Metodi di insegnamento intelligenti che integrano la realtà virtuale e algoritmi di big data per migliorare le piattaforme tradizionali di educazione culturale

Sommario

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.

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 pedagogici^{specifici 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.

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 apprendimento^{immersivi 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 imaging^{microscopico 14,15}.

Rendering e configurazione fisica
La tecnologia hardware di ray tracing è stata abilitata all'interno del motore di rendering per ottimizzare l'illuminazione^{dinamica 16,17}:

(1)

P rappresenta l'intensità luminosa nella scena. L rappresenta la posizione della sorgente luminosa. I_L 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 modello^18,19. 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 scena^{virtuale 20}:

(4)

F_t 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)

s_τ 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)

f_i 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 serie^{temporale 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 W^Q, W^K e W^V:

(7)

Calcolo dell'attenzione
L'attenzione personale all'interno del Transformer è stata calcolata^{come 23,24}:

(8)

Tra questi, d_k 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)

e_ij 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 (c_t). 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 apprendimento^{personalizzati 25, 26, 27, 28}. In NCF, un vettore di caratteristiche v_k veniva assegnato a ciascun punto di conoscenza culturale, e il vettore potenziale di caratteristica v_u estratto dal Transformer e il vettore punto di conoscenza v_k 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 per^{l'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, ... , W_L rappresentano le matrici di pesi di molteplici strati nascosti. σ indica la funzione di attivazione non lineare, e b₁, b₂, ... , b_L 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 di^{perdita 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 modello^33,34.

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)

k_k 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 sono^{ottimizzati 35,36}. Lo spazio degli stati del modello DQN è composto da molteplici fattori:

(15)

Tra queste, t_s rappresenta il tempo che gli studenti dedicano al compito di apprendimento corrente, c_p rappresenta le scelte degli studenti nel percorso di apprendimento (capitoli o punti di conoscenza selezionati), m_c 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. Il_compito P rappresenta la performance dello studente nel compito di apprendimento corrente, mentre la_parte 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 (A_t) per sostenere l'ingaggio. La metrica composita di feedback emotivo (e_f) 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.

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 inizializzazioni di pesi di rete, le sequenze di mescolamento dei dataset e i modelli di esplorazione dell'apprendimento per rinforzo sono stati bloccati usando un seed casuale fisso (seed = 42) in tutti gli ambienti di test.

Analisi degli effetti dell'apprendimento
Un totale di 120 studenti universitari iscritti a "Introduzione alla cultura tradizionale cinese" sono stati stratificati per punteggi pre-test in livelli di prestazione bassi, medi e alti (40 per livello) e assegnati casualmente all'interno degli strati a gruppi sperimentali o di controllo (n = 20 per sottogruppo), garantendo l'equivalenza di base tra le condizioni.

Validazione procedurale e output dei flussi di lavoro
Il progresso attraverso le principali fasi di flusso di lavoro della piattaforma intelligente ha prodotto risultati intermedi verificati prima della valutazione degli esiti educativi finali.

(1) Importazione di Scene VR: All'importazione di asset digitali, integrità della mesh e shader di materiale compilati con successo (visualizzati nella Figura 1), stabilizzando la pipeline di rendering lato client a 90 Hz. (2) Acquisizione del Behavior Log e Generazione di Vettori di Caratteristiche: Le interazioni utente in tempo reale sono state registrate con successo come vettori ad alta dimensione (Tabella 1), e il modello Transformer ha prodotto vettori latenti latenti verificati () con la perdita di entropia incrociata che converge a 0,12. (3) Raccomandazione di percorso: L'interfaccia di percorso generata (Figura 2) generava array di nodi di conoscenza sequenziali senza dipendenze cicliche, validate da metriche di ordine di rango elevato (NDCG = 0,82). (4) Aggiustamento DQN: Il sistema di difficoltà dinamica (Figura 3) ha prodotto azioni di adattamento discrete, convergendo in modo robusto entro 1.200 episodi.

La Figura 4A,B riassume visivamente gli esiti comparativi di apprendimento tra il gruppo sperimentale (utilizzando la piattaforma didattica intelligente) e il gruppo di controllo (istruzione tradizionale). In tutti i livelli di prestazione, il gruppo sperimentale dimostra punteggi post-test e tassi di completamento dei compiti costantemente più alti. In particolare, il divario nel completamento dei compiti è più marcato tra gli studenti con basse prestazioni—93% contro 74%—evidenziando la capacità della piattaforma di coinvolgere gli studenti che solitamente faticano in contesti convenzionali. La convergenza di punteggi e tassi di completamento nel gruppo di alto livello suggerisce ulteriormente che, sebbene la piattaforma benefici tutti gli apprendenti, il suo supporto adattivo produce i maggiori guadagni marginali per chi possiede conoscenze di base più deboli. Vista attraverso la lente della Cognitive Load Theory, gli algoritmi di modulazione dinamica prevengono il sovraccarico cognitivo superfluo tipicamente indotto da interfacce immersive complesse, garantendo che gli utenti principianti dedichino tutta la capacità di memoria di lavoro esclusivamente a materiali didattici intrinseci.

La Tabella 3 fornisce supporto statistico inferenziale per queste osservazioni. Le valutazioni statistiche utilizzano l'analisi della covarianza per controllare le variazioni di base. Le dimensioni degli effetti vengono quantificate utilizzando la metrica d di Cohen per determinare l'entità dell'efficacia didattica. L'analisi ha fornito valori d di Cohen di 1,25, 0,89 e 0,65 per i livelli di bassa, media e alta prestazione, rispettivamente, indicando una grande importanza pratica. Le metriche calcolate confermano notevoli progressi didattici in tutte le fasce demografiche testate. I test t a campioni indipendenti rivelano che tutte le differenze tra i gruppi sono altamente significative (p < 0,001), con intervalli di confidenza non sovrapposti del 95% e grandi differenze medie: i divari nei punteggi post-test variano da 7,8 a 11,1 punti, mentre i vantaggi nel completamento dei compiti variano dall'11,8 al 18,9%. Il test di Levene conferma l'omogeneità della varianza (*p* > 0,05) per tutti i confronti, convalidando la robustezza dei risultati del test t. Questi risultati confermano collettivamente che la piattaforma di insegnamento intelligente produce miglioramenti statisticamente ed educativamente significativi sia nel rendimento accademico che nell'impegno nell'apprendimento.

La Tabella 4 presenta un'analisi comparativa dell'ablazione che dettaglia il contributo specifico dell'integrazione dell'intelligenza artificiale. Il gruppo VR autonomo ha ottenuto punteggi medi post-test di 63,5, 75,0 e 87,5 nei livelli di bassa, media e alta prestazione. Il gruppo di controllo ha elaborato curricula testuali e visivi identici attraverso i tradizionali media didattici bidimensionali, garantendo l'equivalenza di contenuto di base. Il gruppo di ablazione solo VR utilizzava ambienti immersivi identici ma riceveva una progressione statica e lineare dei punti di conoscenza, priva di modifiche algoritmiche. Questi risultati superano il gruppo di controllo tradizionale ma rimangono significativamente inferiori rispetto alla piattaforma VR e AI completamente integrate. La Tabella 5 presenta uno studio di ablazione che confronta il meccanismo di aggiustamento DQN completamente integrato con una soglia statica di base e una politica di aggiustamento randomizzato. Le colonne rappresentano l'architettura del modello, la ricompensa cumulativa, l'episodio di convergenza e il miglioramento del rendimento delle politiche. Il modello DQN integrato raggiunge una ricompensa cumulativa di 84,5, un episodio di convergenza di 1200 e un miglioramento del 40% nel rendimento delle politiche. La soglia statica di riferimento produce una ricompensa cumulativa di 62,3, non converge entro il limite di 2000 episodi e funge da base di miglioramento dello 0%. La polizza randomizzata genera una ricompensa cumulativa di 41,2, non converge e mostra un rendimento negativo del 32%. Ciò conferma l'aggiustamento dinamico della difficoltà guidato dal DQN come principale catalizzatore per i più alti risultati accademici osservati.

Analisi della partecipazione e dell'interattività
La partecipazione e l'interattività degli studenti vengono analizzate per valutare oggettivamente le differenze tra la piattaforma didattica intelligente e il metodo di apprendimento tradizionale, e per ottenere una comprensione approfondita dei vantaggi e svantaggi della piattaforma di insegnamento intelligente nel migliorare la partecipazione e l'interattività degli studenti. Gli indicatori di analisi includono il tempo di apprendimento, la frequenza di interazione, la padronanza della conoscenza, i progressi di apprendimento e il senso di partecipazione per i gruppi sperimentali e di controllo sotto lo stesso compito di apprendimento. Il tempo di apprendimento del gruppo sperimentale è il tempo trascorso dagli studenti nella scena virtuale, registrato automaticamente dalla piattaforma, e la frequenza di interazione è il numero di volte in cui gli studenti interagiscono con essa. La padronanza delle conoscenze è misurata dai punteggi dei test, il progresso di apprendimento è la percentuale del compito di apprendimento completato e il senso di partecipazione viene misurato attraverso l'autovalutazione e il feedback degli studenti. Il tempo di apprendimento per il gruppo di controllo è il tempo trascorso in classe, e la frequenza di interazione è il numero di interazioni durante la lezione. La padronanza delle conoscenze si ottiene tramite test in classe; I progressi dell'apprendimento si riflettono nell'evoluzione del corso; e un senso di partecipazione viene favorito attraverso l'autovalutazione e il feedback degli studenti.

Tutte le metriche di partecipazione sono state confrontate utilizzando i t-test a campioni indipendenti. Il test di Levene ha confermato l'omogeneità della varianza per tutte le misure (p > 0,05).

Secondo la Tabella 6, il gruppo sperimentale ha mostrato vantaggi su tutti gli indicatori di valutazione. Il gruppo sperimentale ha mostrato tempi di studio significativamente più lunghi (128 min ± 14 min vs. 89 min ± 18 min, t(118) = 11,23, p < 0,001), maggiore frequenza di interazione (67 ± 9 vs. 24 ± 7, t(118) = 18,76, p < 0,001), maggiore padronanza della conoscenza (88 ± 6 vs. 72 ± 9, t(118) = 9,84, p < 0,001), progressi di apprendimento più elevati (96% ± 3% vs. 78% ± 7%, t(118) = 10,55, p < 0,001), e un senso di coinvolgimento più forte (4,8 ± 0,3 contro 3,5 ± 0,6, t(118) = 14,32, p < 0,001). Tutte le differenze riportate sono state statisticamente significative (p < 0,001), confermando che i miglioramenti osservati nella partecipazione e nell'interattività non sono attribuibili a variazioni casuali. I dati sopra indicati mostrano che la piattaforma didattica intelligente progettata in questo articolo può aumentare la partecipazione e l'interattività degli studenti attraverso scenari di apprendimento virtuale immersivi e interattivi, migliorando così le loro prestazioni di apprendimento. Tutte le differenze riportate nella Tabella 6 sono state statisticamente significative (p < 0,001), confermando che i miglioramenti osservati nella partecipazione e nell'interattività non sono attribuibili alla variazione casuale.

Effetto del percorso di apprendimento personalizzato
I progressi di apprendimento tra studenti con punteggi bassi, medi e alti in entrambi i gruppi sono stati confrontati in cinque fasi (anteprima, apprendimento formale, applicazione, valutazione e sommario) per evidenziare i vantaggi dei percorsi di apprendimento personalizzati nel migliorare gli effetti di apprendimento degli studenti. Questo confronto mostra chiaramente differenze nei progressi di apprendimento tra i gruppi di rendimento in diverse fasi lungo il percorso di apprendimento personalizzato della piattaforma di insegnamento intelligente descritta in questo articolo e verifica come il percorso di apprendimento personalizzato adatti i contenuti didattici per soddisfare i diversi bisogni e capacità degli studenti. Rispetto ai metodi di insegnamento tradizionali, può soddisfare in modo più efficace le esigenze di apprendimento personalizzato degli studenti, migliorando così le prestazioni accademiche.

Nella Figura 5, il progresso di apprendimento dei percorsi di apprendimento personalizzati (gruppo sperimentale) tra diversi anni degli studenti è significativamente migliore rispetto a quello dei metodi di insegnamento tradizionali (gruppo di controllo). Nel gruppo con punteggio basso, i progressi di apprendimento del gruppo sperimentale sono aumentati dal 12% all'89%, mentre il gruppo di controllo è passato dal 14% al 61%. Questo dimostra che i percorsi di apprendimento personalizzati possono stimolare efficacemente l'interesse di apprendimento degli studenti con punteggi bassi e adattare dinamicamente i contenuti e la difficoltà per soddisfare meglio le loro esigenze, migliorando così la motivazione e il progresso nell'apprendimento. Per il gruppo con punteggio intermedio, il gruppo sperimentale è aumentato dal 21% al 94%, mentre il gruppo di controllo è passato dal 24% all'86%. I percorsi di apprendimento personalizzati possono aiutare gli studenti con punteggi medi a superare meglio gli ostacoli di apprendimento e accelerare i progressi presentando sfide adeguate. Nel gruppo con punteggi alti, i progressi di apprendimento del gruppo sperimentale sono passati dal 33% al 100%, mentre quelli del gruppo di controllo sono passati dal 33% al 95%. Sebbene la differenza tra i due gruppi sia piccola, i percorsi di apprendimento personalizzati mostrano comunque vantaggi e possono fornire contenuti di apprendimento più approfonditi per rispondere allo sviluppo degli studenti con punteggi elevati. Sulla base dell'analisi sopra, la piattaforma di insegnamento intelligente può adattare dinamicamente i percorsi di apprendimento personalizzati per tenere conto delle differenze individuali degli studenti, migliorare i risultati di apprendimento tra diversi livelli di punteggio, stimolare la motivazione all'apprendimento e aumentare l'efficienza dell'apprendimento.

Efficacia della regolazione dinamica
È molto importante analizzare l'efficacia degli aggiustamenti dinamici della piattaforma didattica intelligente, valutando se gli aggiustamenti basati sul feedback e sulle prestazioni in tempo reale degli studenti abbiano davvero migliorato i risultati di apprendimento degli studenti. Analizzando le variazioni nel tasso corretto per cinque problemi di apprendimento tra studenti con punteggi bassi, medi e alti in un compito di apprendimento, vengono identificati i vantaggi e gli svantaggi della strategia di aggiustamento della piattaforma didattica intelligente, fornendo una base per il suo meccanismo di adattamento.

Secondo la Figura 6A,B, il meccanismo di aggiustamento dinamico nella piattaforma di insegnamento intelligente ha mostrato un'efficacia significativa tra studenti di diversi anni. Per gli studenti con punteggi bassi, in domande difficili, come la domanda 5, il tasso di accuratezza degli studenti con punteggi bassi è aumentato del 15% dopo l'aggiustamento. Questo dimostra che, regolando la difficoltà delle domande difficili, la piattaforma può aiutare efficacemente gli studenti con punteggi bassi a riuscire in contenuti più difficili. Al contrario, il miglioramento degli studenti con punteggio medio è stato relativamente modesto. Ad esempio, nel Problema 1, il tasso di accuratezza è aumentato dal 72% al 75%, indicando che, sebbene l'aggiustamento della piattaforma abbia migliorato le loro prestazioni, il miglioramento è stato minore rispetto a quello degli studenti con punteggi bassi. Per gli studenti con punteggi alti, il loro tasso di precisione può comunque essere migliorato dopo l'aggiustamento. Questi dati mostrano che il meccanismo di aggiustamento dinamico nella piattaforma di insegnamento intelligente è più utile per studenti con punteggi bassi, ma per quelli con punteggi medi e alti, sebbene il miglioramento sia minore, ottimizza comunque l'esperienza di apprendimento. Grazie a questo miglioramento della precisione, gli studenti possono acquisire un senso di realizzazione nella risoluzione di problemi difficili e acquisire fiducia nel affrontarli.

Analisi dei tempi di risposta della piattaforma
Il tempo di risposta della piattaforma didattica intelligente presentata in questo articolo viene analizzato per valutarne le prestazioni e l'esperienza utente. Tempi di risposta più brevi possono garantire un'interazione più fluida tra studenti e la piattaforma, permettendo alla piattaforma di adattare in tempo reale i contenuti e la difficoltà dell'apprendimento e migliorare l'efficienza e il senso di partecipazione degli studenti. Ottimizzando i tempi di risposta, la capacità di feedback in tempo reale della piattaforma migliora, l'esperienza degli studenti migliora e, in definitiva, le loro prestazioni di apprendimento. I 200 tempi di risposta consecutivi quando la piattaforma funziona senza intoppi vengono raccolti e rappresentati in un istogramma di distribuzione di frequenza per l'analisi.

Nella Figura 7, il tempo massimo di risposta della piattaforma didattica intelligente è di 0,772 s, il tempo minimo di risposta è di 0,238 s e il tempo medio di risposta è di 0,496 s. Queste metriche registrate rappresentano la latenza di inferenza algoritmica lato server per la generazione di percorso e l'aggiustamento della difficoltà, funzionando completamente indipendentemente dalla pipeline di rendering locale lato client. La latenza movimento-fotone lato client è mantenuta rigorosamente sotto i 20 ms localmente sull'hardware del visore per garantire stabilità visiva e prevenire la cyber-malattia. Questo dimostra che la piattaforma può rispondere rapidamente alle operazioni degli studenti quando funziona senza intoppi, garantendo un'esperienza interattiva fluida e reattiva. La distribuzione dei tempi di risposta corrisponde approssimativamente alla distribuzione normale, indicando che la piattaforma ha una buona stabilità di risposta. In particolare, il tempo di risposta medio è inferiore a 0,5 secondi, il che indica che la piattaforma ha una buona funzione di risposta. Questo aiuta a ottimizzare il processo di apprendimento degli studenti e la piattaforma può fornire un feedback rapido quando gli studenti lavorano, ridurre i tempi di attesa e migliorare l'esperienza degli studenti. In sintesi, l'insegnamento intelligente progettato in questo documento migliora il senso di partecipazione e la motivazione all'apprendimento degli studenti dal punto di vista del tempo di risposta. I risultati rappresentativi derivati dalla Figura 4A,B alla Figura 7 convalidano collettivamente l'intervento algoritmico su molteplici dimensioni pedagogiche. Le Figure 4A, B e 5 illustrano i miglioramenti macroscopici dell'apprendimento guidati dalla generazione personalizzata delle sequenze. La Figura 6A,B dettaglia i cambiamenti di accuratezza a livello micro derivanti dalla modulazione della difficoltà in tempo reale. La Figura 7 conferma la fattibilità hardware della piattaforma.

Analisi del caso di guasto e della risoluzione dei problemi
Episodi sperimentali subottimali si sono verificati quando le variabili di tracciamento di base non sono state inizializzate correttamente a causa dell'occlusione fisica del sensore, portando a una generazione di percorsi irregolare e a un calo temporaneo dei tassi di completamento dei compiti al 45% per gli utenti interessati. Questi risultati anomali sottolineano la stretta dipendenza dell'architettura algoritmica da flussi di dati spaziali ininterrotti. Per risolvere questa modalità di guasto, fu stabilito un protocollo di risoluzione dei problemi predefinito: una routine automatica di reset dell'origine del tracciamento e una ricalibrazione in tempo reale dei sensori ripristinavano immediatamente l'allineamento del tracciamento entro 1,5 secondi. Inoltre, un degrado imprevisto delle policy nel livello di apprendimento per rinforzo ha automaticamente attivato un rollback ai precedenti pesi neurali stabili per salvaguardare l'esperienza utente.

Risultati di replicazione indipendenti
Seguendo le procedure formalizzate passo dopo passo dettagliate nella sezione aggiornata del Protocollo, sono state condotte prove di verifica indipendenti da un team tecnico separato per testarne la riproducibilità. Utilizzando un ambiente computazionale identico e una workstation secondaria indipendente, il team di replica riprodusse con successo la latenza di generazione del percorso, i risultati algoritmici e l'accuratezza della difficoltà entro un margine di errore rigoroso del 2%. Questa replica indipendente conferma l'elevata affidabilità procedurale del quadro didattico proposto.

DISPONIBILITÀ DEI DATI:
I dati fondamentali sul comportamento di apprendimento degli studenti utilizzati per addestrare e convalidare gli algoritmi predittivi in questo studio sono derivati dal dataset di analisi dell'apprendimento dell'Open University, disponibile al pubblico https://www.kaggle.com/datasets/anlgrbz/student-demographics-online-education-dataoulad e associato all'identificatore digitale di oggetto 10.1038/sdata.2017.171.

Figura 1: interfaccia della scena di apprendimento virtuale. Dimostrazione dell'ambiente immersivo del patrimonio culturale generato utilizzando il motore di rendering spaziale ad alta fedeltà. L'interfaccia include pannelli di controllo modulari sull'asse sinistro per la navigazione, l'ingrandimento visivo e l'interazione. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 2: Architettura del processo di generazione di percorso personalizzato. Il diagramma di flusso illustra l'estrazione dei dati comportamentali utilizzando il modello Transformer e la successiva generazione di sequenze tramite il modello di Filtraggio Collaborativo Neurale (NCF). Clicca qui per visualizzare una versione più grande di questa figura.

Figura 3: Interfaccia utente della piattaforma didattica intelligente. Il cruscotto mostra il percorso di apprendimento personalizzato dello studente, indicando i moduli completati in verde e quelli in sospeso in rosso per guidare i progressi di apprendimento. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 4: Confronto degli esiti di apprendimento tra i livelli di prestazione. (A) Punteggi medi post-test e (B) tassi di completamento dei compiti per gli studenti nei gruppi sperimentali (piattaforma intelligente) e di controllo (tradizionali). I dati sono presentati come media ± SD (n = 20 per sottogruppo). Le barre di errore indicano la deviazione standard. La significatività statistica è stata valutata utilizzando test t a campioni indipendenti. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 5: Confronto dei progressi di apprendimento su cinque fasi didattiche. Il grafico monitora la percentuale di completamento nelle fasi di anteprima, apprendimento formale, applicazione, valutazione e riepilogo per gruppi con punteggio basso, medio e alto in condizioni sperimentali e di controllo. I punti dati rappresentano la media del gruppo. Le barre di errore indicano la deviazione standard. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 6: Miglioramento della precisione derivante dalla regolazione dinamica della difficoltà. Confronto dei tassi di precisione per domande specifiche (A) prima dell'aggiustamento e (B) dopo modulazioni di difficoltà guidate da DQN in tempo reale tra diversi livelli di prestazione. Le barre di errore rappresentano la deviazione standard. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 7: Distribuzione dei tempi di risposta del sistema. Istogramma che dettaglia 200 latenze successive di inferenza algoritmica lato server durante il funzionamento continuo della piattaforma, dimostrando una latenza media di 0,496 s e confermando capacità di feedback rapido. Clicca qui per visualizzare una versione più grande di questa figura.

Tessera studentesca	ID scena	Compiti di apprendimento	Numero di clic	Tempo di permanenza (o giorni)	Progressi di apprendimento (%)	Completamento della missione
S001	VR01	Visite ai siti del patrimonio culturale	15	301	80	Concluso
S002	VR02	Interazione con l'arte	10	249	60	Incompiuto
S003	VR03	Artigianato tradizionale	20	456	90	Concluso
S004	VR01	Visite ai siti del patrimonio culturale	8	182	50	Incompiuto
S005	VR02	Interazione con l'arte	12	287	75	Concluso
S006	VR03	Visite ai siti del patrimonio culturale	18	354	85	Concluso

Tabella 1: Campionare i dati sui comportamenti di apprendimento degli studenti. Log interattivi rappresentativi raccolti all'interno degli scenari virtuali, inclusi metriche come il tempo di permanenza, la frequenza di interazione e lo stato del completamento del compito.

Metrica di Valutazione	Criteri di valutazione	Punteggio delle prestazioni
Guadagno cumulativo scontato normalizzato	Precisione della selezione Top-K	0.82
Rapporto di colpi	Recupero di oggetti rilevanti	0.88
Grado Reciproco Medio	Accuratezza nell'ordine dei ranghi	0.76

Tabella 2: Metriche di accuratezza delle raccomandazioni per la generazione personalizzata del percorso. Valutazione della precisione del modello NCF, riportando il Guadagno Cumulativo Scontizzato Normalizzato (NDCG), il Rapporto di Impatto (HR) e il Rango Reciproco Medio (MRR) alla selezione del top K (K = 10).

Esito	Livello di Prestazioni	Gruppo Sperimentale (Media ± SD)	Gruppo di controllo (Media ± SD)	Differenza media	t (df)	p-valore	IC al 95%
Punteggio post-test	Basso	69.2 ± 4.1	58,1 ± 5,3	11.1	7.34 (38)	<0.001	[8.2, 14.0]
	Medium	78,7 ± 3,8	70,9 ± 4,6	7.8	5.92 (38)	<0.001	[5.1, 10.5]
	Alto	92,5 ± 2,9	81,6 ± 3,7	10.9	8.01 (38)	<0.001	[8.2, 13.6]
Tasso di completamento dei compiti (%)	Basso	93.2 ± 3.1	74.3 ± 6.2	18.9	11.05 (38)	<0.001	[15.3, 22.5]
	Medium	96.1 ± 2.4	78,5 ± 5,9	17.6	9.87 (38)	<0.001	[14.0, 21.2]
	Alto	98.0 ± 1.8	86,2 ± 4,7	11.8	7.63 (38)	<0.001	[8.7, 14.9]
Nota. Tutti i confronti hanno utilizzato test t a campioni indipendenti a due code. IC 95% = intervallo di confidenza della differenza media. Il test di Levene ha confermato l'omogeneità della varianza (tutti p > 0,05).

Tabella 3: Risultati post-intervento per livello di performance. Differenze medie e statistiche inferenziali (valori d e t di Cohen) confrontando i gruppi sperimentali e di controllo tra livelli bassi, medi e alti (n = 20 per sottogruppo). I dati sono presentati come media ± SD.

Esito	Livello di Prestazioni	Mezzo di gruppo solo VR	Differenza media rispetto al controllo
Punteggio post-test	Basso	63.5	5.4
Punteggio post-test	Medium	75	4.1
Punteggio post-test	Alto	87.5	5.9
Tasso di completamento dei compiti (%)	Basso	83.6	9.3
Tasso di completamento dei compiti (%)	Medium	87.3	8.8
Tasso di completamento dei compiti (%)	Alto	92.1	5.9

Tabella 4: Risultati post-intervento per uno studio di ablazione solo VR. Risultati di apprendimento comparativi che isolano il contributo specifico dell'integrazione dell'intelligenza artificiale rispetto a una base statica della VR. I dati sono presentati come media ± SD.

Nome del modello	Configurazione architettonica	Metriche di valutazione
DQN integrato	Perceptron multistrato	Ricompensa = 84,5,Convergenza = 1200,Miglioramento = 40%
Soglia statica	Logica a regole fissa	Ricompensa = 62,3,Convergenza = Fallito,Miglioramento = 0%
Politica randomizzata	Selezione Stocastica dell'Azione	Ricompensa = 41,2,Convergenza = Fallito,Miglioramento = −32%

Tabella 5: Risultati dello studio di ablazione DQN. Confronto del meccanismo di aggiustamento dinamico DQN completamente integrato con una soglia statica di base e una politica di aggiustamento randomizzato, valutando gli episodi cumulativi di ricompensa e convergenza.

Metriche	Gruppo sperimentale	Gruppo di controllo
Tempo di studio (minuti)	128 ± 14	89 ± 18
Frequenza di interazione (multipli)	67 ± 9	24 ± 7
Livello di padronanza della conoscenza (punteggio)	88 ± 6	72 ± 9
Progressi di apprendimento (%)	96 ± 3	78 ± 7
Senso di coinvolgimento (valutazione: 1–5)	4.8 ± 0.3	3.5 ± 0.6
Nota: Tutti i confronti tra i gruppi sono stati statisticamente significativi: tempo di studio, t(118) = 11,23, p < 0,001; Frequenza di interazione, t(118) = 18,76, p < 0,001; Padronanza della conoscenza, t(118) = 9,84, p < 0,001; Progresso di apprendimento, t(118) = 10,55, p < 0,001; Valutazione del coinvolgimento, t(118) = 14,32, p < 0,001.

Tabella 6: Metriche di partecipazione e interattività. Valutazione degli indicatori di coinvolgimento nello studio (tempo di studio, frequenza di interazione e punteggio di coinvolgimento) tra i gruppi sperimentali e quelli di controllo. I dati sono presentati come media ± SD. Tutte le differenze sono statisticamente significative (p < 0,001).

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 generazione di percorsi di apprendimento personalizzati è centrale per garantire l'efficienza del processo educativo, poiché raccomandare contenuti basati sulle caratteristiche comportamentali estratte affronta direttamente i bisogni cognitivi^{individuali 25,26}. Inoltre, utilizzare feedback emotivo e di performance in tempo reale per modulare la difficoltà del compito non solo ottimizza gli effetti immediati dell'apprendimento, ma mantiene anche significativamente il coinvolgimento degli studenti prevenendo un sovraccarico cognitivo.

Il contributo originale di questa ricerca è la fusione del tracciamento spaziale virtuale ad alta fedeltà con un continuo aggiustamento algoritmico per risolvere l'incompatibilità tra coinvolgimento immersivo e apprendimento adattivo. I tre modelli di IA funzionano in sequenza senza ottimizzazione congiunta, prevenendo oblichi catastrofici e permettendo una sintonia isolata degli iperparametri per fasi operative distinte. A differenza dei tradizionali sistemi di raccomandazione statica che si basano esclusivamente su dati storici¹⁰ o dei modelli limitati al rilevamento isolato del coinvolgimento^{facciale 11}, la piattaforma proposta mappa dinamicamente i comportamenti spaziali continui agli stati cognitivi. I tassi elevati osservati di completamento dei compiti sono in linea e estendono i risultati degli studi contemporanei sul calcolo ^{spaziale 6,7,8}, confermando che le architetture algoritmiche multi-modello possono sostituire efficacemente l'impalcatura umana in ambienti immersivi.

È fondamentale distinguere tra gli effetti pedagogici immediati e quelli duraturi della piattaforma. I risultati del pilota iniziale di quattro settimane hanno dimostrato rapidi miglioramenti nelle prestazioni di apprendimento a breve termine, nella frequenza di interazione e nei tassi di completamento dei compiti tra la coorte di studenti universitari. Al contrario, il follow-up longitudinale di 16 settimane è stato condotto per valutare un coinvolgimento sostenuto e mitigare l'effetto di novità tipicamente associato alle nuove tecnologie immersive. I test post-ritardati somministrati alla 20ª settimana hanno confermato che la coorte guidata algoritmicamente ha mantenuto una ritenzione della conoscenza a lungo termine significativamente più alta rispetto ai gruppi di istruzione tradizionali. Insieme, queste fasi temporali distintamente separate forniscono prove solide sia dell'efficacia pedagogica immediata che permanente della piattaforma intelligente.

Nonostante questi risultati promettenti, bisogna riconoscere diverse limitazioni. Innanzitutto, i requisiti di elaborazione grafica intensiva limitano la distribuzione alle istituzioni che dispongono di hardware computazionale dedicato, limitando gravemente la scalabilità nei distretti educativi sottofinanziati. In secondo luogo, il campionamento localizzato dei partecipanti provenienti da un singolo gruppo demografico istituzionale limita la generalizzazione immediata dei risultati empirici tra popolazioni geografiche diverse. Infine, l'attuale libreria di scenari di apprendimento virtuale potrebbe non essere abbastanza ricca da coprire i diversi interessi culturali di tutti gli studenti. Le ricerche future si concentreranno sull'espansione della diversità degli scenari virtuali per allinearsi a contesti culturali più ampi, sull'ottimizzazione dell'efficienza algoritmica per hardware di livello inferiore e sulla validazione dell'approccio su durate prolungate e discipline educative diverse.

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
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.