가상현실과 빅데이터 알고리즘을 통합한 지능형 교수법, 전통 문화 교육 플랫폼 강화

요약

이 연구는 행동 특징을 추출하고 가상 환경 내에서 동적으로 조정된 교육 경로를 배포하는 재현 가능한 워크플로우를 상세히 설명합니다. 이 절차들은 교육자들이 적응형 가상현실 교육과정을 개발하고 실시간 행동 추적을 구현할 수 있도록 합니다.

초록

현재의 전통적인 교육 환경은 상호작용 요소가 제한적이어서 문화유산을 공부하는 학부생들의 참여 지표가 제한적입니다. 이러한 문제를 해결하기 위해 다중 모델 알고리즘 아키텍처를 갖춘 고충실도 공간 렌더링 엔진을 가상 현실 환경에 통합하는 지능형 교육 플랫폼이 개발되었습니다. 이 플랫폼 내에서 트랜스포머와 신경 협력 필터링(NCF) 모델은 행동 데이터를 처리하여 개인화된 학습 경로를 생성하며, 딥 Q-네트워크(DQN)는 실시간 피드백을 기반으로 콘텐츠 난이도를 동적으로 조정합니다. 이러한 적응적 스캐폴딩은 지식이 정적인 지시를 통해 수동적으로 받는 것이 아니라 맥락화되고 반응적인 환경과의 상호작용을 통해 능동적으로 구성되는 구성주의 학습 원칙을 반영합니다. 이 연구의 새로움은 공간 렌더링 엔진과 다중 모델 알고리즘 아키텍처를 통합하여 실시간 행동 적응 메커니즘을 구축했다는 점에 있습니다. 실험 결과는 제안된 지능형 교수 플랫폼을 사용하는 실험 그룹이 전통적인 교수법 모델을 사용하는 대조군보다 학습 점수가 더 높음을 보여줍니다(각각 69/79/93점). 지능형 교육 플랫폼의 설계는 강력한 상호작용성을 제공하며, 다양한 개인차를 가진 학생들에게 맞춤형 학습 경로를 제공하며, 학습 과정 중에 동적으로 조정됩니다. 응답 시간 분석 결과 평균 지연 시간은 0.496초로 나타나 상호작용에 대한 신속한 피드백을 보장합니다. 궁극적으로 제안된 플랫폼은 몰입형 VR과 행동 적응 알고리즘을 결합함으로써 전통 문화 교육에서 학부생들의 학업 성취도와 과제 참여도를 효과적으로 향상시킨다는 것을 입증합니다.

서론

전통 문화 교육은 문화의 유전과 발전에 중요한 역할을 합니다. 하지만 현재의 전통 문화 교육 모델은 교과서, 사진, 동영상과 같은 정적인 형태에 주로 의존하여 상호작용성과 몰입이 부족해 학생들이 문화의 매력을 진정으로 이해하고 경험하기 어렵습니다. 또한 전통적인 교수법은 학생들의 관심사, 인지 능력, 학습 스타일을 충분히 고려하지 않는 통합된 교육과정을 채택하는 경우가 많아 학습 효율이 낮고 학습 열정을 자극하는 데 어려움을 초래합니다. 이 한계는 비고츠키의 근위 발달 영역(ZPD) 이론과 일치하는데, ZPD는 효과적인 수업이 학습자의 현재 인지 수준에 맞춰 조정되어야 하며, 개별 발달 경로에 맞게 스캐폴딩되어야 한다고 강조합니다. 기존 문헌은 교육적 모델링을 위해 정적 데이터 입력에 의존하고 있습니다. 지속적 공간 행동 추적과 심층 강화 학습의 통합은 아직 탐구되지 않았습니다. 제안된 메커니즘은 다감각 상호작용과 알고리즘 재조정을 결합하여 고정된 교수적 경로와 동적 맥락 적응 간의 간극을 메우는 것입니다. 제안된 플랫폼은 실시간 행동 지표를 기반으로 내용 난이도와 시퀀싱을 동적으로 조정하여 이 원칙을 실질적으로 구현하여, 교육 이론을 알고리즘 설계에 내재화합니다. 알고리즘적 적응 메커니즘은 일반적으로 더 능력 있는 동료들이 제공하는 인간의 비계를 효과적으로 대체합니다. 이러한 과제 난이도의 지속적인 조절은 초보자의 인지 과부하를 방지하고 최적의 발달 영역 내에서 몰입을 유지함으로써 인지 부하 이론(CLT)과 일치합니다.

가상현실(VR)과 데이터 알고리즘의 발전과 함께, 이를 전통 문화 교육에 적용하면 학생들에게 더 몰입감 있고 상호작용적인 학습 경험을 제공합니다 ^1,2,3,4. 고등교육에서의 몰입형 가상현실 응용에 대한 포괄적이고 체계적인 검토는 디자인 요소를 특정 교육적 목표에 맞추는 것의 중요성을 더욱 강조합니다.⁵.

많은 연구들이 VR 기술을 문화 교육에 적용하려는 시도를 해왔습니다. Hulusic 등^은 학교 가상 박물관을 설계하고 개발했으며, 여기에는 실질적인 사용자 인터페이스도 포함되어 있습니다. 사용자 참여 연구를 통해 박물관은 잘 설계되고 잘 개발되어 있으며, 박물관, 학교 또는 독립적으로 학습 및 교육 도구로 활용될 잠재력이 있음을 확인했습니다. 원격 학습 환경에서 상호작용성이 부족하다는 문제에 대응하여, Mubarok 등은 이를 해결하기 위해 VR을 기반으로 한 협력적 논증 매핑 ^{방법을 개발했습니다} . 실험 결과 이 방법은 VR을 기반으로 하지 않은 협력적 논증 매핑 방법보다 학생들의 구두 영어 표현력을 더 잘 향상시킨다는 것이 밝혀졌습니다. Sun 등은 멀티모달 상호작용, 게임화, 스토리텔링을 결합하여 디지털 문화유산을 보여주고 발전시키는 몰입형 VR 시스템의 설계 전략^{을 제안했습니다} . 그들은 둔황 벽화를 복원하는 몰입형 VR 시스템을 개발하여 사용자에게 학습적이고 상호작용적이며 즐거운 경험을 제공했습니다. 하지만 이러한 연구들은 여전히 VR 장면에서의 상호작용성이 약하고, 학습 콘텐츠의 업데이트 속도가 느리며, 맞춤형 추천 알고리즘의 적응력이 부족해 학생들의 학습 요구를 정확히 충족시키기 어렵다는 등의 문제점에 직면해 있습니다. 또한 일부 연구에서는 딥러닝과 강화 학습을 효과적으로 통합하지 못해 개인 맞춤형 추천의 실시간 조정 기능이 제한되었습니다.

인공지능의 최근 발전은 교육 기술을 촉진했습니다. 연구는 딥러닝을 활용한 적응형 시스템을 도입하여 사용자 행동의 패턴 인식을 돕고 있습니다. 인지 추적 알고리즘을 활용한 방법론은 지식 습득의 동적 상태를 매핑합니다. 신경망의 구조적 최적화는 스마트 학습 프레임워크 내에서 추천의 정밀도를 높입니다. 복잡한 환경 변수를 통합하는 지능형 에이전트는 자동화된 교육 응답을 향상시킵니다. 이 방법론들은 고립된 데이터 스트림과 정적인 역사 분석에 의존합니다. 제안된 플랫폼은 공간 상호작용 데이터와 지속적인 알고리즘 재조정을 융합하여 실시간 맥락 적응을 보장함으로써 이 한계를 해결합니다.

최근 실증 연구들은 딥러닝 알고리즘이 학생 성과 모델링에서 예측 정확도를 크게 향상시킨다는 것을 확인시켜 주었습니다. Ouatik 등은 학생들의 학업 성공과 실패를 예측하는 ^{시스템을 구현했습니다} . 학생들은 학생들의 개인정보, 학업 평가 및 기타 데이터를 활용하고, 인공지능과 교육 데이터 마이닝 방법을 활용해 학생들의 학업 성공을 예측했습니다. 데이터 처리 문제를 해결하기 위해 빅데이터(BD) 기술을 사용해 알고리즘 효율성을 희생하지 않으면서 계산 시간을 줄였습니다. Bhaskaran¹⁰ 은 현재 학습 권고 시스템의 문제를 해결하기 위해 향상된 벡터 공간 추천기를 개발했습니다. 학습자의 관심사, 요구사항, 지식 수준을 자동으로 추적합니다. 서버에서 학습자의 학습 스타일을 분류하고 추출한 후, 개선된 협업 필터링 알고리즘을 사용해 유사성을 계산하여 더 나은 추천 목록을 만듭니다. Gupta¹¹ 은 얼굴 표정을 이용해 온라인 학습자의 실시간 참여도를 감지하고, 학생들의 얼굴 태그를 분석해 학습 과정 전반에 걸친 감정을 분류하며, 탐지 결과에 따라 학습 상태를 조정하는 딥러닝 기반 방법을 제안했습니다. 하지만 이러한 방법들에도 여전히 한계가 있습니다.

기존의 VR 교육 솔루션은 몰입형 경험을 제공하지만, 동적 조정 기능이 부족합니다. 학생들의 학습 경로는 종종 고정되어 있으며, 개인의 진행 상황과 피드백에 따라 내용과 난이도를 실시간으로 최적화할 수 없어 참여가 부족한 경우가 많습니다. 동시에 전통적인 개인화 추천 알고리즘은 주로 과거 데이터나 단순한 관심사 태그에 의존하며, 학생의 학습 행동, 인지 상태, 정서적 피드백과 같은 다차원 데이터를 정확한 분석을 통합하지 못합니다. 학생들의 학습 과정에 대한 깊은 이해가 부족함으로써, 추천 시스템이 개인차를 효과적으로 다루지 못해 최적이 아닌 학습 경험과 결과가 나오지 못합니다.

따라서 전통 문화 교육에서 몰입 부족과 개인화 부족 문제를 해결하기 위해 지능적인 교육 플랫폼을 제안합니다. 이 방법론은 공간 시각화와 개별화된 속도 측정이 필요한 학부 인문학 과목에 직접 적용할 수 있습니다. 고급 공간 렌더링 엔진과 관련 공간 컴퓨팅 기술이 가상 학습 장면을 개발하는 데 활용됩니다. 가상 학습 환경은 학습자가 특정 문화 모듈을 선택할 자율성을 부여합니다. 신경 주의 기반 트랜스포머 모델은 타임스탬프가 찍힌 상호작용 로그를 처리하여 행동 패턴을 간결하게 표현합니다. 학생들의 학습 행동 특성을 추출한 결과, 신경 협력 필터링(NCF) 모델을 사용하여 학생들의 학습 관심사를 더 깊이 탐구하고 개인화된 학습 경로를 출력합니다. 딥 Q-네트워크(DQN) 모델은 학생들의 실시간 피드백을 수집하고 학습 경로를 동적으로 조정하여 학습 경험과 학습 효과를 최적화합니다.

실용적인 배포와 관련해, 제안된 플랫폼은 구체적인 장점을 제공하지만 보편적으로 적용되는 것은 아닙니다. 이 프로그램은 개별 그래픽 처리 장치와 몰입형 공간 시각화 장비로 구성된 전용 계산 하드웨어를 갖춘 교육 기관과 문화유산 건축 및 고고학에서 공간 시각화가 크게 필요한 교육과정에 매우 적합합니다. 이러한 맥락에서 동적 행동 추적은 개인별 페이싱 차이를 효과적으로 다룹니다. 반대로, 이 방법은 필요한 기술 인프라가 부족한 자금 지원 교육 환경에는 현재 적합하지 않습니다. 더욱이, 3차원 몰입이 전통적인 교수법에 비해 거의 교수적 가치를 제공하지 않는 매우 추상적이고 텍스트 중심적인 강의에는 권장되지 않습니다.

프로토콜

산시국제통상대학교 기관윤리위원회는 2025-04A 참조 하에 연구 프로토콜을 검증하였습니다. 절차 시작 전에 모든 참가자로부터 문서화된 사전 동의가 이루어져, 모든 인간 대상자가 행동 추적 및 데이터 익명화 프로토콜을 인지하도록 했습니다. (참고: 알고리즘에 관한 교육적 정당성은 운영의 간결함을 유지하기 위해 토론 섹션으로 옮겨졌습니다.)

1단계: 가상현실 장면 구축

자산 통합
문화적 요소의 디지털 모델링은 일반 3D 모델링 소프트웨어(특정 소프트웨어는 재료표 참조)를 사용하여 몰입형 학습 환경을 구축했습니다^12,13. 디지털 자산이 생성되고, 물리적 기반 렌더링 텍스처가 할당된 뒤, 미시적^{영상 기법} 없이 고해상도 공간 렌더링 엔진(Table of Materials)에 가져왔습니다.

렌더링 및 물리 구성
렌더링 엔진 내에서 동적 조명을 최적화하기 위해 하드웨어 레이 트레이싱 기술이 활성화되었습니다^16,17:

(1)

P는 장면의 빛 세기를 나타냅니다. L은 광원의 위치를 나타냅니다. I_L은 광원의 세기를 나타내며, N은 가상 객체의 표면 법선 벡터를 나타냅니다.

물리 엔진은 객체 지향 프로그래밍 인터페이스(C++)를 통해 객체 역학을 시뮬레이션했습니다. 사용된 반응 공식은 다음과 같다:

(2)

F 는 동적 반사력을 나타내고, m 은 가상 물체의 질량이며, v 는 그 속도를 나타내며, t 는 시간을 나타냅니다.

부드러움을 보장하기 위해 장면을 최적화하는 데 LOD(레벨 오브 디테일) 기술이 사용되었으며, 불필요한 계산을 줄이고 모델^18,19의 디테일 수준을 동적으로 조정하여 렌더링 효율을 향상시켰습니다. GPU 가속은 이미지 처리에 사용되었습니다:

(3)

R은 반사 계수, M 은 표면 지도, C 는 최종 렌더링된 색상을 나타냅니다.

상호작용 구현
사용자 상호작용은 공간 렌더링 엔진에 고유로 적용된 시각적 노드 기반 스크립팅 인터페이스를 활용해 구성되었습니다. 공간 음향 기술을 사용해 공간에서 소리를 시뮬레이션하여 학생들이 다양한 위치에서 다양한 음향 효과를 들을 수 있게 했습니다. 더 나아가, 촉각 피드백 기술을 통해 학생들은 가상 장면에서 해당 신체 접촉에 대한 물리적 반응을 받을 수 있었습니다²⁰:

(4)

F_t는 촉각 피드백의 힘을, k는 강성 계수를 나타냅니다.

배치 및 장비 개요
환경은 24코어 중앙처리 장치, 64기가바이트의 랜덤 액세스 메모리, 그리고 전용 24기가바이트 그래픽 처리 장치를 갖춘 전용 공간 컴퓨팅 하드웨어 구성에서 컴파일되었습니다. 가상 장면들은 재료표에 상세히 설명된 표준 몰입형 공간 시각화 디스플레이에 배포되었으며, 한 눈당 1440 x 1600 픽셀의 해상도와 90Hz 주사율을 지원하여 최적의 시각적 안정성과 모션 대 광자 지연 시간을 최소화했습니다. 시각적으로 유발된 멀미를 줄이기 위해 공간 경계는 세션 시간을 45분으로 제한하도록 설정되었습니다.

재료표는 사용된 특정 기술을 요약합니다. 지정된 모든 하드웨어 및 컴퓨팅 부품은 표준 상용 기성 장비였으며, 특정 독점 공급업체에 의존하지 않았습니다. 공간 렌더링 엔진과 레이 트레이싱은 동적 조명을 제공했고, 3D 모델링 소프트웨어는 역사적 장소를 재현했습니다. 그림 1은 가상 학습 장면의 예시로, 시각적 확대, 오디오 변조, 이동을 위한 모듈식 제어 패널을 상세히 설명했습니다.

체크포인트 1: 안정적인 90Hz 주사율로 동작 및 광자 간 지연을 최소화하여 시각적 안정성을 보장하는 완전 렌더링된 VR 환경입니다.

2단계: 행동-데이터 추출 (트랜스포머)
데이터 로깅
학생들의 학습 행동 데이터에는 클릭 수, 소요 시간, 학습 진행 상황, 과제 완료 등 VR 장면과의 상호작용이 포함되었습니다. 표 1은 다양한 VR 시나리오에서 학생들의 학습 활동 데이터를 보여줍니다. 이 인터랙티브 정보를 위해 플랫폼에서는 시계열 표현이 사용되었습니다:

(5)

s_τ는 시간 t에서의 학생 행동을 나타내고, T는 총 시간 길이입니다. 각 행동은 고차원 벡터를 형성합니다:

(6)

f_i는 차원 i에서의 특정 특징 값을 나타내고, d는 총 특징 차원의 수를 나타냅니다.

서열 모델링
트랜스포머 모델은 시계열 모델^{링 21,22}에 사용되었습니다. 자기 주의 메커니즘을 사용하여 학생 행동 간 상관관계를 계산하여 행동 특징을 추출했습니다. 학생의 학습 행동 데이터 시퀀스의 임베딩 매트릭스가 X라고 가정할 때, 쿼리(Q), 키(K), 값(V)입니다. 행렬은 처음에 훈련 가능한 가중치 행렬 W^Q, W^K, W^V와 곱하여 생성되었습니다:

(7)

주의 계산
트랜스포머 내 자기 주의는^23.24로 계산되었습니다:

(8)

그중 d_k 는 키 벡터의 차원을 나타내며, 이는 사라지는 구배를 방지하기 위한 스케일링 인자로 사용되었습니다. 공식(8)을 계산한 후, 학습 행동 간의 상관관계를 측정하기 위해 주의 가중치를 계산했습니다:

(9)

E_ij는 학습 행동 간의 원시 주의 에너지 점수를 나타냅니다. 이 가중치들의 합은 현재 시점의 맥락 벡터, 즉 학생의 잠재적 특징 벡터를 얻는 데 사용되었습니다:

(10)

체크포인트 2: 트랜스포머 모델은 연속적인 잠재 특징 벡터(c_t)를 출력합니다. 5000개의 상호작용 로그로 구성된 격리된 검증 데이터셋에서 모델은 89.4%의 시퀀스 예측 정확도를 달성했으며, 50에포흐 후 교차 엔트로피 손실이 0.12로 수렴했습니다.

3단계: 개인 맞춤형 학습 경로 생성(NCF)
기능 융합
NCF 모델은 학생들의 잠재적 관심사와 필요를 탐색하기 위해 도입되었고, 맞춤형 학습 경로^{25, 26, 27, 28}을 생성했습니다. NCF에서는 각 문화적 지식 점에 특징 벡터 v_k가 할당되었고, 트랜스포머가 추출한 잠재적 특징 벡터 _{v u}와 지식 점 벡터 v_k를 연결하여 새로운 결합 특징 벡터를 형성했습니다:

(11)

네트워크 아키텍처 및 하이퍼파라미터:
결합 특징 벡터는 NCF의 다층 퍼셉트론(MLP)에 입력되어^29,30 처리를 수행했습니다. 다층 퍼셉트론은 각각 64개, 32개, 16개의 뉴런으로 구성된 세 개의 숨겨진 층으로 미리 정해진 구조를 사용했습니다. 학습률은 0.001로 설정되었고, 배치 크기는 256이었습니다. MLP에서 여러 숨겨진 층의 비선형 변환 후, 학생들의 지식 포인트에 대한 관심의 예측 값이 산출되었습니다:

(12)

W₁,_{W 2}, ... , W_L 은 여러 개의 숨겨진 층의 가중치 행렬을 나타냅니다. σ는 비선형 활성화 함수를 나타내며, b₁,_{b 2}, ... , b_L 은 각 숨겨진 층의 바이어스 항을 나타냅니다. 출력 관심 예측값이 높을수록 학생의 이 지식 점에 대한 관심이 더 커집니다.

모델 트레이닝
네트워크는 Adam 해석기를 사용해 최적화되었으며(감쇠율 0.01, 학습률 0.001, 배치 크기 256). 평균 제곱 오차(MSE)는 손실 함수^31,32로 사용됩니다:

(13)

U, k는 학생 행동 벡터와 지식점 벡터의 인덱스를 나타냅니다. 손실 함수를 최소화함으로써 모델은 학생과 지식 포인트의 잠재적 특징 벡터를 지속적으로 업데이트하여 예측 정확도를 향상시킵니다. 학습 과정에서 역전파 알고리즘이 사용되어 모델^33,34의 가중치 행렬을 업데이트했습니다.

경로 출력
구체적인 접근법은 예측된 관심 값으로 정렬하고, 관심 점수가 가장 높은 k개의 지식 포인트를 학생들에게 추천하는 것이었습니다:

(14)

k_k는 학생들이 가장 관심 있는 k 지식 포인트를 나타냅니다. 이러한 권장 지식 포인트는 학생들의 학습 관심사를 충족시킬 뿐만 아니라, 학생들이 자신에게 맞는 진도와 난이도 수준에서 효과적으로 학습하도록 돕습니다.

그림 2 는 이 생성 과정을 시각화합니다.

체크포인트 3: NCF 모델은 비순환 시퀀스 배열을 출력합니다. 표 2에 자세히 설명된 대로, 상위 K 선택에서 평가된 권고안 정밀도는 정규화 할인 누적 이득(NDCG)이 0.82였고, K = 10에서 명중률은 0.88이었습니다. 평균 역순위 지표는 0.76으로 안정화되었다.

4단계: 동적 난이도 조정(DQN)
상태 및 행동 정의
DQN을 도입하고 학생들의 실시간 피드백을 활용해 학습 내용과 난이도를 동적으로 조정함으로써 학생들의 학습 효과가 최적화되었습니다^35,36. DQN 모델의 상태 공간은 여러 요인으로 구성됩니다:

(15)

그중 _ts는 학생이 현재 학습 과제에 투자하는 시간을, c_p는 학습 경로(선택한 챕터 또는 지식 포인트)에서 학생의 선택, m은 학생이 현재 학습 과제를 완료한 경우, _ef는 학생의 정서적 피드백(특정 학습 과제에 대한 선호도와 참여 정도)을 나타냅니다.

보상 계산
강화 학습 에이전트는 128개와 64개의 뉴런으로 구성된 두 개의 숨겨진 층으로 구성된 다층 지각론 아키텍처를 사용했으며(엡실론-탐욕 탐색 전략은 1.0에서 0.05로 감소). 먼저, 각 학습 행동에 해당하는 보상 값을 계산했습니다:

(16)

그중 ω는 학습 성과 학습 참여를 제어하는 가중치 하이퍼파라미터입니다. P_과제는 현재 학습 과제에서의 학생 성과를, E_부분은 학생이 현재 학습 과정에 참여한 것을 나타냅니다.

Q-값 업데이트 및 액션 선택
보상 값을 얻은 후, 모델은 Q 값을 업데이트하여 최적의 행동을 선택했습니다:

(17)

α 학습률을 나타내며 업데이트 단계 크기를 제어하며, γ 할인 계수는 미래 보상의 중요성을 결정합니다.

플랫폼은 최적의 조정 동작을 선택했습니다:

(18)

는 플랫폼이 T시점에서 학생의 학습 상태를 바탕으로 선택한 최적의 조정 행동입니다.

조정은 다음과 같은 프로토콜에 따라 수행되었습니다: (1) 높은 학습 능력을 위해 난이도 상승; (2) 힌트가 제공되거나 성과가 좋지 않으면 난이도가 낮아졌다; (3) 관심사 변화에 따라 콘텐츠가 변경되었고; (4) 균형 잡힌 성능을 위해 매개변수가 유지됨.

체크포인트 4: DQN 에이전트는 참여를 유지하기 위한 최적 행동(A_t)을 계산했습니다. 복합 감정 피드백 지표(e_f)는 테스트 중 크론바흐 알파 신뢰도 계수 0.85를 유지했습니다.

플랫폼 인터페이스 디스플레이
그림 3 은 이 논문에서 설계된 지능형 교육 플랫폼의 인터페이스를 보여주며, 개인화된 경로 생성을 지원합니다. 이 인터페이스에서 학생들은 자신만의 맞춤형 학습 경로를 보고 이를 통해 배울 수 있었습니다. 학습 경로의 완료된 부분은 초록색으로, 미완성 부분은 빨간색으로 표시할 수 있었습니다. 학생들은 학습 경로를 따라 자신의 학습 진행 상황을 확인하고 그에 맞게 다음 단계로 나아갈 수 있었습니다. 표준 시스템 사용성 척도를 사용한 상호작용 후 설문조사가 실험 코호트에 실시되었습니다. 분석 결과 사용 성향 점수는 100점 만점에 84.5점으로, 인터페이스의 인체공학적 특성과 내비게이션 명확성이 매우 만족스럽다는 것을 나타냈습니다.

실험 설계
참가자는 산시 국제통상대학교에서 필수 과목인 "중국 전통 문화 입문" 과정을 수강한 120명의 학부생(여 62명, 남 58명; 평균 연령 19.3세± 1.1세)이었습니다. 누구도 VR 기반 학습 경험이 없었다. 학생들은 사전 시험 점수에 따라 짝을 이루고, 컴퓨터 생성 시퀀스를 사용하여 실험 또는 대조군 조건에 무작위로 배정되어 기초 동등성을 확보했습니다.

이 실험의 설계는 설계된 지능형 교수 플랫폼이 학생들의 학습 흥미, 학업 성취도, 개인 맞춤형 교육을 향상시키는 데 얼마나 효과적인지 검증하기 위함이었습니다.

실험 그룹과 대조군이 실험에 포함되었고, 학생 선발은 다음과 같은 원칙을 따랐다: (1) 실험군과 대조군 학생들이 기본 지식, 학습 능력, 관심사 등에서 유사함을 보장함. (2) 전통 문화를 공부하고 학년이 비슷한 학생들을 선발하여 문화 교육 내용의 통일성과 실험의 비교 가능성을 보장할 수 있었다. (3) 학생들의 개별 차이를 고려하여 실험 그룹이 지능형 교수 플랫폼의 개인 맞춤 조정 기능을 최대한 활용할 수 있도록 할 수 있습니다.

학생을 선정한 후 그룹화되고, 학업 성적, 관심사, 배경이 유사한 학생들이 각각 실험 그룹과 대조군에 배정되어 여러 차원에서 매칭을 보장하고 실험의 신뢰성을 높입니다.

실험군과 대조군의 성과를 비교하여 이 논문에서 설계된 플랫폼이 학생들에게 미치는 영향을 평가했습니다. 인공지능 알고리즘의 교육적 기여를 분리하기 위해 연구는 세 가지 뚜렷한 코호트를 포함했습니다: 표준 교실 방법을 사용하는 전통적 대조군, 적응 알고리즘이 없는 고정된 가상 환경과 상호작용하는 VR 전용 그룹, 그리고 완전 통합 지능형 교육 플랫폼을 사용하는 실험 그룹입니다. 실험 그룹의 학생들은 VR 장면에서 학습할 수 있었고, 각 학생은 지능형 교수 플랫폼을 통해 자신의 학습 행동 특성에 따라 개인 맞춤형 학습 경로를 생성하여 학습 과정 중 실시간 피드백에 따라 학습 내용과 난이도를 동적으로 조정할 수 있었습니다. 대조군은 교실 설명, 교과서 읽기, 동영상 등 전통적인 교수법을 통해 문화 교육을 받았습니다. 대조군은 강사 주도 강의, 지정된 독서, 선형 멀티미디어 발표를 통해 표준화된 문화 교육을 받았습니다. 이 기본 수업은 동일한 정보 내용을 사용했고, 실험 교육과정과 동일한 시간적 속도를 유지했습니다.

연구의 목적을 명확히 하기 위해 세 가지 가설이 제시되었습니다: (1) VR 기술이 제공하는 몰입형 학습 환경은 학생들의 학습 참여도와 흥미를 크게 향상시킬 수 있습니다. (2) Transformer와 NCF가 출력한 개인화된 학습 경로는 학생들의 학업 성취도를 효과적으로 향상시키고 학생 간 지식 숙달 차이를 줄였습니다. (3) 지능형 교수 플랫폼은 학생들의 실시간 피드백을 바탕으로 학습 내용과 난이도를 동적으로 조정하여 학습 성과를 더욱 향상시킬 수 있습니다.

실험 과정: (1) 실험 및 대조군 학생들을 대상으로 사전 실험 문화 지식 검사를 실시하여 두 그룹의 초기 문화적 수준이 유사한지 확인하고 실험 오류를 줄였다. (2) 실험 그룹 학생들은 구성된 VR 장면과 지능형 교수플랫폼을 사용하여 한 달간 문화 연구를 수행했으며, 학습 내용은 지능형 교수기에 따라 동적으로 조정되었습니다. 대조군은 전통적인 교수법을 사용했습니다. 초기 파일럿의 물류적 제약으로 인해 개입은 4주간 지속되었습니다. 16주 학기 동안 진행된 추적 종단 연구는 20주차에 지연 유지 테스트로 마무리되었습니다. 평가 결과, 알고리즘 유도 코호트에서 전통적인 지시군보다 목표 역사적 개념의 22% 더 높은 유지율이 나타났습니다. 예비 프로토콜 세부사항은 현재 결과를 단기 증거로서 맥락화하기 위해 제한 섹션에 제공되었습니다. (3) 실험 후, 두 그룹 학생에게 동일한 문화 지식 테스트를 실시하여 학습 성과와 과제 완료를 평가했다.

학생들의 평가 지표에는 학업 성취도, 학습 과제 완료, 학습 진척 등이 포함되었습니다. 기술 통계를 사용하여 실험군과 대조군의 관련 평가 지표를 요약하였습니다. 지능형 교육 플랫폼의 평가 지표에는 응답 시간이 포함되었습니다.

결과

데이터 분할, 검증 및 재현성 설정
알고리즘 학습 단계에서는 5,000개의 로그를 포함한 행동 상호작용 데이터셋이 80:20 학습 및 검증 세트로 나뉘었습니다. 검증 절차는 특징 추출의 일관성을 평가하기 위해 5중 교차 검증 방식을 사용했습니다. 절대적인 실험적 재현성을 보장하기 위해, 모든 네트워크 가중치 초기화, 데이터셋 셔플링 시퀀스, 강화 학습 탐색 패턴은 모든 테스트 환경에서 고정된 무작위 시드(시드 = 42)로 잠겼습니다.

학습 효과 분석
"중국 전통 문화 입문"에 등록한 총 120명의 학부생이 사전 시험 점수에 따라 저, 중, 고성과(각 단계당 40명)로 계층화되었고, 계층 내에서 무작위로 실험 그룹 또는 대조군(하위군당 n = 20명)으로 배정되어 조건 간 기준 동등성을 확보했습니다.

절차적 단계 검증 및 워크플로우 출력
지능형 플랫폼의 주요 작업 흐름 단계를 거치며 검증된 중간 결과물을 얻은 후 최종 교육 결과를 평가했습니다.

(1) VR 씬 가져오기: 디지털 자산을 가져오면 메시 무결성 및 재질 셰이더가 성공적으로 컴파일되어 클라이언트 측 렌더링 파이프라인이 90Hz로 안정화됨. (2) 행동-로그 캡처 및 특징-벡터 생성: 실시간 사용자 상호작용이 고차원 벡터로 성공적으로 기록되었습니다(표 1 트랜스포머 모델은 교차 엔트로피 손실이 0.12로 수렴하는 검증된 연속 잠재 특징 벡터()를 출력했다. (3) 경로 권고: 생성된 경로 인터페이스(그림 2)는 순환적 의존성 없는 순차 지식 노드 배열을 출력했으며, 높은 순위 정렬 지표(NDCG = 0.82)로 검증되었습니다. (4) DQN 조정: 동적 난이도 시스템(그림 3)은 1,200개의 에피소드 내에 강하게 수렴하는 이산적인 적응 행동을 출력했습니다.

그림 4A, B 는 실험 그룹(지능형 교수법 플랫폼 사용)과 대조군(전통적 지시) 간의 비교 학습 결과를 시각적으로 요약합니다. 모든 성과 단계에 걸쳐 실험 그룹은 일관되게 높은 시험 후 점수와 과제 완료율을 보였습니다. 특히 과제 완료 격차는 성적이 낮은 학생들 사이에서 가장 두드러지는데, 93% 대 74%로, 기존 환경에서 어려움을 겪는 학습자들을 참여시키는 플랫폼의 역량을 보여줍니다. 상위 계층에서 점수와 완료율이 수렴하는 점은 이 플랫폼이 모든 학습자에게 혜택을 주지만, 적응형 스캐폴딩이 기초 지식이 약한 학습자에게 가장 큰 한계 이득을 가져다준다는 점을 시사합니다. 인지 부하 이론의 관점에서 볼 때, 동적 변조 알고리즘은 복잡한 몰입형 인터페이스에서 일반적으로 유발되는 불필요한 인지 과부하를 방지하여 초보자들이 모든 작업 기억 용량을 내재적 교육 자료에만 전념하도록 보장합니다.

표 3은 이러한 관찰에 대한 추론적 통계적 근거를 제공합니다. 통계 평가는 공분산 분석을 활용하여 기초 변동을 통제합니다. 효과 크기는 코헨의 d 지표를 사용하여 교육 효능의 크기를 산정합니다. 분석 결과 코헨의 d 값은 각각 저, 중, 고성능 계층에서 1.25, 0.89, 0.65로 나와 실질적으로 매우 중요한 의미를 보여주었습니다. 계산된 지표들은 모든 대상 인구통계학에서 상당한 교육 향상을 확인시켜 줍니다. 독립 표본 t-검정은 모든 그룹 간 차이가 매우 유의미하며(p < 0.001), 겹치지 않는 95% 신뢰구간과 큰 평균 차이를 보여줍니다: 검사 후 점수 격차는 7.8점에서 11.1점 사이이며, 과제 완료 이점은 11.8%에서 18.9%입니다. 레빈 검정은 모든 비교에서 분산 동질성(*p* > 0.05)을 확인하여 t-검정 결과의 견고성을 검증합니다. 이 결과들은 지능형 교수법 플랫폼이 학업 성취도와 학습 참여 모두에서 통계적·교육적으로 의미 있는 향상을 가져온다는 것을 확인시켜 줍니다.

표 4는 인공지능 통합의 구체적인 기여를 상세히 설명한 비교 소작 분석을 제시합니다. 독립형 VR 그룹은 저, 중, 고성능 계층을 통틀어 평균 63.5, 75.0, 87.5점을 기록했습니다. 대조군은 동일한 텍스트와 시각적 커리큘럼을 전통적인 2차원 교육 매체를 통해 처리하여 기본 내용 동등성을 보장했습니다. VR 전용 절제 그룹은 동일한 몰입형 환경을 사용했으나, 알고리즘 조정 없이 정적이고 선형적인 지식 포인트 진행을 받았습니다. 이 결과는 전통적인 대조군을 능가하지만, 완전히 통합된 VR과 AI 플랫폼보다는 상당히 낮습니다. 표 5는 완전 통합된 DQN 조정 메커니즘을 정적 임계값 기준선 및 무작위 조정 정책과 비교한 소작 연구를 제시합니다. 열은 모델 아키텍처, 누적 보상, 수렴 에피소드, 정책 수익 개선을 나타냅니다. 통합 DQN 모델은 누적 보상 84.5, 수렴 에피소드 1200, 정책 수익률 40% 향상을 달성합니다. 정적 임계값 기준선은 누적 보상 62.3을 제공하며, 2000회 에피소드 제한 내에 수렴하지 못하고 0% 개선 기준선으로 작용합니다. 무작위 정책은 누적 보상 41.2를 생성하고, 수렴하지 못하고 32%의 마이너스 수익률을 보입니다. 이는 DQN이 가장 높은 학업 성취의 주요 촉매제로서 동적인 난이도 조정을 촉진함을 입증합니다.

참여 및 상호작용 분석
학생 참여와 상호작용성을 분석하여 지능형 교수법과 전통적 학습법 간의 차이를 객관적으로 평가하고, 학생 참여와 상호작용성을 향상시키는 데 있어 지능형 교수법의 장단점을 심층적으로 이해합니다. 분석 지표에는 학습 시간, 상호작용 빈도, 지식 숙달, 학습 진도, 그리고 동일 학습 과제 내 실험군과 대조군의 참여 의식이 포함됩니다. 실험 그룹의 학습 시간은 학생들이 가상 현장에서 보내는 시간으로, 플랫폼이 자동으로 기록하며, 상호작용 빈도는 학생들이 가상 현장과 상호작용하는 횟수입니다. 지식 숙달은 시험 점수로 측정되며, 학습 진도는 완료한 학습 과제의 비율이며, 참여 의식은 학생들의 자기 평가와 피드백을 통해 측정됩니다. 대조군의 학습 시간은 수업 시간에 머무는 시간이며, 상호작용 빈도는 수업 중 상호작용 횟수입니다. 지식 숙달은 교실 시험을 통해 달성되며; 학습 진척은 강의 진행 상황에 반영되며; 학생들의 자기 평가와 피드백을 통해 참여 의식이 고취됩니다.

모든 참여 지표는 독립 표본 t-검정을 사용하여 비교하였습니다. 레빈 검정은 모든 측정값에 대해 분산의 균일성을 확인했다(p > 0.05).

표 6에 따르면, 실험 그룹은 모든 평가 지표에서 우위를 보였습니다. 실험 그룹은 유의미하게 더 긴 학습 시간(128분 ± 14분 대 89분 ± 18분, t(118) = 11.23, p < 0.001), 상호작용 빈도가 높았다(67 ± 9 대 24 ± 7, t(118) = 18.76, p < 0.001), 더 높은 지식 숙달(88 ± 6 대 72 ± 9, t(118) = 9.84, p < 0.001), 더 높은 학습 진도(96% ± 3% vs. 78% ± 7% t(118) = 10.55, p < 0.001), 그리고 더 강한 참여감(4.8 ± 0.3 대 3.5 ± 0.6, t(118) = 14.32, p < 0.001). 보고된 모든 차이는 통계적으로 유의미했으며(p < 0.001), 참여 및 상호작용 개선이 무작위 변이에 기인하지 않음을 확인시켜 주었습니다. 위 데이터는 이 논문에서 설계된 지능형 교수 플랫폼이 몰입형 상호작용형 가상 학습 시나리오를 통해 학생들의 참여와 상호작용성을 향상시켜 학습 성과를 향상시킬 수 있음을 보여줍니다. 표 6에 보고된 모든 차이는 통계적으로 유의미했으며(p < 0.001), 참여 및 상호작용 개선이 무작위 변동에 기인하지 않음을 확인시켜 주었습니다.

개인 맞춤형 학습 경로의 영향
두 그룹의 저점, 중간, 고점 학생들의 학습 진전을 다섯 단계(미리보기, 정식 학습, 적용, 평가, 요약)에 걸쳐 비교하여 개인화된 학습 경로가 학생의 학습 효과를 향상시키는 장점을 강조했습니다. 이 비교는 이 논문에서 설명한 지능형 교수법 플랫폼의 개인 맞춤형 학습 경로 내 다양한 단계에서 성취 그룹 간 학습 진도의 차이를 명확히 보여주며, 개인화 학습 경로가 학생들의 다양한 필요와 능력에 맞게 교수 내용을 어떻게 조정하는지 검증합니다. 전통적인 교수법과 비교할 때, 학생들의 개인 맞춤형 학습 요구를 더 효과적으로 충족시켜 학업 성과를 향상시킬 수 있습니다.

그림 5에서 개별 학습 경로(실험 그룹)가 다양한 학생 학년을 넘어 학습 진도가 전통적인 교수법(대조군)보다 유의미하게 우수하다. 저점수 그룹에서는 실험 그룹의 학습 진도가 12%에서 89%로, 대조군은 14%에서 61%로 증가했습니다. 이는 개인화된 학습 경로가 저점수 학생들의 학습 흥미를 효과적으로 자극하고, 학습 내용과 난이도를 동적으로 조정하여 학습 동기와 진도를 향상시킬 수 있음을 보여줍니다. 중간 점수 그룹에서는 실험 그룹이 21%에서 94%로, 대조군은 24%에서 86%로 증가했습니다. 개인 맞춤형 학습 경로는 평균 점수를 가진 학생들이 학습 장애물을 더 잘 극복하고 적절한 도전을 제공하여 학습 진도를 가속화할 수 있도록 돕습니다. 고점수 그룹에서는 실험 그룹의 학습 진도가 33%에서 100%로, 대조군은 33%에서 95%로 증가했습니다. 두 그룹 간 차이는 작지만, 개인 맞춤형 학습 경로는 여전히 장점을 보여주며, 고점수 학생들의 추가 발전을 돕기 위해 더 심도 있는 학습 콘텐츠를 제공할 수 있습니다. 위 분석을 바탕으로 지능형 교수 플랫폼은 학생의 개인차를 고려해 개인화된 학습 경로를 동적으로 조정하고, 다양한 점수 수준에서 학습 결과를 개선하며, 학습 동기를 자극하고 학습 효율성을 향상시킬 수 있습니다.

동적 조정의 효과
지능형 교수 플랫폼의 동적 조정 효과를 분석하는 것이 매우 중요하며, 학생들의 실시간 피드백과 성과에 기반한 조정이 학생들의 학습 성과를 진정으로 향상시켰는지 평가합니다. 학습 과제에서 저, 중, 고점수 학생들 사이에서 다섯 가지 학습 문제에 대한 올바른 학습률 변화를 분석함으로써, 지능형 교수 플랫폼의 조정 전략의 장단점을 파악하고, 조정 메커니즘의 기초를 제공한다.

그림 6A, B에 따르면, 지능형 교수 플랫폼의 동적 조정 메커니즘은 다양한 학년 학생들 사이에서 상당한 효과를 보였습니다. 저점수 학생의 경우, 5번 문제와 같은 어려운 문제에서는 조정 후 저점수 학생들의 정확도가 15% 증가했습니다. 이는 어려운 문제의 난이도를 조정함으로써 낮은 점수 학생들이 더 어려운 과목에서 성공할 수 있도록 효과적으로 도울 수 있음을 보여줍니다. 반면, 중간 점수 학생들의 향상은 비교적 미미했다. 예를 들어, 문제 1에서는 정확도가 72%에서 75%로 증가했는데, 이는 플랫폼 조정이 성과를 향상시켰지만 저점수 학생들보다는 작은 향상임을 나타냈다. 고점수 학생들의 경우, 조정 후에도 정확도를 높일 수 있습니다. 이 데이터는 지능형 교수 플랫폼의 동적 조정 메커니즘이 낮은 점수 학생에게 가장 유용하지만, 중간 및 높은 점수 학생에게는 개선이 작더라도 학습 경험을 최적화한다는 것을 보여줍니다. 이러한 정확성 향상을 통해 학생들은 어려운 문제를 해결하는 성취감을 느끼고 자신감을 키울 수 있습니다.

플랫폼 응답 시간 분석
본 논문에서 제시된 지능형 교육 플랫폼의 응답 시간을 분석하여 그 성능과 사용자 경험을 평가합니다. 응답 시간이 짧아지면 학생과 플랫폼 간의 원활한 상호작용이 이루어지고, 플랫폼이 실시간으로 학습 내용과 난이도를 조정하고 학습 효율성과 참여 의식을 높일 수 있습니다. 응답 시간을 최적화함으로써 플랫폼의 실시간 피드백 기능이 향상되고, 학생들의 경험이 향상되며, 궁극적으로 학생들의 학습 성과가 향상됩니다. 플랫폼이 원활하게 작동하는 200회 연속 응답 시간을 수집하여 분석을 위해 주파수 분포 히스토그램으로 그래프로 표시합니다.

그림 7에서 지능형 교육 플랫폼의 최대 응답 시간은 0.772초, 최소 응답 시간은 0.238초, 평균 응답 시간은 0.496초입니다. 기록된 이 지표들은 경로 생성과 난이도 조정을 위한 서버 측 알고리즘 추론 지연을 나타내며, 로컬 클라이언트 측 렌더링 파이프라인과 완전히 독립적으로 작동합니다. 클라이언트 측의 모션 투 포톤 지연 시간은 시각적 안정성을 보장하고 사이버멀미를 방지하기 위해 헤드셋 하드웨어에서 로컬 20ms 미만으로 엄격히 유지됩니다. 이는 플랫폼이 원활하게 운영될 때 학생들의 운영에 신속히 대응할 수 있음을 보여주며, 원활하고 반응성이 뛰어난 상호작용 경험을 보장합니다. 응답 시간 분포는 대략 정규 분포와 일치하여 플랫폼이 좋은 응답 안정성을 가졌음을 나타냅니다. 특히, 평균 응답 시간이 0.5초 미만으로, 플랫폼이 좋은 응답 기능을 가지고 있음을 나타냅니다. 이로 인해 학생들의 학습 과정을 최적화할 수 있으며, 학생들이 활동할 때 빠른 피드백을 제공하고, 대기 시간을 줄이며, 학생들의 경험을 향상시킬 수 있습니다. 요약하자면, 이 논문에서 설계된 지능적인 교수는 반응 시간 관점에서 학생들의 참여 감각과 학습 동기를 향상시킵니다. 그림 4A, B부터 그림 7까지 도출된 대표 결과들은 여러 교육적 차원에서 알고리즘 개입을 검증합니다. 그림 4A, B와 그림 5는 개인화된 서열 생성에 의해 촉진되는 거시적 학습 개선을 보여줍니다. 그림 6A, B는 실시간 난이도 조절에 따른 미시적 작업 정확도 변화를 상세히 설명합니다. 그림 7은 플랫폼의 하드웨어 실현 가능성을 확인시켜 줍니다.

고장 사례 및 문제 해결 분석
최적의 실험 사례는 물리적 센서 폐쇄로 인해 기준선 추적 변수가 제대로 초기화되지 않아 경로가 불규칙해지고 영향을 받은 사용자의 작업 완료율이 일시적으로 45%로 떨어지는 경우였습니다. 이러한 이상 결과는 알고리즘 아키텍처가 끊김 없는 공간 데이터 스트림에 엄격히 의존하고 있음을 강조합니다. 이 고장 모드를 해결하기 위해 사전 정의된 문제 해결 프로토콜이 수립되었습니다: 자동 추적 원점 재설정과 실시간 센서 재보정 루틴이 즉시 1.5초 이내에 추적 정렬을 복원했습니다. 또한, 강화 학습 계층에서 예상치 못한 정책 저하가 발생하면, 사용자 경험을 보호하기 위해 이전의 안정적인 신경 가중치로 자동으로 롤백이 발생했습니다.

독립 복제 결과
업데이트된 프로토콜 섹션에 상세히 설명된 공식화된 단계별 절차에 따라, 별도의 기술팀이 재현성을 검증하기 위해 독립적인 검증 시험을 실시했습니다. 동일한 계산 환경과 독립적인 보조 워크스테이션을 사용하여 복제 팀은 경로 생성 지연 시간, 알고리즘 출력, 난이도 조정 정확도를 엄격한 2% 오차 범위 내에서 성공적으로 재현했습니다. 이 독립적인 복제는 제안된 교육 프레임워크의 높은 절차적 신뢰성을 확인시켜 줍니다.

데이터 가용성:
본 연구에서 예측 알고리즘을 훈련하고 검증하는 데 사용된 핵심 학생 학습 행동 데이터는 공개적으로 접근 가능한 Open University Learning Analytics Dataset에서 도출되었으며, https://www.kaggle.com/datasets/anlgrbz/student-demographics-online-education-dataoulad 에서 이용 가능하며 디지털 객체 식별자 10.1038/sdata.2017.171과 연관되어 있습니다.

그림 1: 가상 학습 장면 인터페이스. 고충실 공간 렌더링 엔진을 사용해 생성된 몰입형 문화유산 환경 시연. 인터페이스에는 왼쪽 축에 모듈식 제어판이 있어 내비게이션, 시각적 확대, 상호작용을 지원합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 2: 개인 맞춤형 경로 생성 프로세스의 아키텍처. 흐름도는 Transformer 모델을 이용한 행동 데이터 추출과 이후 신경 협력 필터링(NCF) 모델을 이용한 시퀀스 생성을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 3: 지능형 교육 플랫폼 사용자 인터페이스. 대시보드는 학생의 개인 맞춤형 학습 경로를 표시하며, 완료된 모듈은 녹색, 대기 모듈은 빨간색으로 표시하여 학습 진행 상황을 안내합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 4: 성과 계층 간 학습 결과 비교. (A) 실험(지능형 플랫폼) 및 대조군(전통적) 그룹의 학생들의 평균 시험 후 점수와 (B) 과제 완료율. 데이터는 평균 ± SD(하위군당 n = 20)로 제시됩니다. 오차 바는 표준편차를 나타냅니다. 통계적 유의성은 독립 표본 t-검정을 사용하여 평가하였다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 5: 다섯 가지 교육 단계에 걸친 학습 진도 비교. 이 그래프는 실험 및 대조군 조건에서 저, 중간, 고점 그룹의 미리보기, 형식 학습, 적용, 평가, 요약 단계에 걸친 완료율을 추적합니다. 데이터 포인트는 그룹 평균을 나타냅니다. 오차 바는 표준편차를 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 6: 동적 난이도 조정으로 인한 정확도 향상. 특정 질문에 대한 (A) 조정 전과 (B) 실시간 DQN 기반 난이도 조절 후 다양한 성능 계층에서의 정확도 비교. 오차 바는 표준편차를 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 7: 시스템 응답 시간 분포. 연속 플랫폼 운영 중 200회의 연속 서버 측 알고리즘 추론 지연을 상세히 보여주는 히스토그램으로, 평균 지연 시간은 0.496초이며 빠른 피드백 능력을 확인했습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

학생증	장면 ID	학습 과제	클릭 횟수	거주 시간 (s)	학습 진도 (%)	임무 완수
시즌 1	VR01	문화유산 방문	15	301	80	끝났어
시즌 002	VR02	아트워크 상호작용	10	249	60	미완성
S003	VR03	전통 장인 정신	20	456	90	끝났어
시즌 004	VR01	문화유산 방문	8	182	50	미완성
시즌 005	VR02	아트워크 상호작용	12	287	75	끝났어
시즌 006	VR03	문화유산 방문	18	354	85	끝났어

표 1: 학생 학습 행동 샘플 데이터. 가상 시나리오 내에서 수집된 대표적인 인터랙티브 로그로, 거주 시간, 상호작용 빈도, 작업 완료 상태와 같은 지표가 포함됩니다.

평가 지표	평가 기준	공연 점수
정규화 할인 누적 이득	탑-K 선택 정밀도	0.82
히트비	관련 항목 검색	0.88
평균 상호 순위	순위 정렬 정확도	0.76

표 2: 개인화된 경로 생성을 위한 추천 정확도 지표. NCF 모델의 정밀도 평가로, 상위 K 선택(K = 10)에서 정규화된 할인 누적 이득(NDCG), 명중률(HR), 평균 상복순위(MRR)를 보고합니다.

결과	퍼포먼스 티어	실험 그룹 (평균 ± SD)	대조군 (평균 ± SD)	평균 차이	T (DF)	p-값	신뢰감시구간(95%)
시험 후 점수	낮게	69.2 ± 4.1	58.1 ± 5.3	11.1	7.34 (38)	<0.001	[8.2, 14.0]
	매체	78.7 ± 3.8	70.9 ± 4.6	7.8	5.92 (38)	<0.001	[5.1, 10.5]
	높게	92.5 ± 2.9	81.6 ± 3.7	10.9	8.01 (38)	<0.001	[8.2, 13.6]
과제 완료율 (%)	낮게	93.2 ± 3.1	74.3 ± 6.2	18.9	11.05 (38)	<0.001	[15.3, 22.5]
	매체	96.1 ± 2.4	78.5 ± 5.9	17.6	9.87 (38)	<0.001	[14.0, 21.2]
	높게	98.0 ± 1.8	86.2 ± 4.7	11.8	7.63 (38)	<0.001	[8.7, 14.9]
참고. 모든 비교는 양측 독립 표본 t-검정을 사용했다. 95% 신뢰구간 = 평균차의 신뢰구간. 레빈 검정은 분산의 균일성(모두 p > 0.05)을 확인했다.

표 3: 수행 단계별 중재 후 결과. 실험군과 대조군을 저, 중간, 고계층에 걸쳐 비교한 평균 차이 및 추론 통계(코헨의 d 및 t-값)를 포함합니다(하위군당 n = 20명). 데이터는 평균 ± SD로 제시됩니다.

결과	퍼포먼스 티어	VR 전용 그룹 평균	대조군과의 평균 차이
시험 후 점수	낮게	63.5	5.4
시험 후 점수	매체	75	4.1
시험 후 점수	높게	87.5	5.9
과제 완료율 (%)	낮게	83.6	9.3
과제 완료율 (%)	매체	87.3	8.8
과제 완료율 (%)	높게	92.1	5.9

표 4: VR 단독 절제 연구의 개입 후 결과. 인공지능 통합의 특정 기여도를 정적 VR 기준선과 비교한 학습 성과. 데이터는 평균 ± SD로 제시됩니다.

모델 이름	아키텍처 구성	평가 지표
통합 DQN	다층 퍼셉트론	보상 = 84.5, 수렴 = 1200, 개선 = 40%
정적 임계값	고정 규칙 논리	보상 = 62.3, 수렴 = 실패, 개선 = 0%
무작위 정책	확률적 행동 선택	보상 = 41.2, 수렴 = 실패, 개선 = −32%

표 5: DQN 절제 연구 결과. 완전 통합 DQN 동적 조정 메커니즘을 정적 임계값 기준선 및 무작위 조정 정책과 비교하여 누적 보상 및 수렴 에피소드를 평가합니다.

지표	실험 그룹	대조군
학습 시간 (분)	128 ± 14	89 ± 18
상호작용 빈도(시간)	67 ± 9	24 ± 7
지식 숙련도 수준 (점수)	88 ± 6	72 ± 9
학습 진도 (%)	96 ± 3	78 ± 7
참여감 (평점: 1–5)	4.8 ± 0.3	3.5 ± 0.6
참고: 모든 그룹 간 비교는 통계적으로 유의하였다: 연구 시간, t(118) = 11.23, p < 0.001; 상호작용 빈도, t(118) = 18.76, p < 0.001; 지식 숙달, t(118) = 9.84, p < 0.001; 학습 진도, t(118) = 10.55, p < 0.001; 참여 등급, t(118) = 14.32, p < 0.001.

표 6: 참여 및 상호작용 지표. 실험군과 대조군 간의 학습 참여 지표(학습 시간, 상호작용 빈도, 참여 점수) 평가. 데이터는 평균 ± SD로 제시됩니다. 모든 차이는 통계적으로 유의미하다(p < 0.001).

토론

이 연구는 구성 주의와 근접 발달 영역(Zone of Proximal Development)이라는 핵심 교육 이론을 계산적으로 구현된 지능형 교수 시스템으로 번역함으로써 교육 기술에 기여합니다. VR 몰입과 행동 중심 개인화의 통합은 기술 혁신이 목적이 아닌 명확한 학습 목표를 달성하도록 보장합니다. 방법론에서 강조하듯, 개인 맞춤형 학습 경로 생성은 교육 과정의 효율성을 보장하는 데 핵심적이며, 추출된 행동 특성에 기반한 콘텐츠 추천은 개인의 인지 요구를 직접적으로 충족합니다^25,26. 더 나아가, 실시간 감정 및 성과 피드백을 활용해 과제 난이도를 조절하는 것은 즉각적인 학습 효과를 최적화할 뿐만 아니라 인지 과부하를 방지하여 학생 참여를 크게 유지할 수 있습니다.

이 연구의 원초적 기여는 고충실도 가상 공간 추적과 지속적인 알고리즘 재조정을 융합하여 몰입형 참여와 적응형 학습 간의 불호환성을 해결한 점입니다. 세 AI 모델은 공동 최적화 없이 순차적으로 작동하여 치명적인 망각을 방지하고 서로 다른 작동 단계별로 고립된 하이퍼파라미터 튜닝을 가능하게 합니다. 과거 데이터¹⁰이나 고립된 얼굴 참여 감지¹¹에만 제한된 모델에 의존하는 전통적인 정적 추천 시스템과 달리, 제안된 플랫폼은 연속적인 공간 행동을 인지 상태에 동적으로 매핑합니다. 관찰된 높은 과제 완료율은 현대 공간 컴퓨팅 연구 ^6,7,8의 결과와 일치하며 확장되어, 다중 모델 알고리즘 아키텍처가 몰입형 환경에서 인간의 비계를 효과적으로 대체할 수 있음을 확인시켜 줍니다.

플랫폼의 즉각적인 교육적 효과와 지속적인 교육적 효과를 구분하는 것이 매우 중요합니다. 초기 4주간의 파일럿 연구 결과는 학부생 그룹에서 단기 학습 성과, 상호작용 빈도, 과제 완료율에서 빠른 향상을 보였습니다. 반대로, 16주간의 종단 추적 관찰은 지속적인 참여를 평가하고 새로운 몰입형 기술과 일반적으로 연관된 새로움 효과를 완화하기 위해 수행되었습니다. 20주차에 시행된 지연 사후 검사들은 알고리즘 유도 코호트가 전통적인 수업 그룹에 비해 장기 지식 유지율이 유의미하게 높았음을 확인했습니다. 이 뚜렷하게 분리된 시간적 단계들은 지능적 플랫폼의 즉각적이고 영구적인 교육적 효능에 대한 강력한 증거를 제공합니다.

이러한 유망한 결과에도 불구하고, 몇 가지 한계점이 인정되어야 합니다. 첫째, 집중적인 그래픽 처리 요구사항은 전용 컴퓨팅 하드웨어를 보유한 기관으로의 배포를 제한하여, 예산이 부족한 교육 구역에서 확장성을 심각하게 제한합니다. 둘째, 단일 기관 인구통계에서 지역화된 참가자 표본을 추출하면 다양한 지리적 인구 집단에 걸쳐 경험적 결과의 즉각적인 일반화 가능성을 제한합니다. 마지막으로, 현재의 가상 학습 시나리오 라이브러리는 모든 학생의 다양한 문화적 관심사를 충분히 충족시키기에 충분하지 않을 수 있습니다. 향후 연구는 가상 시나리오의 다양성을 확장하여 더 넓은 문화적 배경에 맞게 확장하고, 하위 등급 하드웨어에 맞춘 알고리즘 효율성을 최적화하며, 장기간 및 다양한 교육 분야에서 접근법을 검증하는 데 집중할 것입니다.

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
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.