים ויזואליזציה מרחבית ומדדי קצב מותאמים אישית. מנועי רינדור מרחבי מתקדמים וטכנולוגיות מחשוב מרחבי קשורות משמשים לפיתוח סצנות למידה וירטואליות. סביבות למידה וירטואליות מעניקות ללומדים אוטונומיה לבחור מודולים תרבותיים ספציפיים. מודל הטרנספורמר המבוסס על קשב עצבי מעבד יומני אינטראקציה עם חותמת זמן כדי ליצור ייצוג קומפקטי של דפוסי התנהגות. בהתבסס על הפקת מאפייני התנהגות הלמידה של התלמידים, מודל הסינון השיתופי העצבי (NCF) משמש לחקר עוד תחומי הלמידה של התלמידים ולהפיק מסלולי למידה מותאמים אישית. מודל רשת Q העמוקה (DQN) אוסף משוב בזמן אמת מהתלמידים ומתאים באופן דינמי את מסלול הלמידה כדי למקסם את חוויית הלמידה והשפעת הלמידה שלהם.

לגבי פריסה מעשית, הפלטפורמה המוצעת מספקת יתרונות ספציפיים, אך אינה חלה באופן אוניברסלי. היא מתאימה מאוד למוסדות חינוך המצוידים בחומרה חישובית ייעודית הכוללת יחידות עיבוד גרפיקה בדידות וציוד ויזואליזציה מרחבית סוחפת, ולתוכניות לימוד שמפיקות תועלת משמעותית מהוויזואליזציה מרחבית באדריכלות מורשת תרבותית וארכיאולוגיה. בהקשרים אלו, מעקב התנהגותי דינמי מטפל ביעילות בהבדלי קצב אישיים. לעומת זאת, שיטה זו אינה מתאימה כיום לסביבות חינוך חסרות תקציב שחסרות את התשתית הטכנולוגית הנדרשת. יתרה מזאת, אינו מומלץ לקורסים מופשטים וממוקדי טקסט, שבהם טבילה תלת-ממדית מספקת ערך פדגוגי זניח בהשוואה לשיטות הוראה מסורתיות.

פרוטוקול

ועדת האתיקה המוסדית של אוניברסיטת שאאנשי לסחר בינלאומי ואישרה את פרוטוקול המחקר תחת ההפניה 2025-04A. הסכמה מדעת מתועדת התקבלה מכל המשתתפים לפני תחילת ההליך, כדי להבטיח שכל הנבדקים האנושיים יהיו מודעים לפרוטוקולי המעקב ההתנהגותי והאנונימיזציה של הנתונים. (הערה: ההצדקות הפדגוגיות לגבי האלגוריתמים הועברו לחלק הדיון כדי לשמור על תמציתיות תפעולית.)

שלב 1: בניית סצנת מציאות מדומה

אינטגרציה של נכסים
מידול דיגיטלי של אלמנטים תרבותיים בוצע באמצעות תוכנת מידול תלת-ממדית כללית (ראו טבלת חומרים לתוכנה ספציפית) לבניית סביבות למידה סוחפות^12,13. נוצרו נכסים דיגיטליים, הוקצו טקסטורות רינדור פיזיות, ויובאו למנוע רינדור מרחבי באיכות גבוהה (טבלת חומרים) ללא שימוש בטכניקות הדמיה מיקרוסקופיות^14,15.

תצורת רינדור ופיזיקה
טכנולוגיית מעקב קרני חומרה הופעלה בתוך מנוע הרינדור כדי לאופטימיזציה של תאורה דינמית^16,17:

(1)

P מייצג את עוצמת האור בסצנה. L מייצג את מיקום מקור האור. I_L מציין את עוצמת מקור האור, ו-N מייצג את וקטור הנורמל של האובייקט הווירטואלי.

מנוע הפיזיקה סימלץ דינמיקת אובייקטים באמצעות ממשק תכנות מונחה עצמים (C++). נוסחת התגובה ששימשה הייתה:

(2)

F מייצג את כוח התגובה הדינמי, m היא מסת האובייקט הווירטואלי, v מסמן את מהירותו, ו-t מייצג זמן.

כדי להבטיח חלקות, שימשה טכנולוגיית רמת הפירוט (LOD) לאופטימיזציה של הסצנה, מה שהפחית חישובים מיותרים ושיפר את יעילות הרינדור על ידי התאמת רמת הפירוט הדינמית של דגם^18,19. האצת GPU שימשה לעיבוד תמונה:

(3)

R מייצג את מקדם ההחזרה, M מייצג את מפת המשטח, ו-C מייצג את הצבע הסופי המועבר.

מימוש אינטראקציה
אינטראקציות המשתמש הוגדרו באמצעות ממשק סקריפטים ויזואלי מבוסס צמתים שמקורו במנוע הרינדור המרחבי. באמצעות טכנולוגיית אודיו מרחבית, הקול דומה בחלל כך שהתלמידים יוכלו לשמוע אפקטים קוליים שונים במיקומים שונים. יתרה מזאת, באמצעות טכנולוגיית משוב מוחשי, התלמידים יכלו לקבל תגובות פיזיות למגע הפיזי המתאים בסצנה הווירטואלית²⁰:

(4)

F_t מייצג את כוח המשוב המישושי, ו-k מייצג את מקדם הקשיחות.

סקירת פריסה וציוד
הסביבה הורכבה על מערכת חומרה ייעודית למחשוב מרחבי המצוידת ביחידת עיבוד מרכזית בת עשרים וארבע ליבות, שישים וארבעה גיגה-בייט של זיכרון גישה אקראית, ויחידת עיבוד גרפיקה ייעודית בנפח עשרים וארבע ג'יגה-בייט. הסצנות הווירטואליות הוצבו על תצוגות ויזואליזציה מרחבית סוחפות סטנדרטיות, כפי שמפורט בטבלת החומרים, ברזולוציה של 1440 x 1600 פיקסלים לעין וקצב רענון של 90 הרץ, מה שמבטיח יציבות ויזואלית מיטבית ומפחית השהיה בין תנועה לפוטון. גבולות מרחביים הוגדרו כך שהגבילו את המפגשים ל-45 דקות כדי להקל על מחלת תנועה הנגרמת מראייה.

טבלת החומרים מסכמת את הטכנולוגיות הספציפיות שבהן נעשה שימוש. כל רכיבי החומרה והמחשוב המיועדים היו ציוד מסחרי סטנדרטי ולא הסתמכו על ספק קנייני יחיד. מנוע הרינדור המרחבי ועקיקת קרניים סיפקו תאורה דינמית, בעוד שתוכנת המידול התלת-ממדי שיחזרה אתרים היסטוריים. איור 1 סיפק דוגמה לסצנת הלמידה הווירטואלית, עם תיאור לוח הבקרה המודולרי להגדלה ויזואלית, מודולציה של שמע ותנועה.

נקודת ביקורת 1: סביבת VR מוצגת במלואה הפועלת בקצב רענון יציב של 90 הרץ, תוך מזעור השהיה בין תנועה לפוטון כדי להבטיח יציבות ויזואלית.

שלב 2: חילוץ התנהגות-נתונים (טרנספורמר)
רישום נתונים
נתוני התנהגות הלמידה של התלמידים כללו אינטראקציות עם סצנות VR, כולל ספירת קליקים, זמן שהושקע, התקדמות בלמידה והשלמת משימות. טבלה 1 מציגה את נתוני פעילות הלמידה עבור תלמידים בתרחישי VR שונים. למידע אינטראקטיבי זה, השתמשו בייצוג סדרות זמן בפלטפורמה:

(5)

s_τ מייצג את התנהגות התלמיד בזמן t, ו-T הוא אורך הזמן הכולל. כל התנהגות יוצרת וקטור מממד גבוה:

(6)

f_i מייצג את ערך התכונה הספציפי בממד i, ו-d מציין את המספר הכולל של ממדי התכונה.

מידול רצפים
מודל הטרנספורמר שימש למידול סדרות^{זמן 21,22}. באמצעות מנגנון תשומת הלב העצמית, הופקו מאפיינים התנהגותיים על ידי חישוב הקורלציות בין התנהגויות התלמידים. בהנחה שמטריצת ההטמעה של רצף נתוני התנהגות הלמידה של תלמיד היא X, השאילתה (Q), המפתח (K) והערך (V). מטריצות נוצרו לראשונה על ידי כפל עם מטריצות משקל ניתנות לכיוון W^Q, W^K ו-W^V:

(7)

חישוב תשומת לב
תשומת הלב העצמית בתוך הטרנספורמר חושבה^כ-23,24:

(8)

ביניהם, d_k מייצג את ממד וקטורי המפתח, ששימש כגורם קנה מידה למניעת אפס גרדיאנטים. לאחר חישוב הנוסחה (8), חושב משקל הקשב כדי למדוד את המתאם בין התנהגויות למידה:

(9)

E_IJ מייצג את ציון אנרגיית הקשב הגולמי בין התנהגויות הלמידה. הסכום המשוקלל של משקלים אלו שימש לקבלת וקטור ההקשר ברגע הנוכחי, שהוא וקטור התכונה הפוטנציאלית של הסטודנט:

(10)

נקודת ביקורת 2: מודל הטרנספורמר מפיק וקטורי תכונה סמויים רציפים (c_t). במאגר נתונים של אימות מופרד של 5000 יומני אינטראקציה, המודל השיג דיוק חיזוי רצפים של 89.4%, כאשר אובדן אנטרופיה צולבת מתכנס ל-0.12 לאחר 50 אפוקים.

שלב 3: יצירת מסלולי למידה מותאמים אישית (NCF)
פיצ'ר פיוז'ן
מודל NCF שולב כדי לחקור את תחומי העניין והצרכים הפוטנציאליים של התלמידים ויצר מסלולי למידה מותאמים^אישית 25,26,27,28. ב-NCF, וקטור תכונה v_k הוקצה לכל נקודת ידע תרבותית, וקטור התכונה הפוטנציאלי v_u שהופק על ידי הטרנספורמר וקטור נקודת הידע v_k חוברו ליצירת וקטור מאפיין משותף חדש:

(11)

ארכיטקטורת רשת והיפרפרמטרים:
וקטור המאפיין המשותף הוזן לפרספטרון רב-שכבתי (MLP) ב-NCF לעיבוד^29,30. הפרספטרון הרב-שכבתי השתמש בארכיטקטורה קבועה מראש עם שלוש שכבות נסתרות של 64, 32 ו-16 נוירונים, בהתאמה. קצב הלמידה נקבע ל-0.001, עם גודל אצווה של 256. לאחר הטרנספורמציה הלא-ליניארית של מספר שכבות נסתרות ב-MLP, הופק הערך החזוי של עניין הסטודנטים בנקודות ידע:

(12)

W₁, W₂, ... ,_{W L} מייצגים את מטריצות המשקל של שכבות נסתרות מרובות. σ מציין את פונקציית ההפעלה הלא-ליניארית, ו-b₁, b₂, ... ,_{b L} מייצגים את איברי ההטיה של השכבות הנסתרות המתאימות. ככל שערך תחזית העניין בתפוקה גבוה יותר, כך העניין של הסטודנט בנקודת הידע הזו גדל.

הכשרת מודלים
הרשת אופטימיזציה באמצעות פותר אדם (קצב דעיכה 0.01, קצב למידה 0.001, גודל אצווה 256). שגיאה ממוצעת בריבוע (MSE) משמשת כפונקציית ההפסד^31,32:

(13)

U, K מייצגים את האינדקס של וקטור התנהגות התלמיד וקטור נקודת הידע. על ידי מזעור פונקציית האובדן, המודל מעדכן באופן רציף את וקטורי התכונה הפוטנציאליים לסטודנטים ולנקודות ידע כדי לשפר את דיוק החיזוי. אלגוריתם ההפצה האחורית שימש במהלך תהליך האימון לעדכון מטריצת המשקל במודל^33,34.

פלט נתיב
הגישה הספציפית הייתה למיין לפי ערכי עניין צפויים ולהמליץ לסטודנטים על k נקודות ידע עם ערכי העניין הגבוהים ביותר:

(14)

K K מייצג את נקודות הידע K שמעניינות את התלמידים ביותר. נקודות הידע המומלצות הללו לא רק עונות על תחומי הלמידה של התלמידים, אלא גם עוזרות להם ללמוד בצורה יעילה ברמת התקדמות ורמת קושי המתאימה להם.

איור 2 מציג את תהליך היצירה הזה.

נקודת ביקורת 3: מודל NCF מפיק מערך רצפים לא מחזורי. כפי שמפורט בטבלה 2, דיוק ההמלצה שהוערך בבחירת K העליונה הניב רווח מצטבר מוזל מנורמל (NDCG) של 0.82 ויחס פגיעה של 0.88 ב-K = 10. מדד הדירוג ההפכי הממוצע התייצב על 0.76.

שלב 4: התאמת קושי דינמית (DQN)
הגדרת מצב ופעולה
על ידי הכנסת DQN ושימוש במשוב בזמן אמת של התלמידים להתאמה דינמית של תוכן הלמידה והקושי, השפעות הלמידה של התלמידים מותאמות^35,36. מרחב המצב של מודל DQN מורכב ממספר גורמים:

(15)

ביניהם, t_s מייצג את הזמן שהתלמידים משקיעים במשימת הלמידה הנוכחית, c_p מייצג את הבחירות של התלמידים במסלול הלמידה (פרקים נבחרים או נקודות ידע), m_c מייצג את השלמת משימת הלמידה הנוכחית, ו-e_f מייצג את המשוב הרגשי של התלמידים (רמת ההעדפה וההשתתפות במשימת למידה מסוימת).

חישוב תגמול
סוכן הלמידה החיזוק השתמש בארכיטקטורת פרספטרון רב-שכבתית הכוללת שתי שכבות נסתרות של 128 ו-64 נוירונים (אסטרטגיית חקירה חמדנית של אפסילון שמתדרדרת מ-1.0 ל-0.05). ראשית, ערך התגמול המתאים לכל פעולה למידה חושב:

(16)

ביניהם, ω הוא היפרפרמטר משקל השולט בביצועי הלמידה ובהשתתפות בלמידה. _משימת P מייצגת את ביצועי התלמיד במשימת הלמידה הנוכחית, _וחלק E מייצג את השתתפות התלמיד בתהליך הלמידה הנוכחי.

עדכון Q-Value ובחירת פעולה
לאחר קבלת ערך התגמול, המודל עדכן את ערך Q כדי לבחור את הפעולה האופטימלית:

(17)

α מייצג את קצב הלמידה השולט בגודל שלב העדכון, γ גורם ההנחה קובע את חשיבות התגמולים העתידיים.

הפלטפורמה בחרה את פעולת ההתאמה האופטימלית:

(18)

היא פעולת ההתאמה האופטימלית שנבחרה על ידי הפלטפורמה בהתבסס על מצב הלמידה של התלמיד בזמן T.

ההתאמה בוצעה בהתאם לפרוטוקולים הבאים: (1) רמת הקושי הועלתה לצורך יכולת למידה גבוהה; (2) ניתנו רמזים/הקושי הופחת בשל ביצועים ירודים; (3) התוכן הוסט בהתאם לשינויים בעניין; (4) פרמטרים נשמרו לביצועים מאוזנים.

נקודת ביקורת 4: סוכן ה-DQN חישב פעולות אופטימליות (A_t) כדי לשמור על המעורבות. מדד המשוב הרגשי המורכב (e_f) שמר על מקדם אמינות אלפא של קרונבך של 0.85 במהלך הבדיקה.

תצוגת ממשק הפלטפורמה
איור 3 מציג את הממשק של פלטפורמת ההוראה החכמה שתוכננה במאמר זה, התומכת ביצירת מסלולים מותאמים אישית. בממשק זה, התלמידים יכלו לראות את מסלול הלמידה האישי שלהם וללמוד ממנו. החלק המושלם של מסלול הלמידה יכול להיות מסומן בירוק, והחלק הלא גמור באדום. התלמידים יכלו לראות את התקדמות הלמידה שלהם לאורך מסלול הלמידה ולהתקדם לשלב הבא בהתאם. סקרים לאחר האינטראקציה באמצעות סולם השימושיות הסטנדרטי בוצעו לקבוצה הניסויית. הניתוח הניב ציון ממוצע של 84.5 מתוך 100, מה שמעיד שהארגונומיה והבהירות הניווטית של הממשק היו מקובלות מאוד.

עיצוב ניסיוני
המשתתפים היו 120 סטודנטים לתואר ראשון (62 נשים, 58 גברים; גיל ממוצע 19.3 ± 1.1 שנים) שנרשמו לקורס חובה בשם "מבוא לתרבות הסינית המסורתית" באוניברסיטת שאאנשי לסחר בינלאומי ומסחר בינלאומי. לאף אחד מהם לא היה ניסיון קודם בלמידה מבוססת VR. התלמידים חולקו לפי ציון קדם-מבחן והוקצו באקראי בזוגות לתנאי ניסוי או ביקורת באמצעות רצף ממוחשב, כדי להבטיח שקילות בסיסית.

תכנון הניסוי הזה נועד לאמת את יעילות פלטפורמת ההוראה החכמה שתוכננה בשיפור העניין בלמידה של התלמידים, הישגים אקדמיים והחינוך המותאם אישית.

קבוצת הניסוי וקבוצת הביקורת הוקמו בניסוי, ובחירת התלמידים התבססה על העקרונות הבאים: (1) הבטיחו שלתלמידים בקבוצת הניסוי ובקבוצת הביקורת יש דמיון בידע בסיסי, יכולת למידה, תחומי עניין וכו'. (2) ניתן היה לבחור תלמידים הלומדים תרבות מסורתית והם בכיתות דומות כדי להבטיח אחידות בתוכן החינוך התרבותי וההשוואה של הניסוי. (3) ניתן לקחת בחשבון את ההבדלים האישיים של התלמידים כדי להבטיח שקבוצת הניסוי תוכל לנצל במלואו את פונקציית ההתאמה האישית של פלטפורמת ההוראה החכמה.

לאחר בחירת הסטודנטים, הם מקובטים, וסטודנטים עם ביצועים אקדמיים, תחומי עניין ורקע דומים משובצים לקבוצות הניסוי והביקורת, בהתאמה, כדי להבטיח התאמה בין ממדים שונים ולשפר את אמינות הניסוי.

על ידי השוואת ביצועי קבוצות הניסוי והביקורת, הוערכה השפעת הפלטפורמה שתוכננה במאמר זה על התלמידים. כדי לבודד את התרומה הפדגוגית של אלגוריתמים של בינה מלאכותית, המחקר הציג שלוש קבוצות מובחנות: קבוצת ביקורת מסורתית המשתמשת בשיטות סטנדרטיות בכיתה, קבוצה מבוססת VR בלבד המתקשרת עם סביבות וירטואליות קבועות ללא אלגוריתמים אדפטיביים, וקבוצה ניסיונית המשתמשת בפלטפורמת הוראה אינטליגנטית משולבת לחלוטין. התלמידים בקבוצת הניסוי יכלו ללמוד בסצנת VR, וכל תלמיד יכול היה ליצור מסלולי למידה מותאמים אישית בהתבסס על מאפייני התנהגות הלמידה שלהם דרך פלטפורמת ההוראה החכמה, תוך התאמת תוכן הלמידה והקושי באופן דינמי בתגובה למשוב בזמן אמת במהלך תהליך הלמידה. קבוצת הביקורת קיבלה חינוך תרבותי באמצעות שיטות הוראה מסורתיות, כגון הסברים בכיתה, קריאת ספרי לימוד וסרטונים. קבוצת הביקורת קיבלה חינוך תרבותי סטנדרטי באמצעות הרצאות בהנחיית מדריכים, קריאות מוקצות והצגות מולטימדיה ליניאריות. הוראה בסיסית זו השתמשה בתוכן מידע זהה ושמרה על אותו קצב זמני כמו בתכנית הניסוי.

שלוש השערות עוצבו כדי להבהיר את מטרת המחקר: (1) סביבת הלמידה הסוחפת שמספקת טכנולוגיית VR יכולה לשפר משמעותית את ההשתתפות והעניין בלמידה של התלמידים. (2) תוצרת מסלול הלמידה המותאם אישית של טרנספורמר ו-NCF שיפרה ביעילות את הביצועים האקדמיים של התלמידים והקטינה את ההבדלים בשליטה בידע בין תלמידים שונים. (3) פלטפורמת ההוראה החכמה יכלה להתאים באופן דינמי את תוכן הלמידה והקושי בהתבסס על משוב בזמן אמת של התלמידים, ובכך לשפר עוד יותר את תוצאות הלמידה של התלמידים.

תהליך ניסוי: (1) נערך מבחן ידע תרבותי טרום-ניסיוני על תלמידים בקבוצות הניסוי והביקורת, שהבטיח שרמות התרבות הראשוניות של שתי הקבוצות דומות ולהפחית טעויות ניסיוניות. (2) התלמידים בקבוצת הניסוי השתמשו בסצנת VR שנבנתה ובפלטפורמת ההוראה החכמה ערכו מחקר תרבותי בן חודש, ותוכן הלמידה הותאם דינמית בהתאם לפלטפורמת ההוראה החכמה. קבוצת הביקורת השתמשה בשיטות הוראה מסורתיות. עקב מגבלות לוגיסטיות של הפיילוט הראשוני, ההתערבות נמשכה ארבעה שבועות. מחקר ארוך טווח נוסף שבוצע לאורך סמסטר מלא של 16 שבועות הגיע לשיאו במבחן שימור מאוחר בשבוע ה-20. ההערכה הראתה שימור גבוה של 22% של מושגים היסטוריים ממוקדים בקבוצה מונחית אלגוריתם לעומת קבוצת ההוראה המסורתית. פרטי הפרוטוקול הראשוניים סופקו בסעיף ההגבלות כדי להקשר את הממצאים הנוכחיים כראיות לטווח קצר. (3) לאחר הניסוי, שתי קבוצות התלמידים עברו את אותו מבחן ידע תרבותי להערכת ביצועי הלמידה והשלמת המשימות.

מדדי ההערכה לתלמידים כללו את הביצועים האקדמיים שלהם, השלמת משימות הלמידה והתקדמות בלמידה. באמצעות סטטיסטיקה תיאורית, סוכמו מדדי ההערכה הרלוונטיים לקבוצות הניסוי והביקורת. מדדי ההערכה של פלטפורמת ההוראה החכמה כללו זמן תגובה.

תוצאות

חלוקות נתונים, הגדרות אימות ושחזור
לשלב האימון האלגוריתמי, מאגר הנתונים של אינטראקציה התנהגותית, שכלל 5,000 לוגים, חולק למערכות אימון ואימות של 80:20. נהלי האימות השתמשו בשיטת אימות צולבת בת 5 פעמים להערכת עקביות בחילוץ תכונות. כדי להבטיח שחזור מוחלט של ניסוי, כל אתחולי משקל הרשת, רצפי ערבוב מערכי הנתונים ודפוסי חקירה בלמידת חיזוק ננעלו באמצעות seed אקראי קבוע (seed = 42) בכל סביבות הבדיקה.

ניתוח אפקטי למידה
בסך הכול 120 סטודנטים לתואר ראשון שנרשמו ל"מבוא לתרבות הסינית המסורתית" חולקו לפי ציוני קדם-מבחן לרמות ביצועים נמוכות, בינוניות וגבוהות (40 בכל שכבה) והוקצו באקראי בתוך שכבות לקבוצות ניסוי או ביקורת (n = 20 לכל תת-קבוצה), מה שמבטיח שקילות בסיסית בין מצבים.

אימות שלבים פרוצדורלי ופלטי זרימת עבודה
ההתקדמות בשלבי זרימת העבודה העיקריים של הפלטפורמה החכמה הניבה תוצאות ביניים מאומתות לפני הערכת תוצאות חינוכיות סופיות.

(1) ייבוא סצנה ב-VR: לאחר ייבוא נכסים דיגיטליים, שלמות הרשת ושיידרי החומרים מורכבים בהצלחה (כפי שמודגם באיור 1), ייצוב צינור הרינדור בצד הלקוח ב-90 הרץ. (2) לכידת יומן התנהגות ויצירת וקטורי תכונות: אינטראקציות משתמש בזמן אמת נרשמו בהצלחה כוקטורים מממד גבוה (טבלה 1), ומודל הטרנספורמר הפיק וקטורי תכונה סמויים רציפים מאומתים () כאשר אובדן האנטרופיה החוצה מתכנס ל-0.12. (3) המלצת מסלול: ממשק הנתיב שנוצר (איור 2) פלט מערכי צמתים של ידע סדרתיים ללא תלות מחזורית, מאומתים על ידי מדדי סדר דירוג גבוה (NDCG = 0.82). (4) DQN Adjustment: מערכת הקושי הדינמית (איור 3) הפיקה פעולות התאמה בדידות, שהתכנסות באופן משמעותי בתוך 1,200 פרקים.

איור 4A,B מסכם חזותית את תוצאות הלמידה ההשוואתיות בין קבוצת הניסוי (באמצעות פלטפורמת ההוראה החכמה) לקבוצת הביקורת (הוראה מסורתית). בכל רמות הביצועים, קבוצת הניסוי מראה באופן עקבי ציונים גבוהים יותר לאחר המבחן ושיעורי השלמת משימות. חשוב לציין שהפער בהשלמת המשימות בולט במיוחד בקרב תלמידים עם ביצועים נמוכים — 93% לעומת 74% — מה שמדגיש את יכולת הפלטפורמה לערב לומדים שבדרך כלל מתקשים בסביבות קונבנציונליות. ההתכנסות של הציונים ושיעורי ההשלמה בקבוצת הדרגה הגבוהה מרמזת עוד יותר שבעוד שהפלטפורמה מיטיבה עם כל הלומדים, הבסיס האדפטיבי שלה מניב את הרווחים השוליים הגדולים ביותר עבור אלו עם ידע בסיסי חלש יותר. בהסתכלות דרך עדשת תיאוריית העומס הקוגניטיבי, אלגוריתמי המודולציה הדינמית מונעים עומס קוגניטיבי מיותר שנוצר בדרך כלל על ידי ממשקים סוחפים מורכבים, ומבטיחים שמשתמשים מתחילים יקדישו את כל קיבולת הזיכרון העבודה בלעדית לחומרי הוראה פנימיים.

טבלה 3 מספקת תמיכה סטטיסטית אינפרנציאלית לתצפיות אלו. הערכות סטטיסטיות משתמשות בניתוח של שונות כדי לשלוט בשינויים בסיסיים. גודל האפקט מכומת באמצעות מדד d של כהן כדי לקבוע את גודל היעילות ההוראתית. הניתוח הניב ערכי d של כהן של 1.25, 0.89 ו-0.65 ברמות הביצועים הנמוכים, הבינוניים והגבוהים, בהתאמה, מה שמעיד על משמעות מעשית עצומה. המדדים המחושבים מאשרים שיפורים משמעותיים בהוראה בכל הדמוגרפיות שנבדקו. מבחני t במדגמים בלתי תלויים מגלים כי כל ההבדלים בין הקבוצות הם מובהקים מאוד (p < 0.001), עם טווחי ביטחון של 95% שאינם חופפים והבדלים ממוצעים גדולים: פערי ציונים לאחר המבחן נעים בין 7.8 ל-11.1 נקודות, בעוד יתרונות השלמת משימות נעים בין 11.8 ל-18.9%. מבחן לבין מאשר הומוגניות של שונות (*p* > 0.05) בכל ההשוואות, ומאמת את עמידות תוצאות מבחן t. ממצאים אלו מאשרים יחד כי פלטפורמת ההוראה החכמה מביאה לשיפורים משמעותיים סטטיסטית וחינוכית הן בהישגים אקדמיים והן במעורבות בלמידה.

טבלה 4 מציגה ניתוח השוואתי של אבלציה המפרט את התרומה הספציפית של אינטגרציה עם בינה מלאכותית. קבוצת ה-VR העצמאית השיגה ציונים ממוצעים לאחר המבחן של 63.5, 75.0 ו-87.5 ברמות הביצועים הנמוכים, הבינוניים והגבוהים. קבוצת הביקורת עיבדה תוכניות לימודים טקסטואליות ווויזואליות זהות באמצעות מדיה הוראתית דו-ממדית מסורתית, תוך הבטחת שקילות תוכן בסיסית. קבוצת האבלציה המבוססת רק על VR השתמשה בסביבות סוחפות זהות אך קיבלה התקדמות סטטית וליניארית של נקודות ידע ללא התאמות אלגוריתמיות. תוצאות אלו עולות על קבוצת הבקרה המסורתית אך נשארות נמוכות משמעותית מהפלטפורמה המשולבת של VR ובינה מלאה. טבלה 5 מציגה מחקר אבלציה המשווה את מנגנון ההתאמה המשולב של DQN מול בסיס סף סטטי ומדיניות התאמה אקראית. העמודות מייצגות את ארכיטקטורת המודלים, תגמול מצטבר, פרק התכנסות ושיפור תשואות מדיניות. מודל DQN המשולב משיג תגמול מצטבר של 84.5, פרק התכנסות של 1200, ושיפור של 40% בתשואה המדינית. קו הסף הסטטי מניב תגמול מצטבר של 62.3, אינו מתכנס בתוך מגבלת 2000 הפרקים, ומשמש כקו בסיס לשיפור 0%. הפוליסה האקראית מייצרת תגמול מצטבר של 41.2, אינה מתכנסת, ומציגה תשואה שלילית של 32%. דבר זה מאשר את ההתאמה הדינמית של הקושי שמונע על ידי DQN כזרז העיקרי להישגים האקדמיים הגבוהים ביותר שנצפו.

השתתפות וניתוח אינטראקטיביות
השתתפות תלמידים ואינטראקטיביות מנותחות כדי להעריך באופן אובייקטיבי את ההבדלים בין פלטפורמת ההוראה החכמה לבין שיטת הלמידה המסורתית, ולקבל הבנה מעמיקה של היתרונות והחסרונות של פלטפורמת ההוראה החכמה בשיפור השתתפות התלמידים והאינטראקטיביות. מדדי הניתוח כוללים זמן למידה, תדירות אינטראקציה, שליטה בידע, התקדמות בלמידה ותחושת השתתפות עבור קבוצות הניסוי והביקורת תחת אותה משימת למידה. זמן הלמידה של קבוצת הניסוי הוא הזמן שהתלמידים מבלים בסצנה הווירטואלית, שנרשם אוטומטית על ידי הפלטפורמה, ותדירות האינטראקציה היא מספר הפעמים שבהן התלמידים מתקשרים איתה. שליטה בידע נמדדת לפי ציוני מבחנים, התקדמות הלמידה היא אחוז המשימה שהושלמה, ותחושת ההשתתפות נמדדת באמצעות הערכה עצמית ומשוב של התלמידים. זמן הלמידה של קבוצת הביקורת הוא הזמן שמוקדש לכיתה, ותדירות האינטראקציה היא מספר האינטראקציות במהלך השיעור. שליטה בידע מושגת באמצעות מבחנים בכיתה; התקדמות הלמידה משתקפת בהתקדמות הקורס; ותחושת השתתפות מתחזקת דרך הערכה עצמית ומשוב של התלמידים.

כל מדדי ההשתתפות הושוו באמצעות מבחני t במדגמים עצמאיים. מבחן לוון אישר הומוגניות שונות לכל המדדים (עמוד > 0.05).

לפי טבלה 6, קבוצת הניסויים הראתה יתרונות בכל מדדי ההערכה. קבוצת הניסוי הראתה זמן לימוד ארוך משמעותית יותר (128 דקות ±-14 דקות לעומת 89 דקות ±-18 דקות, t(118) = 11.23, p < 0.001), תדירות אינטראקציה גבוהה יותר (67 ± 9 לעומת 24 ± 7, t(118) = 18.76, p < 0.001), שליטה בידע גבוהה יותר (88 ± 6 לעומת 72 ± 9, t(118) = 9.84, p < 0.001), התקדמות בלמידה גבוהה (96% ± 3% לעומת 78% ± 7%, t(118) = 10.55, p < 0.001), ותחושת מעורבות חזקה יותר (4.8 ± 0.3 לעומת 3.5 ± 0.6, t(118) = 14.32, p < 0.001). כל ההבדלים המדווחים היו מובהקים סטטיסטית (p < 0.001), מה שמאשר כי השיפורים שנצפו בהשתתפות ובאינטראקטיביות אינם מיוחסים לשונות אקראית. הנתונים לעיל מראים כי פלטפורמת ההוראה החכמה שתוכננה במאמר זה יכולה לשפר את ההשתתפות והאינטראקטיביות של התלמידים באמצעות תרחישי למידה וירטואלית סוחפים ואינטראקטיביים, ובכך לשפר את ביצועי הלמידה שלהם. כל ההבדלים שדווחו בטבלה 6 היו מובהקים סטטיסטית (p < 0.001), מה שמאשר כי השיפורים שנצפו בהשתתפות ובאינטראקטיביות אינם מיוחסים לשונות אקראית.

השפעת מסלול הלמידה המותאם אישית
התקדמות הלמידה בקרב תלמידים עם ציונים נמוכים, בינוניים וגבוהים בשתי הקבוצות הושוותה בחמישה שלבים (תצוגה מקדימה, למידה פורמלית, יישום, הערכה וסיכום) כדי להדגיש את היתרונות של מסלולי למידה מותאמים אישית בשיפור השפעות הלמידה של התלמידים. השוואה זו מראה בבירור הבדלים בהתקדמות הלמידה בין קבוצות הישגים בשלבים שונים לאורך מסלול הלמידה המותאם אישית של פלטפורמת ההוראה החכמה המתוארת במאמר זה, ומאמתת כיצד מסלול הלמידה המותאם אישית מתאים את תוכן ההוראה כדי לענות על הצרכים והיכולות השונים של התלמידים. בהשוואה לשיטות הוראה מסורתיות, היא יכולה לענות בצורה יעילה יותר על צרכי הלמידה המותאמים אישית של התלמידים, ובכך לשפר את ההישגים האקדמיים.

באיור 5, התקדמות הלמידה במסלולי למידה מותאמים אישית (קבוצת ניסוי) בין כיתות תלמידים שונות טובה משמעותית מזו של שיטות הוראה מסורתיות (קבוצת ביקורת). בקבוצת הניקוד הנמוך, התקדמות הלמידה של קבוצת הניסויים עלתה מ-12% ל-89%, בעוד שקבוצת הביקורת עלתה מ-14% ל-61%. זה מראה שמסלולי למידה מותאמים אישית יכולים לעורר ביעילות את העניין בלמידה של תלמידים עם ציונים נמוכים ולהתאים באופן דינמי את תוכן הלמידה והקושי כדי לענות טוב יותר על צורכי הלמידה שלהם, ובכך לשפר את המוטיבציה וההתקדמות שלהם. בקבוצת הניקוד הבינוני, קבוצת הניסוי עלתה מ-21% ל-94%, בעוד קבוצת הביקורת עלתה מ-24% ל-86%. מסלולי למידה מותאמים אישית יכולים לעזור לתלמידים עם ציונים ממוצעים להתגבר טוב יותר על מכשולי הלמידה ולהאיץ את התקדמות הלמידה שלהם על ידי מתן אתגרים מתאימים. בקבוצת הניקוד הגבוה, התקדמות הלמידה של קבוצת הניסוי עלתה מ-33% ל-100%, בעוד שקבוצת הביקורת עלתה מ-33% ל-95%. למרות שההבדל בין שתי הקבוצות קטן, מסלולי הלמידה המותאמים אישית עדיין מציגים יתרונות ויכולים לספק תוכן למידה מעמיק יותר כדי להתאים להתפתחות הנוספת של תלמידים בעלי ציונים גבוהים. בהתבסס על הניתוח לעיל, פלטפורמת ההוראה החכמה יכולה להתאים באופן דינמי מסלולי למידה מותאמים אישית כדי להתחשב בהבדלים האישיים של התלמידים, לשפר תוצאות למידה ברמות ציון שונות, לעודד מוטיבציה ללמידה ולשפר את יעילות הלמידה.

יעילות ההתאמה הדינמית
חשוב מאוד לנתח את יעילות ההתאמות הדינמיות של פלטפורמת ההוראה החכמה, ולהעריך האם ההתאמות המבוססות על משוב וביצועים בזמן אמת של התלמידים שיפרו באמת את תוצאות הלמידה שלהם. על ידי ניתוח שינויים בקצב הנכון עבור חמש בעיות למידה בקרב תלמידים עם ציונים נמוכים, בינוניים וגבוהים במשימת למידה, מזוהים היתרונות והחסרונות של אסטרטגיית ההתאמה של פלטפורמת ההוראה החכמה, מה שמספק בסיס למנגנון ההתאמה שלה.

לפי איור 6A,B, מנגנון ההתאמה הדינמית בפלטפורמת ההוראה החכמה הראה יעילות משמעותית בקרב תלמידים בכיתות שונות. עבור תלמידים עם ציונים נמוכים, בשאלות קשות, כמו שאלה 5, שיעור הדיוק של תלמידים עם ציונים נמוכים עלה ב-15% לאחר ההתאמה. זה מראה כי על ידי התאמת רמת הקושי של שאלות קשות, הפלטפורמה יכולה לסייע ביעילות לתלמידים עם ציונים נמוכים להצליח בתוכן קשה יותר. לעומת זאת, השיפור בתלמידים בעלי הציונים הביניים היה מתון יחסית. לדוגמה, בבעיה 1, שיעור הדיוק עלה מ-72% ל-75%, מה שמעיד שלמרות שהתאמת הפלטפורמה שיפרה את ביצועיהם, השיפור היה קטן יותר מזה של התלמידים עם ציונים נמוכים. לתלמידים עם ציונים גבוהים, שיעור הדיוק שלהם עדיין יכול להשתפר לאחר ההתאמה. נתונים אלו מראים שמנגנון ההתאמה הדינמית בפלטפורמת ההוראה החכמה מועיל בעיקר לתלמידים עם ציונים נמוכים, אך עבור תלמידים עם ציונים בינוניים וגבוהים, למרות שהשיפור קטן יותר, הוא עדיין מייעל את חוויית הלמידה. באמצעות שיפור זה בדיוק, התלמידים יכולים לזכות בתחושת הישג בפתרון בעיות קשות ולבנות ביטחון בהתמודדות איתן.

ניתוח זמן תגובה לפלטפורמה
זמן התגובה של פלטפורמת ההוראה החכמה המוצגת במאמר זה מנותח כדי להעריך את ביצועיה וחוויית המשתמש. זמן תגובה קצר יותר יכול להבטיח אינטראקציה חלקה יותר בין התלמידים לפלטפורמה, ולאפשר לפלטפורמה להתאים את תוכן הלמידה והקושי בזמן אמת ולשפר את יעילות הלמידה ותחושת ההשתתפות שלהם. על ידי אופטימיזציה של זמן התגובה, יכולת המשוב בזמן אמת של הפלטפורמה משתפרת, חוויית התלמידים משתפרת, ולבסוף ביצועי הלמידה שלהם משתפרים. 200 זמני התגובה הרצופים בהם הפלטפורמה פועלת בצורה חלקה נאספים ומסומנים להיסטוגרמה של התפלגות תדרים לניתוח.

באיור 7, זמן התגובה המרבי של פלטפורמת ההוראה החכמה הוא 0.772 שניות, זמן התגובה המינימלי הוא 0.238 שניות, וזמן התגובה הממוצע הוא 0.496 שניות. מדדים אלו מייצגים את השהיית ההסקה האלגוריתמית בצד השרת ליצירת מסלולים והתאמת קושי, ופועלת באופן עצמאי לחלוטין מצינור הרינדור המקומי בצד הלקוח. השהיית תנועה לפוטון בצד הלקוח נשמרת בקפדנות מתחת ל-20 מילישניות מקומית בחומרת האוזניות כדי להבטיח יציבות ויזואלית ולמנוע מחלת סייבר. דבר זה מראה שהפלטפורמה יכולה להגיב במהירות לפעילות הסטודנטים כאשר היא פועלת בצורה חלקה, ולהבטיח חוויית אינטראקציה חלקה ותגובתית. התפלגות זמן התגובה תואמת בקירוב את ההתפלגות הנורמלית, מה שמעיד שלפלטפורמה יש יציבות תגובה טובה. בפרט, זמן התגובה הממוצע הוא פחות מ-0.5 שניות, מה שמעיד שלפלטפורמה יש פונקציית תגובה טובה. זה מסייע למקסם את תהליך הלמידה של התלמידים, והפלטפורמה יכולה לספק משוב מהיר כאשר הם פועלים, לקצר את זמן ההמתנה ולשפר את חוויית התלמידים. לסיכום, ההוראה החכמה שתוכננה במאמר זה משפרת את תחושת ההשתתפות והמוטיבציה הלמידה של התלמידים מנקודת מבט של זמן תגובה. התוצאות המייצגות שנגזרו מאיור 4A,B ועד איור 7 מאמתות יחד את ההתערבות האלגוריתמית בממדים פדגוגיים שונים. איורים 4A,B ואיור 5 ממחישים את שיפורי הלמידה המאקרוסקופיים המונעים על ידי יצירת רצפים מותאמים אישית. איור 6A,B מפרט את שינויי דיוק המשימות ברמת מיקרו הנובעים ממודולציית קושי בזמן אמת. איור 7 מאשר את היתכנות החומרה של הפלטפורמה.

ניתוח מקרה תקלות ופתרון תקלות
מקרים ניסיוניים פחות אופטימליים התרחשו כאשר משתני מעקב בסיסי נכשלו באתחול נכון עקב חסימה פיזית של חיישנים, מה שהוביל ליצירת מסלולים לא יציבים ולירידה זמנית בשיעורי השלמת המשימה ל-45% בקרב המשתמשים המושפעים. תוצאות חריגות אלו מדגישות את התלות המדויקת של הארכיטקטורה האלגוריתמית בזרמי נתונים מרחביים בלתי מופרעים. כדי לפתור מצב כשל זה, הוקם פרוטוקול פתרון תקלות מוגדר מראש: איפוס מקור מעקב אוטומטי ושגרת כיול חיישנים בזמן אמת החזירה מיד את יישור המעקב בתוך 1.5 שניות. בנוסף, ירידה בלתי צפויה במדיניות בשכבת הלמידה החיזוקית הפעילה אוטומטית חזרה למשקלים העצביים היציבים הקודמים כדי להגן על חוויית המשתמש.

תוצאות שכפול עצמאי
בהתאם לנהלים הפורמליים שלב אחר שלב המפורטים בסעיף הפרוטוקול המעודכן, נערכו ניסויי אימות עצמאיים על ידי צוות טכני נפרד לבדיקת שחזוריות. באמצעות סביבה חישובית זהה ותחנת עבודה משנית עצמאית, צוות השכפול הצליח לשחזר את השהיית יצירת המסלול, הפלטים האלגוריתמיים ודיוק התאמת הקושי בתוך טווח שגיאה מוחלט של 2%. שכפול עצמאי זה מאשר את האמינות הפרוצדורלית הגבוהה של מסגרת ההוראה המוצעת.

זמינות נתונים:
נתוני התנהגות הלמידה המרכזיים של הסטודנטים המשמשים לאימון ואימות האלגוריתמים החיזויים במחקר זה נגזרים ממאגר הנתונים הנגיש לציבור Open University Learning Analytics, הזמין ב-https://www.kaggle.com/datasets/anlgrbz/student-demographics-online-education-dataoulad ומשויך למזהה האובייקטים הדיגיטליים 10.1038/sdata.2017.171.

איור 1: ממשק סצנת למידה וירטואלית. הדגמה של סביבת המורשת התרבותית הסוחפת שנוצרה באמצעות מנוע ההדמיה המרחבית באיכות גבוהה. הממשק כולל לוחות בקרה מודולריים בציר השמאלי לניווט, הגדלה ויזואלית ואינטראקציה. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 2: ארכיטקטורה של תהליך יצירת המסלולים המותאם אישית. תרשים הזרימה ממחיש את חילוץ נתוני התנהגות באמצעות מודל הטרנספורמר ואת הדור הבא של רצפים באמצעות מודל סינון שיתופי עצבי (NCF). אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 3: ממשק משתמש של פלטפורמת הוראה חכמה. לוח המחוונים מציג את מסלול הלמידה המותאם אישית של התלמיד, ומציין את המודולים שהושלמו בירוק ואת המודולים הממתינים באדום כדי להנחות את התקדמות הלמידה. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 4: השוואת תוצאות למידה בין רמות ביצועים. (א) ציוני ממוצע לאחר המבחן ו-(ב) שיעורי השלמת משימות לתלמידים בקבוצות הניסוי (פלטפורמה חכמה) וקבוצת הביקורת (המסורתית). הנתונים מוצגים כממוצע ± SD (n = 20 לכל תת-קבוצה). פסי השגיאה מציינים סטיית תקן. המובהקות הסטטיסטית הוערכה באמצעות מבחני t במדגמים בלתי תלויים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 5: השוואת התקדמות בלמידה בחמישה שלבי הוראה. הגרף עוקב אחר אחוז ההשלמה לאורך שלבי תצוגה מקדימה, למידה פורמלית, יישום, הערכה וסיכום עבור קבוצות עם ציונים נמוכים, בינוניים וגבוהים בתנאי ניסוי וביקורת. נקודות נתונים מייצגות את ממוצע הקבוצה. פסי השגיאה מציינים סטיית תקן. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 6: שיפור דיוק כתוצאה מהתאמת קושי דינמית. השוואת שיעורי דיוק לשאלות ספציפיות (A) לפני ההתאמה ו-(B) לאחר מודולציות קושי מונעות DQN בזמן אמת בין רמות ביצועים שונות. פסי השגיאה מייצגים סטיית תקן. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 7: התפלגות זמן תגובה של המערכת. היסטוגרמה המתארת 200 השהיית הסקה אלגוריתמית רצופה בצד השרת במהלך פעולה רציפה על הפלטפורמה, המדגימה השהיה ממוצעת של 0.496 שניות ומאשרת יכולות משוב מהיר. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

תעודת סטודנט	מזהה סצנה	משימות למידה	מספר הקליקים	זמן מגורים	התקדמות בלמידה (%)	השלמת המשימה
S001	VR01	ביקורי אתרי מורשת תרבותית	15	301	80	הסתיים
S002	VR02	אינטראקציה בין יצירות אמנות	10	249	60	לא גמור
S003	VR03	מלאכת יד מסורתית	20	456	90	הסתיים
S004	VR01	ביקורי אתרי מורשת תרבותית	8	182	50	לא גמור
S005	VR02	אינטראקציה בין יצירות אמנות	12	287	75	הסתיים
S006	VR03	ביקורי אתרי מורשת תרבותית	18	354	85	הסתיים

טבלה 1: דוגמה לנתוני התנהגות למידה של תלמידים. יומנים אינטראקטיביים מייצגים שנאספו בתוך התרחישים הווירטואליים, כולל מדדים כמו זמן השהייה, תדירות אינטראקציה ומצב השלמת משימות.

מדד הערכה	קריטריוני הערכה	ציון ביצועים
רווח מצטבר מוזל מנורמל	דיוק בחירת טופ-K	0.82
יחס חבטות	שליפת פריטים רלוונטיים	0.88
דרגה ממוצעת הדדית	דיוק סדר דרגות	0.76

טבלה 2: מדדי דיוק המלצות ליצירת מסלולים מותאמים אישית. הערכת דיוק מודל NCF, דיווח על רווח מצטבר מוזל מנורמל (NDCG), יחס פגיעה (HR) ודירוג הפכי ממוצע (MRR) בבחירת K העליונה (K = 10).

תוצאה	רמת ביצועים	קבוצה ניסיונית (ממוצע ± SD)	קבוצת ביקורת (ממוצע ± SD)	הפרש ממוצע	t (df)	ערך p	95% CI
ציון לאחר המבחן	נמוך	69.2 ± 4.1	58.1 ± 5.3	11.1	7.34 (38)	<0.001	[8.2, 14.0]
	מדיום	78.7 ± 3.8	70.9 ± 4.6	7.8	5.92 (38)	<0.001	[5.1, 10.5]
	גבוה	92.5 ± 2.9	81.6 ± 3.7	10.9	8.01 (38)	<0.001	[8.2, 13.6]
שיעור השלמת משימות (%)	נמוך	93.2 ± 3.1	74.3 ± 6.2	18.9	11.05 (38)	<0.001	[15.3, 22.5]
	מדיום	96.1 ± 2.4	78.5 ± 5.9	17.6	9.87 (38)	<0.001	[14.0, 21.2]
	גבוה	98.0 ± 1.8	86.2 ± 4.7	11.8	7.63 (38)	<0.001	[8.7, 14.9]
הערה. כל ההשוואות השתמשו במבחני t דו-זנביים עם דגימות עצמאיות. 95% CI = רווח אמון של ההפרש הממוצע. מבחן לבין אישר הומוגניות של שונות (כולם p > 0.05).

טבלה 3: תוצאות לאחר ההתערבות לפי רמת ביצועים. הבדלים ממוצעים וסטטיסטיקות אינפרנציאליות (ערכי d ו-t של כהן) השווים בין קבוצות הניסוי והביקורת ברמות נמוכות, בינוניות וגבוהות (n = 20 לכל תת-קבוצה). הנתונים מוצגים כממוצעים ± SD.

תוצאה	רמת ביצועים	ממוצע קבוצתי מבוסס VR בלבד	הפרש ממוצע מהבקרה
ציון לאחר המבחן	נמוך	63.5	5.4
ציון לאחר המבחן	מדיום	75	4.1
ציון לאחר המבחן	גבוה	87.5	5.9
שיעור השלמת משימות (%)	נמוך	83.6	9.3
שיעור השלמת משימות (%)	מדיום	87.3	8.8
שיעור השלמת משימות (%)	גבוה	92.1	5.9

טבלה 4: תוצאות לאחר התערבות במחקר אבלציה ב-VR בלבד. תוצאות למידה השוואתיות שמבודדות את התרומה הספציפית של אינטגרציית הבינה המלאכותית מול קו בסיס סטטי של VR. הנתונים מוצגים כממוצעים ± SD.

שם הדגם	תצורת ארכיטקטורה	מדדי הערכה
DQN משולב	פרספטרון רב-שכבתי	פרס = 84.5, התכנסות = 1200, שיפור = 40%
סף סטטי	לוגיקת כללים קבועים	פרס = 62.3, התכנסות = נכשל, שיפור = 0%
מדיניות אקראית	בחירת פעולה סטוכסטית	תגמול = 41.2, התכנסות = נכשל, שיפור = −32%

טבלה 5: תוצאות מחקר אבלציה ב-DQN. השוואה בין מנגנון ההתאמה הדינמי המשולב במלואו של DQN לבין קו בסיס סף סטטי ומדיניות התאמה אקראית, תוך הערכת פרקי תגמול והתכנסות מצטברים.

מדדים	קבוצת ניסוי	קבוצת ביקורת
זמן לימוד (דקות)	128 ± 14	89 ± 18
תדירות אינטראקציה (זמנים)	67 ± 9	24 ± 7
רמת שליטה בידע (ציון)	88 ± 6	72 ± 9
התקדמות בלמידה (%)	96 ± 3	78 ± 7
תחושת מעורבות (דירוג: 1–5)	4.8 ± 0.3	3.5 ± 0.6
הערה: כל ההשוואות בין הקבוצות היו מובהקות סטטיסטית: זמן מחקר, t(118) = 11.23, p < 0.001; תדירות אינטראקציה, t(118) = 18.76, p < 0.001; שליטה בידע, t(118) = 9.84, עמוד < 0.001; התקדמות למידה, t(118) = 10.55, p < 0.001; דירוג מעורבות, t(118) = 14.32, p < 0.001.

טבלה 6: מדדי השתתפות ואינטראקטיביות. הערכת מדדי מעורבות למידה (זמן לימוד, תדירות אינטראקציה וציון מעורבות) בין קבוצות הניסוי לקבוצת הביקורת. הנתונים מוצגים כממוצעים ± SD. כל ההבדלים מובהקים סטטיסטית (p < 0.001).

דיון

מחקר זה תורם לטכנולוגיית החינוך על ידי תרגום תיאוריות פדגוגיות מרכזיות—כלומר קונסטרוקטיביזם ואזור ההתפתחות הקרובה—למערכת הוראה חכמה שמיושמת חישובית. השילוב של הטמעה במציאות מדומה עם התאמה אישית מונעת התנהגות מבטיח שחדשנות טכנולוגית משרתת מטרות למידה מוכחות, במקום לשמש כמטרה בפני עצמה. כפי שמודגש במתודולוגיה, יצירת מסלולי למידה מותאמים אישית היא מרכזית להבטחת יעילות תהליך החינוך, שכן ההמלצה על תוכן המבוסס על מאפייני התנהגות שהופקו עונה ישירות על הצרכים הקוגניטיביים של הפרט^25,26. יתרה מזאת, שימוש במשוב רגשי וביצועי בזמן אמת לוויסות קושי המשימה לא רק מייעל את השפעות הלמידה המיידיות, אלא גם שומר משמעותית על מעורבות התלמידים על ידי מניעת עומס קוגניטיבי.

התרומה המקורית של מחקר זה היא המיזוג של מעקב מרחבי וירטואלי באיכות גבוהה עם התאמה אלגוריתמית מתמשכת לפתרון אי ההתאמה בין מעורבות סוחפת ללמידה אדפטיבית. שלושת מודלי הבינה המלאכותית פועלים ברצף ללא אופטימיזציה משותפת, מונעים שכחה קטסטרופלית ומאפשרים כוונון מבודד של היפרפרמטרים לשלבים תפעוליים שונים. בניגוד למערכות המלצות סטטיות מסורתיות שמסתמכות אך ורק על נתונים היסטוריים¹⁰ או מודלים המוגבלים לזיהוי מעורבות פנים מבודדת¹¹, הפלטפורמה המוצעת ממפה באופן דינמי התנהגויות מרחביות רציפות למצבים קוגניטיביים. שיעורי השלמת המשימות הגבוהים שנצפו תואמים ומאריכים את הממצאים ממחקרי מחשוב מרחבי עכשוויים ^6,7,8, ומאשרים שארכיטקטורות אלגוריתמיות רב-מודליות יכולות להחליף ביעילות את הפיגומים האנושיים בסביבות סוחפות.

חשוב להבחין בין ההשפעות הפדגוגיות המיידיות והמתמשכות של הפלטפורמה. ממצאים מהפיילוט הראשוני בן ארבעת השבועות הראו שיפורים מהירים בביצועי הלמידה לטווח קצר, בתדירות האינטראקציה ובשיעורי השלמת המשימות בקרב סטודנטים לתואר ראשון. לעומת זאת, המעקב הארוך בן 16 השבועות נערך כדי להעריך מעורבות מתמשכת ולהפחית את אפקט החידוש המקושר בדרך כלל לטכנולוגיות סוחפות חדשות. המבחנים המאוחרים שנערכו בשבוע ה-20 אישרו כי הקבוצה מונחית אלגוריתם שמרה על שימור ידע גבוה משמעותית לטווח ארוך בהשוואה לקבוצות הוראה מסורתיות. יחד, שלבי הזמן המופרדים הללו מספקים ראיות מוצקות הן ליעילות הפדגוגית המיידית והן הקבועה של הפלטפורמה האינטליגנטית.

למרות התוצאות המבטיחות הללו, יש להכיר במספר מגבלות. ראשית, דרישות העיבוד הגרפי האינטנסיביות מגבילות את הפריסה למוסדות המחזיקים בחומרה חישובית ייעודית, ומגבילים מאוד את יכולת ההרחבה באזורים חינוכיים עם תקציב חלקי. שנית, דגימת המשתתפים המקומית מדמוגרפיה מוסדית אחת מגבילה את ההכללה המיידית של הממצאים האמפיריים בין אוכלוסיות גאוגרפיות מגוונות. לבסוף, ייתכן שספריית תרחישי הלמידה הווירטואלית הנוכחית אינה עשירה מספיק כדי לכסות את תחומי העניין התרבותיים המגוונים של כל התלמידים. המחקר העתידי יתמקד בהרחבת המגוון של תרחישים וירטואליים כדי שיתאים לרקעים תרבותיים רחבים יותר, באופטימיזציה של יעילות אלגוריתמית לחומרה ברמה נמוכה יותר, ואימות הגישה לאורך תקופות ארוכות ובתחומים חינוכיים מגוונים.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
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.