Questo studio dettaglia un flusso di lavoro riproducibile per estrarre le caratteristiche comportamentali e implementare percorsi educativi dinamicamente adattati all'interno di ambienti virtuali. Le procedure descritte permettono agli educatori di sviluppare curricula adattivi di realtà virtuale e di implementare il tracciamento comportamentale in tempo reale.
È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.
Articolo di ricerca
Metodi di insegnamento intelligenti che integrano la realtà virtuale e algoritmi di big data per migliorare le piattaforme tradizionali di educazione culturale
In questo articolo
Sommario
Abstract
Gli attuali ambienti di insegnamento convenzionali presentano elementi interattivi limitati, con conseguente limitazione delle metriche di coinvolgimento tra le popolazioni universitarie che studiano il patrimonio culturale. Per affrontare questi problemi, è stata sviluppata una piattaforma didattica intelligente, che integra un motore di rendering spaziale ad alta fedeltà in ambienti di realtà virtuale con un'architettura algoritmica multi-modello. All'interno di questa piattaforma, i modelli Transformer e Neural Collaborative Filtering (NCF) elaborano dati comportamentali per generare percorsi di apprendimento personalizzati, mentre una Deep Q-Network (DQN) regola dinamicamente la difficoltà dei contenuti basandosi su feedback in tempo reale. Tale struttura adattiva riflette principi di apprendimento costruttivisti, in cui la conoscenza viene costruita attivamente attraverso l'interazione con ambienti contestualizzati e reattivi, piuttosto che ricevuta passivamente tramite istruzione statica. La novità di questa ricerca risiede nell'integrazione di un motore di rendering spaziale con un'architettura algoritmica multi-modello per stabilire un meccanismo di adattamento comportamentale in tempo reale. I risultati sperimentali mostrano che il gruppo sperimentale che utilizza la piattaforma di insegnamento intelligente proposta ha punteggi di apprendimento più alti (i gruppi bassi/medi/alti sono rispettivamente 69/79/93 punti) e un tasso di completamento dei compiti di apprendimento più elevato (93%/96%/98%) rispetto al gruppo di controllo che utilizza il modello di insegnamento tradizionale. Il design della piattaforma didattica intelligente offre una forte interattività, offre percorsi di apprendimento personalizzati per studenti con differenze individuali diverse e si adatta dinamicamente durante il processo di apprendimento. L'analisi dei tempi di risposta indica una latenza media di 0,496 s, garantendo un rapido feedback sulle interazioni. In definitiva, la piattaforma proposta dimostra che combinare la VR immersiva con algoritmi comportamentali adattivi migliora efficacemente sia il rendimento accademico sia l'impegno nei compiti per gli studenti universitari nell'educazione culturale tradizionale.
Introduzione
L'educazione culturale tradizionale svolge un ruolo vitale nell'eredità e nello sviluppo della cultura. Tuttavia, l'attuale modello educativo culturale tradizionale si basa principalmente su forme statiche come libri di testo, immagini e video, privo di interattività e immersione, rendendo difficile per gli studenti comprendere e sperimentare davvero il fascino della cultura. Inoltre, i metodi di insegnamento tradizionali spesso adottano un curriculum unificato, che non tiene pienamente conto degli interessi, delle capacità cognitive e degli stili di apprendimento degli studenti, con conseguente bassa efficienza di apprendimento e difficoltà nel stimolare l'entusiasmo degli studenti per l'apprendimento. Questa limitazione è in linea con la teoria della Zona di Sviluppo Prossimale (ZPD) di Vygotsky, che sottolinea che un'istruzione efficace deve essere adattata ai livelli cognitivi attuali degli studenti e strutturata secondo le loro traiettorie di sviluppo individuali. La letteratura esistente si basa su dati statici per la modellazione pedagogica. L'integrazione del tracciamento comportamentale spaziale continuo con l'apprendimento profondo per rinforzo rimane inesplorata. Il meccanismo proposto fonde interazioni multisensoriali con la riaggiustazione algoritmica per colmare il divario tra percorsi didattici fissi e adattamento contestuale dinamico. La piattaforma proposta mette in pratica questo principio regolando dinamicamente la difficoltà dei contenuti e il sequenziamento basandosi su indicatori comportamentali in tempo reale, integrando così la teoria pedagogica nella progettazione algoritmica. I meccanismi di adattamento algoritmico sostituiscono di fatto l'impalcatura umana tipicamente fornita da pari più capaci. Questa modulazione continua della difficoltà del compito si allinea con la Teoria del Carico Cognitivo (CLT) prevenendo il sovraccarico cognitivo nei principianti e sostenendo il coinvolgimento all'interno della zona ottimale di sviluppo.
Con lo sviluppo della realtà virtuale (VR) e degli algoritmi dei dati, applicarli all'educazione culturale tradizionale offre agli studenti un'esperienza di apprendimento più immersiva e interattiva 1,2,3,4. Revisioni sistematiche complete delle applicazioni immersive di realtà virtuale nell'istruzione superiore sottolineano ulteriormente l'importanza di allineare gli elementi di design con obiettivi pedagogicispecifici 5.
Molti studi hanno tentato di applicare la tecnologia VR all'educazione culturale. Hulusic et al.6 progettarono e svilupparono un museo virtuale scolastico, inclusa un'interfaccia utente tangibile. Attraverso ricerche partecipative degli utenti, si è scoperto che il museo è ben progettato e ben sviluppato, e ha il potenziale per essere utilizzato come strumento educativo e di apprendimento in musei, scuole o in modo indipendente. In risposta al problema dell'insufficiente interattività negli ambienti di apprendimento a distanza, Mubarok et al.7 hanno sviluppato un metodo collaborativo di mappatura degli argomenti basato sulla VR per affrontarlo. Gli esperimenti hanno dimostrato che questo metodo migliora meglio l'espressione orale in inglese degli studenti rispetto ai metodi collaborativi di mappatura argomentativa non basati sulla VR. Sun et al.8 hanno proposto una strategia progettuale per un sistema VR immersivo che combina interazione multimodale, gamification e narrazione per mostrare e sviluppare il patrimonio culturale digitale. Hanno sviluppato un sistema VR immersivo che ha restaurato i murales di Dunhuang, offrendo agli utenti un'esperienza di apprendimento, interattiva e divertente. Tuttavia, questi studi affrontano ancora alcuni problemi, come una debole interattività nelle scene VR, tassi di aggiornamento lenti per i contenuti di apprendimento e scarsa adattabilità degli algoritmi di raccomandazione personalizzati, che rendono impossibile soddisfare accuratamente le esigenze di apprendimento dei diversi studenti. Inoltre, alcuni studi non sono riusciti a integrare efficacemente deep learning e reinforcement learning, limitando le capacità di adattamento in tempo reale delle raccomandazioni personalizzate.
I recenti progressi nell'intelligenza artificiale hanno spinto le tecnologie educative. La ricerca introduce sistemi adattivi che sfruttano il deep learning per il riconoscimento di pattern nel comportamento degli utenti. Le metodologie che impiegano algoritmi di tracciamento cognitivo mappano stati dinamici di acquisizione della conoscenza. L'ottimizzazione strutturale nelle reti neurali aumenta la precisione della raccomandazione all'interno dei framework di apprendimento intelligente. Gli agenti intelligenti che integrano variabili ambientali complesse migliorano le risposte istruttive automatizzate. Queste metodologie si basano su flussi di dati isolati e analisi storica statica. La piattaforma proposta affronta questa limitazione fondendo i dati di interazione spaziale con un aggiustamento algoritmico continuo per garantire un adattamento contestuale in tempo reale.
Indagini empiriche recenti confermano che gli algoritmi di deep learning migliorano significativamente l'accuratezza predittiva nella modellazione delle prestazioni degli studenti. Ouatik et al.9 hanno implementato un sistema per prevedere il successo e il fallimento accademico degli studenti. Utilizzavano informazioni personali degli studenti, valutazioni accademiche e altri dati, e utilizzavano metodi di intelligence artificiale e data mining educativi per prevedere il successo accademico degli studenti. Per affrontare il problema dell'elaborazione dei dati, è stata utilizzata la tecnologia big data (BD) per distribuire l'elaborazione, riducendo il tempo di calcolo senza sacrificare l'efficienza algoritmica. Bhaskaran10 ha sviluppato un raccomandatore di spazio vettoriale potenziato per affrontare i problemi nei sistemi attuali di raccomandazione di apprendimento. Tiene traccia automaticamente degli interessi, delle esigenze e dei livelli di conoscenza degli studenti. Classifica ed estrae gli stili di apprendimento degli studenti dal server, poi utilizza un algoritmo di filtraggio collaborativo migliorato per calcolare le somiglianze e produrre una lista di raccomandazioni migliore. Gupta11 ha proposto un metodo basato sul deep learning che utilizza le espressioni facciali per rilevare l'impegno in tempo reale degli studenti online, classifica le loro emozioni durante tutto il processo di apprendimento analizzando i tag facciali degli studenti e adatta lo stato di apprendimento degli studenti in base ai risultati di rilevamento. Tuttavia, questi metodi presentano ancora alcune limitazioni.
Sebbene le soluzioni educative VR esistenti offrano un'esperienza immersiva, mancano di capacità di adattamento dinamico. I percorsi di apprendimento degli studenti sono spesso fissi e i contenuti e la difficoltà non possono essere ottimizzati in tempo reale basandosi sui progressi personali e sul feedback, causando una mancanza di partecipazione. Allo stesso tempo, gli algoritmi tradizionali di raccomandazione personalizzata si basano principalmente su dati storici o semplici tag di interesse e non riescono a integrare dati multidimensionali, come il comportamento di apprendimento degli studenti, lo stato cognitivo e il feedback emotivo, per un'analisi accurata. La mancanza di una comprensione approfondita dei processi di apprendimento degli studenti impedisce al sistema di raccomandazione di affrontare efficacemente le differenze individuali, con conseguente esperienza di apprendimento subottimale e risultati subottimali.
Pertanto, per affrontare i problemi di immersione insufficiente e mancanza di personalizzazione nell'educazione culturale tradizionale, viene proposta una piattaforma didattica intelligente. Questa metodologia è direttamente applicabile ai corsi universitari di discipline umanistiche che richiedono visualizzazione spaziale e metriche di ritmo individualizzate. Motori avanzati di rendering spaziale e tecnologie di calcolo spaziale correlate vengono utilizzati per sviluppare scene di apprendimento virtuale. Gli ambienti di apprendimento virtuali garantiscono agli studenti autonomia nella selezione di specifici moduli culturali. Il modello Transformer basato sull'attenzione neurale elabora log di interazione con timestamp per generare una rappresentazione compatta dei pattern comportamentali. Basandosi sull'estrazione delle caratteristiche comportamentali di apprendimento degli studenti, il modello di Filtraggio Collaborativo Neurale (NCF) viene utilizzato per esplorare ulteriormente gli interessi di apprendimento degli studenti e produrre percorsi di apprendimento personalizzati. Il modello Deep Q-Network (DQN) raccoglie il feedback in tempo reale degli studenti e adatta dinamicamente il percorso di apprendimento per ottimizzare l'esperienza e l'effetto di apprendimento degli studenti.
Per quanto riguarda l'implementazione pratica, la piattaforma proposta offre vantaggi specifici, ma non è universalmente applicabile. È altamente adatta a istituzioni educative dotate di hardware computazionale dedicato comprendente unità di elaborazione grafica discrete e apparecchiature immersive di visualizzazione spaziale, e per curricula che beneficiano significativamente della visualizzazione spaziale nell'architettura e nell'archeologia del patrimonio culturale. In questi contesti, il monitoraggio comportamentale dinamico affronta efficacemente le differenze individuali nel ritmo. Al contrario, questo metodo attualmente non è adatto a ambienti educativi sottofinanziati che non dispongono dell'infrastruttura tecnologica necessaria. Inoltre, non è raccomandato per corsi altamente astratti e incentrati sul testo, dove l'immersione tridimensionale offre un valore pedagogico trascurabile rispetto ai metodi didattici tradizionali.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Protocollo
Il comitato etico istituzionale dell'Università di Commercio Internazionale e Commercio dello Shaanxi ha validato il protocollo di ricerca con il riferimento 2025-04A. Il consenso informato documentato è stato ottenuto da tutti i partecipanti prima dell'inizio procedurale, garantendo che tutti i soggetti umani fossero a conoscenza dei protocolli di tracciamento comportamentale e anonimizzazione dei dati. (Nota: Le giustificazioni pedagogiche riguardanti gli algoritmi sono state spostate nella sezione Discussione per mantenere la concisione operativa.)
Passo 1: Costruzione di scene in realtà virtuale
Integrazione degli asset
La modellazione digitale degli elementi culturali è stata eseguita utilizzando un software generico di modellazione 3D (vedi Tabella dei Materiali per il software specifico utilizzato) per costruire ambienti di apprendimentoimmersivi 12,13. Sono stati generati asset digitali, sono state assegnate texture di rendering basate su base fisica e importate in un motore di rendering spaziale ad alta fedeltà (Table of Materials) senza l'uso di tecniche di imagingmicroscopico 14,15.
Rendering e configurazione fisica
La tecnologia hardware di ray tracing è stata abilitata all'interno del motore di rendering per ottimizzare l'illuminazionedinamica 16,17:
(1)
P rappresenta l'intensità luminosa nella scena. L rappresenta la posizione della sorgente luminosa. IL indica l'intensità della sorgente luminosa, e N rappresenta il vettore normale superficiale dell'oggetto virtuale.
Il motore fisico simulava la dinamica degli oggetti tramite un'interfaccia di programmazione orientata agli oggetti (C++). La formula di reazione utilizzata era:
(2)
F rappresenta la forza di reazione dinamica, m è la massa dell'oggetto virtuale, v indica la sua velocità e t rappresenta il tempo.
Per garantire la fluidità, è stata utilizzata la tecnologia Level of Detail (LOD) per ottimizzare la scena, che ha ridotto calcoli inutili e migliorato l'efficienza di rendering regolando dinamicamente il livello di dettaglio del modello18,19. L'accelerazione GPU veniva utilizzata per l'elaborazione delle immagini:
(3)
R rappresenta il coefficiente di riflessione, M rappresenta la mappa superficiale e C rappresenta il colore finale renderizzato.
Implementazione dell'interazione
Le interazioni con gli utenti venivano configurate utilizzando l'interfaccia di scripting basata su nodi visivi nativa del motore di rendering spaziale. Utilizzando la tecnologia audio spaziale, il suono è stato simulato nello spazio affinché gli studenti possano sentire diversi effetti sonori in posizioni differenti. Inoltre, grazie alla tecnologia di feedback tattile, gli studenti potrebbero ricevere risposte fisiche al corrispondente tocco fisico nella scenavirtuale 20:
(4)
Ft rappresenta la forza del feedback tattile, e k rappresenta il coefficiente di rigidità.
Panoramica del dispiegamento e dell'equipaggiamento
L'ambiente era compilato su un hardware di calcolo spaziale dedicato dotato di un'unità centrale di elaborazione a ventiquattro core, sessantaquattro gigabyte di memoria ad accesso casuale e un'unità dedicata di elaborazione grafica da ventiquattro gigabyte. Le scene virtuali sono state installate su display spaziali immersivi standard, come dettagliato nella Tabella dei Materiali, con una risoluzione di 1440 x 1600 pixel per occhio e una frequenza di aggiornamento di 90 Hz, garantendo una stabilità visiva ottimale e minimizzando la latenza movimento-fotone. I confini spaziali sono stati configurati per limitare le sessioni a 45 minuti per mitigare il mal d'auto indotto visivamente.
La Tabella dei Materiali riassume le tecnologie specifiche utilizzate. Tutti gli hardware e i componenti informatici designati erano apparecchiature commerciali standard e non dipendevano da un singolo fornitore proprietario. Il motore di rendering spaziale e il ray tracing fornivano illuminazione dinamica, mentre il software di modellazione 3D riproduceva siti storici. La Figura 1 forniva un esempio della scena dell'apprendimento virtuale, che descrive il pannello di controllo modulare per l'ingrandimento visivo, la modulazione audio e il movimento.
Checkpoint 1: Un ambiente VR completamente renderizzato che funziona a una frequenza di aggiornamento stabile di 90 Hz, minimizzando la latenza movimento-fotone per garantire la stabilità visiva.
Passo 2: Comportamento - Estrazione dei dati (Transformer)
Registrazione dei dati
I dati sui comportamenti di apprendimento degli studenti includevano interazioni con le scene VR, tra cui il numero di clic, il tempo impiegato, i progressi di apprendimento e il completamento dei compiti. La Tabella 1 presenta i dati delle attività di apprendimento per gli studenti in diversi scenari VR. Per queste informazioni interattive, sulla piattaforma è stata utilizzata una rappresentazione in serie temporali:
(5)
sτ rappresenta il comportamento dello studente al tempo t, e T è la durata totale del tempo. Ogni comportamento forma un vettore ad alta dimensione:
(6)
fi rappresenta il valore specifico della caratteristica nella dimensione i, e d indica il numero totale delle dimensioni delle caratteristiche.
Modellazione delle sequenze
Il modello Transformer è stato utilizzato per la modellazione in serietemporale 21,22. Utilizzando il meccanismo di auto-attenzione, le caratteristiche comportamentali sono state estratte calcolando le correlazioni tra i comportamenti degli studenti. Assumendo che la matrice di incorporamento della sequenza di dati del comportamento di apprendimento di uno studente sia X, la query (Q), la chiave (K) e il valore (V). Le matrici sono state generate per la prima volta moltiplicando con matrici di pesi addestrabili WQ, WK e WV:
(7)
Calcolo dell'attenzione
L'attenzione personale all'interno del Transformer è stata calcolatacome 23,24:
(8)
Tra questi, dk rappresenta la dimensione dei vettori chiave, che è stata utilizzata come fattore di scala per evitare l'annullamento dei gradienti. Dopo il calcolo della formula (8), il peso dell'attenzione è stato calcolato per misurare la correlazione tra i comportamenti di apprendimento:
(9)
eij rappresenta il punteggio grezzo di energia dell'attenzione tra i comportamenti di apprendimento. La somma pesata di questi pesi è stata utilizzata per ottenere il vettore contesto nel momento attuale, che è il vettore di potenziale caratteristica dello studente:
(10)
Checkpoint 2: Il modello Transformer produce vettori di caratteristiche latenti continui (ct). Su un dataset di validazione sequestrato di 5000 log di interazione, il modello ha raggiunto un'accuratezza di previsione della sequenza dell'89,4%, con una perdita di entropia incrociata che convergeva a 0,12 dopo 50 epoche.
Passo 3: Generazione Personalizzata del Percorso di Apprendimento (NCF)
Fusione di Feature
Il modello NCF è stato incorporato per esplorare i potenziali interessi e le esigenze degli studenti e ha generato percorsi di apprendimentopersonalizzati 25, 26, 27, 28. In NCF, un vettore di caratteristiche vk veniva assegnato a ciascun punto di conoscenza culturale, e il vettore potenziale di caratteristica vu estratto dal Transformer e il vettore punto di conoscenza vk venivano concatenati per formare un nuovo vettore di caratteristica congiunto:
(11)
Architettura di rete e iperparametri:
Il vettore di caratteristiche congiunti è stato inserito nel perceptrone multistrato (MLP) in NCF perl'elaborazione 29,30. Il perceptrone multilivello utilizzava un'architettura predeterminata con tre strati nascosti di 64, 32 e 16 neuroni, rispettivamente. La velocità di apprendimento era impostata a 0,001, con un lotto di 256. Dopo la trasformazione non lineare di diversi strati nascosti in MLP, il valore previsto dell'interesse degli studenti per i punti di conoscenza era il risultato:
(12)
W1, W2, ... , WL rappresentano le matrici di pesi di molteplici strati nascosti. σ indica la funzione di attivazione non lineare, e b1, b2, ... , bL rappresentano i termini di bias dei rispettivi strati nascosti. Più alto è il valore di previsione dell'interesse di risultato, maggiore sarà l'interesse dello studente per questo punto di conoscenza.
Addestramento al modello
La rete è stata ottimizzata utilizzando il solver Adam (tasso di decadimento 0,01, tasso di apprendimento 0,001, dimensione lotto 256). L'errore quadratico medio (MSE) funge dalla funzione diperdita 31,32:
(13)
u, k rappresentano l'indice del vettore comportamento dello studente e del vettore dei punti di conoscenza. Minimizzando la funzione di perdita, il modello aggiorna continuamente i potenziali vettori di caratteristiche per gli studenti e i punti di conoscenza per migliorare l'accuratezza della previsione. L'algoritmo di retropropagazione è stato utilizzato durante il processo di addestramento per aggiornare la matrice dei pesi nel modello33,34.
Output di percorso
L'approccio specifico era di ordinare per valori di interesse previsti e raccomandare i k punti di conoscenza con i valori di interesse più alti agli studenti:
(14)
kk rappresentano i k punti di conoscenza che interessano maggiormente agli studenti. Questi punti di conoscenza consigliati non solo soddisfano gli interessi di apprendimento degli studenti, ma li aiutano anche ad apprendere efficacemente con un livello di progresso e difficoltà che li conviene.
La Figura 2 visualizza questo processo di generazione.
Checkpoint 3: Il modello NCF produce un array di sequenza non ciclico. Come dettagliato nella Tabella 2, la precisione di raccomandazione valutata alla selezione top-K ha prodotto un guadagno cumulativo scontato normalizzato (NDCG) di 0,82 e un rapporto di successo di 0,88 a K = 10. La metrica media di rango reciproco si stabilì a 0,76.
Passo 4: Regolazione dinamica della difficoltà (DQN)
Definizione di stato e azione
Introducendo DQN e utilizzando il feedback in tempo reale degli studenti per regolare dinamicamente i contenuti e la difficoltà di apprendimento, gli effetti di apprendimento degli studenti sonoottimizzati 35,36. Lo spazio degli stati del modello DQN è composto da molteplici fattori:
(15)
Tra queste, ts rappresenta il tempo che gli studenti dedicano al compito di apprendimento corrente, cp rappresenta le scelte degli studenti nel percorso di apprendimento (capitoli o punti di conoscenza selezionati), mc rappresenta il completamento del compito di apprendimento corrente da parte degli studenti, e e f rappresenta il feedback emotivo degli studenti (il grado di preferenza e partecipazione a un determinato compito di apprendimento).
Calcolo della ricompensa
L'agente di apprendimento per rinforzo utilizzava un'architettura perceptrone multilivello composta da due strati nascosti di 128 e 64 neuroni (strategia di esplorazione epsilon-greedy che decadeva da 1.0 a 0.05). Per prima cosa, è stato calcolato il valore della ricompensa corrispondente a ogni azione di apprendimento:
(16)
Tra queste, ω è un iperparametro di peso che controlla la performance e la partecipazione all'apprendimento. Ilcompito P rappresenta la performance dello studente nel compito di apprendimento corrente, mentre laparte E rappresenta la partecipazione dello studente al processo di apprendimento corrente.
Q-Valore aggiornamento e selezione delle azioni
Dopo aver ottenuto il valore della ricompensa, il modello aggiornava il valore Q per selezionare l'azione ottimale:
(17)
α rappresenta il tasso di apprendimento che controlla la dimensione del passo di aggiornamento e γ Il fattore di sconto determina l'importanza delle ricompense future.
La piattaforma ha selezionato l'azione di regolazione ottimale:
(18)
è l'azione di aggiustamento ottimale selezionata dalla piattaforma in base allo stato di apprendimento dello studente al momento T.
L'aggiustamento veniva eseguito seguendo questi protocolli: (1) Difficoltà aumentata per un'elevata capacità di apprendimento; (2) Sono stati forniti suggerimenti/la difficoltà è stata ridotta per scarse prestazioni; (3) Il contenuto è stato spostato in base ai cambiamenti di interesse; (4) Sono stati mantenuti parametri per prestazioni bilanciate.
Checkpoint 4: L'agente DQN calcolava le azioni ottimali (At) per sostenere l'ingaggio. La metrica composita di feedback emotivo (ef) manteneva un coefficiente di affidabilità alfa di Cronbach di 0,85 durante i test.
Visualizzazione dell'interfaccia della piattaforma
La Figura 3 mostra l'interfaccia della piattaforma di insegnamento intelligente progettata in questo articolo, che supporta la generazione di percorsi personalizzati. In questa interfaccia, gli studenti potevano vedere il proprio percorso di apprendimento personalizzato e imparare da esso. La parte completata del percorso di apprendimento poteva essere contrassegnata in verde, e la parte incompiuta in rosso. Gli studenti potevano vedere il loro progresso nel percorso di apprendimento e procedere di conseguenza al passo successivo. Sono state somministrate indagini post-interazione utilizzando la System Usability Scale standard alla coorte sperimentale. L'analisi ha prodotto un punteggio medio di usabilità di 84,5 su 100, indicando che l'ergonomia e la chiarezza di navigazione dell'interfaccia erano altamente accettabili.
Progettazione sperimentale
I partecipanti erano 120 studenti universitari (62 donne, 58 uomini; età media 19,3 anni ± 1,1 anni) iscritti a un corso obbligatorio di "Introduzione alla Cultura Tradizionale Cinese" presso l'Università di Commercio Internazionale e Commercio dello Shaanxi. Nessuno aveva esperienza precedente con l'apprendimento basato sulla VR. Gli studenti sono stati abbinati per punteggio pre-test e assegnati casualmente all'interno delle coppie a condizioni sperimentali o di controllo utilizzando una sequenza generata al computer, garantendo l'equivalenza di base.
Il design di questo esperimento era verificare l'efficacia della piattaforma didattica intelligente progettata nel migliorare l'interesse per l'apprendimento, il rendimento accademico e l'educazione personalizzata degli studenti.
Il gruppo sperimentale e il gruppo di controllo sono stati costituiti nell'esperimento, e la selezione degli studenti ha seguito i seguenti principi: (1) Ha garantito che gli studenti del gruppo sperimentale e del gruppo di controllo avessero somiglianze in termini di conoscenze di base, capacità di apprendimento, interessi, ecc. (2) Gli studenti che studiano la cultura tradizionale e hanno classi simili potevano essere selezionati per garantire l'uniformità dei contenuti dell'educazione culturale e la comparabilità dell'esperimento. (3) Le differenze individuali degli studenti potrebbero essere prese in considerazione per garantire che il gruppo sperimentale possa sfruttare appieno la funzione di aggiustamento personalizzato della piattaforma di insegnamento intelligente.
Dopo aver selezionato gli studenti, questi vengono raggruppati e studenti con prestazioni accademiche, interessi e background simili vengono assegnati rispettivamente ai gruppi sperimentale e al gruppo di controllo, per garantire l'abbinamento tra più dimensioni e migliorare l'affidabilità dell'esperimento.
Confrontando le prestazioni dei gruppi sperimentali e di controllo, è stato valutato l'impatto della piattaforma progettata in questo articolo sugli studenti. Per isolare il contributo pedagogico degli algoritmi di intelligenza artificiale, lo studio ha presentato tre coorti distinte: un gruppo di controllo tradizionale che utilizza metodi standard in classe, un gruppo solo VR che interagisce con ambienti virtuali fissi privi di algoritmi adattivi, e un gruppo sperimentale che utilizza la piattaforma di insegnamento intelligente completamente integrata. Gli studenti del gruppo sperimentale potevano apprendere in una scena VR, e ciascuno poteva generare percorsi di apprendimento personalizzati basati sulle proprie caratteristiche comportamentali di apprendimento attraverso la piattaforma didattica intelligente, regolando dinamicamente i contenuti e la difficoltà di apprendimento in risposta al feedback in tempo reale durante il processo di apprendimento. Il gruppo di controllo ricevette un'educazione culturale attraverso metodi di insegnamento tradizionali, come spiegazioni in classe, lettura di libri di testo e video. Il gruppo di controllo ricevette un'educazione culturale standardizzata attraverso lezioni guidate da istruttori, letture assegnate e presentazioni multimediali lineari. Questa istruzione di base utilizzava contenuti informativi identici e manteneva lo stesso ritmo temporale del curriculum sperimentale.
Tre ipotesi sono state progettate per chiarire lo scopo dello studio: (1) L'ambiente di apprendimento immersivo fornito dalla tecnologia VR può migliorare significativamente la partecipazione e l'interesse degli studenti all'apprendimento. (2) Il percorso di apprendimento personalizzato prodotto da Transformer e NCF ha migliorato efficacemente le prestazioni accademiche degli studenti e ridotto le differenze nella padronanza delle conoscenze tra i diversi studenti. (3) La piattaforma di insegnamento intelligente potrebbe regolare dinamicamente i contenuti e la difficoltà di apprendimento in base al feedback in tempo reale degli studenti, migliorando ulteriormente i risultati di apprendimento degli studenti.
Processo sperimentale: (1) Un test pre-sperimentale di conoscenza culturale è stato condotto sugli studenti dei gruppi sperimentale e di controllo per garantire che i livelli culturali iniziali dei due gruppi fossero simili e per ridurre gli errori sperimentali. (2) Gli studenti del gruppo sperimentale hanno utilizzato la scena VR costruita e la piattaforma didattica intelligente, condotto uno studio culturale di un mese, e i contenuti di apprendimento sono stati adattati dinamicamente in base alla piattaforma didattica intelligente. Il gruppo di controllo utilizzava metodi di insegnamento tradizionali. A causa dei vincoli logistici del pilota iniziale, l'intervento durò quattro settimane. Uno studio longitudinale successivo condotto nell'intero semestre di 16 settimane si è concluso con un test di ritenzione differito alla 20ª settimana. La valutazione ha dimostrato una ritenzione superiore del 22% dei concetti storici mirati nella coorte guidata algoritmicamente rispetto al gruppo di istruzione tradizionale. Dettagli preliminari sul protocollo sono stati forniti nella sezione limitazioni per contestualizzare i risultati attuali come prove a breve termine. (3) Dopo l'esperimento, i due gruppi di studenti hanno ricevuto lo stesso test di conoscenza culturale per valutare le loro prestazioni di apprendimento e il completamento dei compiti.
Gli indicatori di valutazione per gli studenti includevano il rendimento accademico, il completamento dei compiti di apprendimento e i progressi di apprendimento. Utilizzando statistiche descrittive, sono stati riassunti gli indicatori di valutazione rilevanti per i gruppi sperimentali e di controllo. Gli indicatori di valutazione della piattaforma didattica intelligente includevano i tempi di risposta.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Risultati
Impostazioni di suddivisione dei dati, validazione e riproducibilità
Per la fase di addestramento algoritmico, il dataset di interazione comportamentale, contenente 5.000 log, è stato suddiviso in set di addestramento e validazione 80:20. Le procedure di validazione utilizzavano uno schema di validazione incrociata a 5 punti per valutare la consistenza dell'estrazione delle caratteristiche. Per garantire una riproducibilità sperimentale assoluta, tutte le inizializzaz...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Discussione
Questo studio contribuisce alla tecnologia educativa traducendo le teorie pedagogiche fondamentali—ovvero il costruttivismo e la Zona di Sviluppo Prossimale—in un sistema di insegnamento intelligente implementato computazionalmente. L'integrazione dell'immersione nella VR con la personalizzazione guidata dal comportamento garantisce che l'innovazione tecnologica serva obiettivi di apprendimento dimostrabili invece di funzionare come uno scopo in sé. Come evidenziato nella metodologia, la...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Dichiarazioni
Gli autori dichiarano di non avere conflitti di interesse finanziari. Divulgazione degli strumenti di intelligenza artificiale: Durante la preparazione di questo manoscritto sono stati utilizzati grandi modelli linguistici esclusivamente per il perfezionamento linguistico, la chiarificazione di terminologie specializzate e l'assistenza nel recupero della letteratura accademica. Tutti i risultati dell'intelligenza artificiale sono stati valutati criticamente, incrociati manualmente con le fonti primarie peer-reviewed e rigorosamente modificati dagli autori per garantire rigorosa accuratezza scientifica e integrità dei dati.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| High-fidelity spatial rendering engine | Unreal Engine 5 | Usato per l'integrazione della scena, il ray tracing dinamico e la simulazione fisica. | |
| Ray tracing | Ray tracing | Tecnologia di simulazione dell'illuminazione basata su principi fisici | |
| 3D modeling software | Blender | Usato per generare modelli poligonali di manufatti culturali e applicare texture PBR. | |
| Level of detail | Livello di dettaglio | Tecnologia di ottimizzazione della scena | |
| Spatial audio | Audio spaziale | Simulazione delle caratteristiche di propagazione dell'audio nello spazio tridimensionale | |
| Haptic feedback | Feedback aptico | Simulazione delle forze di feedback durante l'interazione con la fisica | |
| Visual scripting & programming interface | Blueprints & C++ | Usato per configurare le interazioni dell'utente e registrare continuamente i dati comportamentali spaziali. | |
| Head-mounted display (HMD) | HTC Vive Pro | Fornisce visualizzazione immersiva, consegna di audio spaziale e tracciamento del movimento. |
Riferimenti
- Rojas-Sanchez MA, Palos-Sanchez PR, Folgado-Fernandez JA. Systematic literature review and bibliometric analysis on virtual reality and education. Educ Inf Technol (Dordr). 2023;28:155-92.
- Rospigliosi P. Metaverse or simulacra? Roblox, Minecraft, Meta and the turn to virtual reality for education, socialisation and work. Interact Learn Environ. 2022;30:1-3.
- Quadir B, Chen NS, Isaias P. Analyzing the educational goals, problems and techniques used in educational big data research from 2010 to 2018. Interact Learn Environ. 2022;30:1539-55.
- Lutfiani N, Meria L. Utilization of big data in educational technology research. Int Trans Educ Technol. 2022;1:73-83.
- Radianti J, Majchrzak TA, Fromm J, Wohlgenannt I. A systematic review of immersive virtual reality applications for higher education: design elements, lessons learned, and research agenda. Comput Educ. 2020;147:103778.
- Hulusic V, Gusia L, Luci N, Smith M. Tangible user interfaces for enhancing user experience of virtual reality cultural heritage applications for utilization in educational environment. ACM J Comput Cult Herit. 2023;16:1-24.
- Mubarok H, Lin CJ, Hwang GJ. A virtual reality-based collaborative argument mapping approach in the EFL classroom. Interact Learn Environ. 2024;32:4978-96.
- Sun T, et al. Restoring Dunhuang murals: crafting cultural heritage preservation knowledge into immersive virtual reality experience design. Int J Hum Comput Interact. 2024;40:2019-40.
- Ouatik F, et al. Predicting student success using big data and machine learning algorithms. Int J Emerg Technol Learn. 2022;17:236-51.
- Bhaskaran S, Marappan R. Enhanced personalized recommendation system for machine learning public datasets: generalized modeling, simulation, significant results and analysis. Int J Inf Technol. 2023;15:1583-95.
- Gupta S, Kumar P, Tekchandani RK. Facial emotion recognition based real-time learner engagement detection system in online learning context using deep learning models. Multimed Tools Appl. 2023;82:11365-94.
- El-Wajeh YA, Hatton PV, Lee NJ. Unreal Engine 5 and immersive surgical training: translating advances in gaming technology into extended-reality surgical simulation training programmes. Br J Surg. 2022;109:470-1.
- Conde D, et al. LiDAR data processing for digitization of the castro of Santa Trega and integration in Unreal Engine 5. Int J Archit Herit. 2025;19:131-51.
- Rohe DP, Jones EM. Generation of synthetic digital image correlation images using the open-source Blender software. Exp Tech. 2022;46:615-31.
- Pradana MR, Setiawan D, Trinawati L. Efektivitas ilusi 3D animasi Blender pada curved LED billboard (AB Building Jl. Juanda Pekanbaru). JEKIN (Jurnal Teknik Informatika). 2023;3(2):1-10. Available from: https://pdfs.semanticscholar.org/e4fd/a249d78d46e24319e3a8f318e713f76c0cbd.pdf
- Wang Y, Zhao K, Zheng Z. An improved 3D indoor positioning study with ray tracing modeling for 6G systems. Mob Netw Appl. 2023;28:1162-75.
- Liu Y, et al. Intelligent ray-tracing-based simulation and emulation of channels. Chin J Radio Sci. 2024;39:1112-9.
- Weier P, et al. Neural prefiltering for correlation-aware levels of detail. ACM Trans Graph. 2023;42:1-16.
- Mercier C, et al. Moving level-of-detail surfaces. ACM Trans Graph. 2022;41:1-10.
- Zhu M, Sun Z, Lee C. Soft modular glove with multimodal sensing and augmented haptic feedback enabled by materials' multifunctionalities. ACS Nano. 2022;16:14097-110.
- Heng JJ, Teo DB, Tan LF. The impact of Chat Generative Pre-trained Transformer (ChatGPT) on medical education. Postgrad Med J. 2023;99:1125-7.
- Hung YC, et al. Comparison of patient education materials generated by chat generative pre-trained transformer versus experts: an innovative way to increase readability of patient education materials. Ann Plast Surg. 2023;91:409-12.
- Yang H, et al. CovidViT: a novel neural network with self-attention mechanism to detect Covid-19 through X-ray images. Int J Mach Learn Cybern. 2023;14:973-87.
- Kumar S, Solanki A. An abstractive text summarization technique using transformer model with self-attention mechanism. Neural Comput Appl. 2023;35:18603-22.
- Tapalova O, Zhiyenbayeva N. Artificial intelligence in education: AIEd for personalised learning pathways. Electron J e-Learn. 2022;20:639-53.
- Hashim S, et al. Trends on technologies and artificial intelligence in education for personalized learning: systematic literature. J Acad Res Progress Educ Dev. 2022;12:884-903.
- Lin W, et al. A deep neural collaborative filtering based service recommendation method with multi-source data for smart cloud-edge collaboration applications. Tsinghua Sci Technol. 2023;29:897-910.
- Ha J, Park S. NCMD: Node2vec-based neural collaborative filtering for predicting miRNA-disease association. IEEE/ACM Trans Comput Biol Bioinform. 2022;20:1257-68.
- Nuanmeesri S, et al. Improving dropout forecasting during the COVID-19 pandemic through feature selection and multilayer perceptron neural network. Int J Inf Educ Technol. 2022;12:851-7.
- Yilmaz O, Altun AA, Koklu M. Optimizing the learning process of multi-layer perceptrons using a hybrid algorithm based on MVO and SA. Int J Ind Eng Comput. 2022;13:617-40.
- Garcia Garcia C, Salmeron Gomez R, Garcia Perez J. A review of ridge parameter selection: minimization of the mean squared error vs. mitigation of multicollinearity. Commun Stat Simul Comput. 2024;53:3686-98.
- Thongsak N, Lawson N. Bias and mean square error reduction by changing the shape of the distribution of an auxiliary variable: application to air pollution data in Nan, Thailand. Math Popul Stud. 2023;30:180-94.
- Mohammed NA, Al-Bazi A. An adaptive backpropagation algorithm for long-term electricity load forecasting. Neural Comput Appl. 2022;34:477-91.
- Wright LG, et al. Deep physical neural networks trained with backpropagation. Nature. 2022;601:549-55.
- Bhimshetty S, Ikechukwu AV. Energy-efficient deep Q-network: reinforcement learning for efficient routing protocol in wireless internet of things. Indones J Electr Eng Comput Sci. 2024;33:971-80.
- Geng X, Zhang B. Deep Q-network-based intelligent routing protocol for underwater acoustic sensor network. IEEE Sens J. 2023;23:3936-43.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.