Intelligente lesmethoden die virtual reality en big data-algoritmen integreren om traditionele culturele onderwijsplatforms te versterken

Samenvatting

Deze studie beschrijft een reproduceerbare workflow voor het extraheren van gedragskenmerken en het implementeren van dynamisch aangepaste onderwijspaden binnen virtuele omgevingen. De beschreven procedures stellen docenten in staat adaptieve virtual reality-curricula te ontwikkelen en realtime gedragstracking toe te passen.

Samenvatting

Huidige conventionele onderwijsomgevingen bevatten beperkte interactieve elementen, wat resulteert in beperkte betrokkenheidsstatistieken onder bachelorpopulaties die cultureel erfgoed bestuderen. Om deze problemen aan te pakken, werd een intelligent onderwijsplatform ontwikkeld, waarbij een high-fidelity ruimtelijke rendering-engine werd geïntegreerd in virtual reality-omgevingen met een multi-model algoritmische architectuur. Binnen dit platform verwerken Transformer- en Neural Collaborative Filtering (NCF)-modellen gedragsgegevens om gepersonaliseerde leerpaden te genereren, terwijl een Deep Q-Network (DQN) de moeilijkheidsgraad van inhoud dynamisch aanpast op basis van realtime feedback. Dergelijke adaptieve steigers weerspiegelen constructivistische leerprincipes, waarbij kennis actief wordt opgebouwd door interactie met gecontextualiseerde, responsieve omgevingen in plaats van passief te ontvangen via statische instructie. De nieuwigheid van dit onderzoek ligt in het integreren van een ruimtelijke renderingsengine met een multi-model algoritmische architectuur om een realtime gedragsadaptatiemechanisme te vestigen. De experimentele resultaten tonen aan dat de experimentele groep die gebruikmaakt van het voorgestelde intelligente onderwijsplatform hogere leerscores heeft (lage/middel/hoge groepen zijn respectievelijk 69/79/93 punten) en een hoger leertaakafrondingspercentage (93%/96%/98%) dan de controlegroep die het traditionele onderwijsmodel gebruikt. Het ontwerp van het intelligente onderwijsplatform biedt sterke interactiviteit, biedt gepersonaliseerde leerpaden voor studenten met diverse individuele verschillen en past dynamisch aan tijdens het leerproces. Reactietijdanalyse geeft een gemiddelde latentie van 0,496 s, wat snelle feedback op interacties garandeert. Uiteindelijk toont het voorgestelde platform aan dat het combineren van immersieve VR met gedragsadaptieve algoritmen zowel de academische prestaties als de taakbetrokkenheid van bachelorstudenten in traditioneel cultureel onderwijs effectief verbetert.

Inleiding

Traditionele culturele educatie speelt een essentiële rol in de erfenis en ontwikkeling van cultuur. Het huidige traditionele cultuuronderwijsmodel is echter vooral afhankelijk van statische vormen zoals studieboeken, afbeeldingen en video's, waarbij interactiviteit en onderdompeling ontbreken, waardoor het voor leerlingen moeilijk is om de charme van cultuur echt te begrijpen en te ervaren. Bovendien hanteren traditionele lesmethoden vaak een uniform curriculum, dat niet volledig rekening houdt met de interesses, cognitieve vaardigheden en leerstijlen van studenten, wat resulteert in een lage leerefficiëntie en moeite om het enthousiasme van studenten voor leren te stimuleren. Deze beperking sluit aan bij Vygotsky's Zone of Proximale Development (ZPD)-theorie, die benadrukt dat effectieve instructie moet worden afgestemd op het huidige cognitieve niveau van leerlingen en moet worden aangepast aan hun individuele ontwikkelingstrajecten. Bestaande literatuur maakt gebruik van statische data-invoer voor pedagogische modellering. De integratie van continue ruimtelijke gedragstracking met diep versterkend leren blijft onontdekt. Het voorgestelde mechanisme combineert multisensorische interacties met algoritmische aanpassing om de kloof tussen vaste instructiepaden en dynamische contextuele aanpassing te overbruggen. Het voorgestelde platform operationaliseert dit principe door de inhoudsmoeilijkheid en sequencing dynamisch aan te passen op basis van realtime gedragsindicatoren, waardoor pedagogische theorie wordt ingebed in het algoritmische ontwerp. De algoritmische aanpassingsmechanismen vervangen effectief de menselijke steigers die doorgaans door meer capabele collega's worden geleverd. Deze continue modulatie van taakmoeilijkheid sluit aan bij de Cognitieve Belastingstheorie (CLT) door cognitieve overbelasting bij beginnende leerlingen te voorkomen en betrokkenheid binnen de optimale ontwikkelingszone te behouden.

Met de ontwikkeling van virtual reality (VR) en data-algoritmen biedt het toepassen ervan op traditioneel cultureel onderwijs studenten een meer meeslepende en interactieve leerervaring 1,2,3,4. Uitgebreide systematische reviews van immersive virtual reality-toepassingen in het hoger onderwijs benadrukken verder het belang van het afstemmen van ontwerpelementen op specifieke pedagogische doelstellingen⁵.

Veel studies hebben geprobeerd VR-technologie toe te passen op culturele educatie. Hulusic et ^al.6 ontwierpen en ontwikkelden een virtueel schoolmuseum, inclusief een tastbare gebruikersinterface. Door gebruikersparticipatief onderzoek bleek het museum goed ontworpen en ontwikkeld te zijn, en heeft het potentieel om te worden gebruikt als leer- en educatief hulpmiddel in musea, scholen of zelfstandig. Als reactie op het probleem van onvoldoende interactiviteit in afstandsonderwijsomgevingen ontwikkelden Mubarok et ^al.7 een samenwerkingsbetoningsmethode gebaseerd op VR om dit aan te pakken. Experimenten hebben aangetoond dat deze methode de mondelinge Engelse expressie van studenten beter verbetert dan collaboratieve argumenteer-mappingmethoden die niet op VR zijn gebaseerd. Sun et ^al.8 stelden een ontwerpstrategie voor voor een immersief VR-systeem dat multimodale interactie, gamification en storytelling combineert om digitaal cultureel erfgoed te tonen en te ontwikkelen. Ze ontwikkelden een meeslepend VR-systeem dat de muurschilderingen van Dunhuang restaureerde, waardoor gebruikers een leerzame, interactieve en vermakelijke ervaring kregen. Deze studies ondervinden echter nog steeds enkele problemen, zoals zwakke interactiviteit in VR-scenes, trage updatesnelheden voor leerinhoud en slechte aanpassingsvermogen van gepersonaliseerde aanbevelingsalgoritmen, waardoor het onmogelijk is om nauwkeurig aan de leerbehoeften van verschillende studenten te voldoen. Daarnaast zijn sommige studies er niet in geslaagd deep learning en reinforcement learning effectief te integreren, waardoor de realtime aanpassingsmogelijkheden van gepersonaliseerde aanbevelingen worden beperkt.

Recente ontwikkelingen in kunstmatige intelligentie hebben onderwijstechnologieën vooruit gedreven. Onderzoek introduceert adaptieve systemen die deep learning gebruiken voor patroonherkenning in gebruikersgedrag. Methodologieën die cognitieve volgalgoritmen gebruiken, brengen dynamische toestanden van kennisverwerving in kaart. Structurele optimalisatie in neurale netwerken verhoogt de precisie van aanbevelingen binnen slimme leerkaders. Intelligente agenten die complexe omgevingsvariabelen integreren, verbeteren geautomatiseerde instructieresponsen. Deze methodologieën zijn gebaseerd op geïsoleerde datastromen en statische historische analyse. Het voorgestelde platform pakt deze beperking aan door ruimtelijke interactiegegevens te combineren met continue algoritmische aanpassing om realtime contextuele aanpassing te garanderen.

Recente empirische onderzoeken bevestigen dat deep learning-algoritmen de voorspellende nauwkeurigheid in studentprestatiemodellering aanzienlijk verbeteren. Ouatik et ^al.9 implementeerden een systeem om het academische succes en falen van studenten te voorspellen. Ze gebruikten persoonlijke informatie van studenten, academische beoordelingen en andere gegevens, en gebruikten kunstmatige intelligentie en educatieve dataminingmethoden om het academisch succes van studenten te voorspellen. Om het dataverwerkingsprobleem aan te pakken, werd big data (BD)-technologie gebruikt om de verwerking te verdelen, waardoor de rekentijd werd verminderd zonder ineens te gaan op de algoritmische efficiëntie. Bhaskaran¹⁰ heeft een verbeterde vectorruimte-aanbevelingsmachine ontwikkeld om problemen in huidige leeraanbevelingssystemen aan te pakken. Het houdt automatisch de interesses, vereisten en kennisniveaus van leerlingen bij. Het classificeert en extraheert de leerstijlen van leerlingen uit de server, waarna het een verbeterd collaboratief filteralgoritme gebruikt om overeenkomsten te berekenen en zo een betere aanbevelingslijst te maken. Gupta¹¹ stelde een op deep learning gebaseerde methode voor die gezichtsuitdrukkingen gebruikt om de realtime betrokkenheid van online leerlingen te detecteren, hun emoties gedurende het leerproces classificeert door de gezichtstags van studenten te analyseren, en de leerstatus van studenten aanpast op basis van de detectieresultaten. Deze methoden hebben echter nog steeds bepaalde beperkingen.

Hoewel bestaande VR-onderwijsoplossingen een meeslepende ervaring bieden, missen ze dynamische aanpassingsmogelijkheden. De leerpaden van studenten zijn vaak vast, en de inhoud en moeilijkheidsgraad kunnen niet in realtime worden geoptimaliseerd op basis van persoonlijke vooruitgang en feedback, wat resulteert in een gebrek aan deelname. Tegelijkertijd vertrouwen traditionele gepersonaliseerde aanbevelingsalgoritmen vooral op historische data of eenvoudige interessetags en slagen ze er niet in om multidimensionale data, zoals het leergedrag, cognitieve status en emotionele feedback van leerlingen, te integreren voor nauwkeurige analyse. Het gebrek aan diepgaand begrip van de leerprocessen van studenten verhindert dat het aanbevelingssysteem individuele verschillen effectief kan aanpakken, wat resulteert in een suboptimale leerervaring en suboptimale uitkomsten.

Daarom wordt een intelligent onderwijsplatform voorgesteld om de problemen van onvoldoende onderdompeling en gebrek aan personalisatie in traditioneel cultureel onderwijs aan te pakken. Deze methodologie is direct toepasbaar op bacheloropleidingen in de geesteswetenschappen die ruimtelijke visualisatie en individuele tempo-metrics vereisen. Geavanceerde ruimtelijke rendering-engines en gerelateerde ruimtelijke computertechnologieën worden gebruikt om virtuele leerscènes te ontwikkelen. Virtuele leeromgevingen geven leerlingen autonomie om specifieke culturele modules te selecteren. Het op neurale aandacht gebaseerde Transformer-model verwerkt tijdgestempelde interactielogs om een compacte representatie van gedragspatronen te genereren. Gebaseerd op het extraheren van de leergedragskenmerken van leerlingen wordt het Neural Collaborative Filtering (NCF)-model gebruikt om de leerinteresses van leerlingen verder te verkennen en gepersonaliseerde leerpaden te genereren. Het Deep Q-Network (DQN) model verzamelt de realtime feedback van studenten en past het leerpad dynamisch aan om de leerervaring en het leereffect van studenten te optimaliseren.

Wat betreft praktische inzet biedt het voorgestelde platform specifieke voordelen, maar het is niet universeel toepasbaar. Het is zeer geschikt voor onderwijsinstellingen uitgerust met speciale computationele hardware bestaande uit discrete grafische verwerkingsunits en immersieve ruimtelijke visualisatieapparatuur, en voor curricula die aanzienlijk profiteren van ruimtelijke visualisatie in cultureel erfgoed, architectuur en archeologie. In deze contexten pakt dynamische gedragstracking effectief individuele tempoverschillen aan. Omgekeerd is deze methode momenteel ongeschikt voor ondergefinancierde onderwijsomgevingen zonder de benodigde technologische infrastructuur. Bovendien wordt het niet aanbevolen voor sterk abstracte, tekstgerichte cursussen waarbij driedimensionale onderdompeling pedagogisch verwaarloosbaar is vergeleken met traditionele instructiemethoden.

Protocol

De institutionele ethische commissie van de Shaanxi University of International Trade & Commerce heeft het onderzoeksprotocol gevalideerd onder referentie 2025-04A. Gedocumenteerde geïnformeerde toestemming werd van alle deelnemers verkregen vóór de procedurele start, zodat alle menselijke proefpersonen op de hoogte waren van de protocollen voor gedragstracking en gegevensanonimisatie. (Opmerking: Pedagogische onderbouwingen met betrekking tot de algoritmen zijn verplaatst naar het Discussiegedeelte om operationele beknoptheid te behouden.)

Stap 1: Bouw van Virtual reality-scènes

Integratie van activa
Digitale modellering van culturele elementen werd uitgevoerd met een generieke 3D-modelleringssoftware (zie Materiaaltabel voor specifieke gebruikte software) om immersieve leeromgevingen te bouwen^12,13. Digitale assets werden gegenereerd, fysiek gebaseerde renderingtexturen werden toegewezen en geïmporteerd in een high-fidelity ruimtelijke renderingsengine (Table of Materials) zonder gebruik van microscopische beeldvormingstechnieken^14,15.

Rendering & physics configuratie
Hardware ray tracing-technologie werd ingeschakeld binnen de rendering-engine om dynamische verlichting te optimaliseren^16,17:

(1)

P staat voor de lichtintensiteit in de scène. L geeft de positie van de lichtbron aan. I_L staat voor de intensiteit van de lichtbron, en N vertegenwoordigt de normale vector van het virtuele object.

De physics-engine simuleerde objectdynamica via een objectgeoriënteerde programmeerinterface (C++). De gebruikte reactieformule was:

(2)

F vertegenwoordigt de dynamische reactiekracht, m is de massa van het virtuele object, v staat voor de snelheid ervan, en t staat voor tijd.

Om de soepelheid te garanderen, werd de Level of Detail (LOD)-technologie gebruikt om de scène te optimaliseren, wat onnodige berekeningen verminderde en de renderingsefficiëntie verbeterde door het detailniveau van model ^18,19 dynamisch aan te passen. GPU-versnelling werd gebruikt voor beeldverwerking:

(3)

R staat voor de reflectiecoëfficiënt, M voor de oppervlaktekaart en C voor de uiteindelijke gerenderde kleur.

Interactie-implementatie
Gebruikersinteracties werden geconfigureerd met behulp van de visuele node-gebaseerde scriptinterface die native is aan de ruimtelijke rendering-engine. Met ruimtelijke audiotechnologie werd geluid in de ruimte gesimuleerd zodat leerlingen verschillende geluidseffecten op verschillende posities konden horen. Bovendien konden studenten via tactiele feedbacktechnologie fysieke reacties ontvangen op de bijbehorende fysieke aanraking in de virtuele scène²⁰:

(4)

F_t vertegenwoordigt de kracht van tactiele terugkoppeling, en k de stijfheidscoëfficiënt.

Overzicht van inzet en uitrusting
De omgeving werd gecompileerd op een speciale ruimtelijke computerhardware-opstelling, uitgerust met een centrale verwerkingsunit van vierentwintig kernen, vierenzestig gigabyte geheugen met willekeurige toegang en een speciale grafische verwerkingsunit van vierentwintig gigabyte. De virtuele scènes werden ingezet op standaard immersieve ruimtelijke visualisatieschermen, zoals beschreven in de Table of Materials, met een resolutie van 1440 x 1600 pixels per oog en een verversingssnelheid van 90 Hz, wat optimale visuele stabiliteit garandeert en de latentie van beweging naar foton minimaliseert. Ruimtelijke grenzen werden zo ingesteld dat sessies 45 minuten duren om visueel geïnduceerde bewegingsziekte te verminderen.

De Materiaaltabel vat de specifieke gebruikte technologieën samen. Alle aangewezen hardware- en computercomponenten waren standaard commerciële standaardapparatuur en waren niet afhankelijk van één enkele eigen leverancier. De ruimtelijke renderingengine en ray tracing zorgden voor dynamische verlichting, terwijl de 3D-modelleringssoftware historische locaties reproduceerde. Figuur 1 gaf een voorbeeld van de virtuele leerscène, met details over het modulaire bedieningspaneel voor visuele vergroting, audiomodulatie en beweging.

Checkpoint 1: Een volledig gerenderde VR-omgeving die werkt met een stabiele verversingssnelheid van 90 Hz, waarbij de latentie tussen beweging en foton wordt geminimaliseerd om visuele stabiliteit te waarborgen.

Stap 2: Gedragsgegevensextractie (Transformer)
Datalogging
De leergedragsgegevens van leerlingen omvatten interacties met VR-scènes, waaronder kliktellingen, bestede tijd, leervoortgang en het voltooien van taken. Tabel 1 toont de leeractiviteitengegevens voor leerlingen in verschillende VR-scenario's. Voor deze interactieve informatie werd een tijdreeksweergave in het platform gebruikt:

(5)

s_τ vertegenwoordigt het gedrag van de student op tijdstip t, en T is de totale tijdsduur. Elk gedrag vormt een hoogdimensionale vector:

(6)

f_i vertegenwoordigt de specifieke featurewaarde bij dimensie i, en d geeft het totale aantal feature-dimensies aan.

Sequentiemodellering
Het Transformer-model werd gebruikt voor tijdreeksmodellering^21,22. Met behulp van het zelf-aandacht mechanisme werden gedragskenmerken geëtraheerd door de correlaties tussen het gedrag van leerlingen te berekenen. Aangenomen dat de embeddingmatrix van de leergedragsdatasequentie van een leerling X, de query (Q), sleutel (K) en waarde (V) is. Matrices werden voor het eerst gegenereerd door te vermenigvuldigen met trainbare gewichtsmatrices W^Q, W^K en W^V:

(7)

Aandacht Berekening
Zelfaandacht binnen de Transformer werd berekend als^23,24:

(8)

Daaronder vertegenwoordigt d_k de dimensie van de sleutelvectoren, die als schaalfactor werd gebruikt om verdwijnende gradiënten te voorkomen. Na de berekening van formule (8) werd het aandachtsgewicht berekend om de correlatie tussen leergedrag te meten:

(9)

E_ij vertegenwoordigt de ruwe aandachtsenergiescore tussen de leergedragingen. De gewogen som van deze gewichten werd gebruikt om de contextvector op het huidige moment te verkrijgen, wat de potentiële kenschapsvector van de student is:

(10)

Controlepunt 2: Het transformatormodel geeft continue latente kenschapsvectoren (c_t) uit. Op een gereserveerde validatiedataset van 5000 interactielogs behaalde het model een nauwkeurigheid van 89,4% voor sequentievoorspellingen, waarbij het verlies van kruis-entropie na 50 epochs convergeerde naar 0,12.

Stap 3: Generatie van Gepersonaliseerd Leerpad (NCF)
Functiefusie
Het NCF-model werd geïntegreerd om de potentiële interesses en behoeften van studenten te verkennen en genereerde op maat gemaakte leerpaden 25,26,27,28. In NCF werd aan elk cultureel kennispunt een kenmerkvector v_k toegekend, en de potentiële kenmerkvector v_u die door de transformator werd uitgetrokken en de kennispuntvector v_k werden samengevoegd tot een nieuwe gezamenlijke kenmerkvector:

(11)

Netwerkarchitectuur & hyperparameters:
De gezamenlijke featurevector werd ingevoerd in de multilayer perceptron (MLP) in NCF voor verwerking^29,30. Het meerlagige perceptron gebruikte een vooraf bepaalde architectuur met drie verborgen lagen van respectievelijk 64, 32 en 16 neuronen. De leersnelheid werd ingesteld op 0,001, met een batchgrootte van 256. Na de niet-lineaire transformatie van verschillende verborgen lagen in MLP werd de voorspelde waarde van de interesse van studenten in kennispunten uitgegeven:

(12)

W₁, W₂, ... , W_L vertegenwoordigen de gewichtsmatrices van meerdere verborgen lagen. σ duidt de niet-lineaire activatiefunctie aan, en b₁, b₂, ... , b_L vertegenwoordigen de biastermen van de respectievelijke verborgen lagen. Hoe hoger de waarde van de output-interessevoorspelling, hoe groter de interesse van de student in dit kennispunt.

Model Training
Het netwerk werd geoptimaliseerd met de Adam-solver (decay rate 0,01, learning rate 0,001, batchgrootte 256). De gemiddelde kwadraatfout (MSE) dient als de verliesfunctie ^31,32:

(13)

u, k vertegenwoordigt de index van de leerlinggedragsvector en de kennispuntvector. Door de verliesfunctie te minimaliseren, werkt het model continu de potentiële featurevectoren voor studenten en kennispunten bij om de voorspellingsnauwkeurigheid te verbeteren. Het terugpropagatie-algoritme werd gebruikt tijdens het trainingsproces om de gewichtsmatrix in model^33,34 bij te werken.

Paduitvoer
De specifieke aanpak was om te sorteren op voorspelde rentewaarden en de k kennispunten met de hoogste interessewaarden aan studenten aan te bevelen:

(14)

k_{k vertegenwoordigen} de k kennispunten waar studenten het meest in geïnteresseerd zijn. Deze aanbevolen kennispunten voldoen niet alleen aan de leerinteresses van studenten, maar helpen hen ook effectief te leren op een niveau van vooruitgang en moeilijkheid dat bij hen past.

Figuur 2 visualiseert dit generatieproces.

Checkpoint 3: Het NCF-model geeft een niet-cyclische sequentiearray terug. Zoals beschreven in Tabel 2, leverde aanbevelingsprecisie geëvalueerd bij top-K selectie een genormaliseerde disconteerde cumulatieve winst (NDCG) van 0,82 en een trefferverhouding van 0,88 op bij K = 10. De gemiddelde reciproke rangmetriek stabiliseerde op 0,76.

Stap 4: Dynamische moeilijkheidsaanpassing (DQN)
Toestand en handelingsdefinitie
Door DQN te introduceren en realtime feedback van studenten te gebruiken om de leerinhoud en moeilijkheidsgraad dynamisch aan te passen, worden de leereffecten van studenten geoptimaliseerd^35,36. De toestandsruimte van het DQN-model bestaat uit meerdere factoren:

(15)

Hieronder staat t_s voor de tijd die studenten aan de huidige leertaak besteden, c_p voor de keuzes van studenten in het leerpad (geselecteerde hoofdstukken of kennispunten), m_c voor het voltooien van de huidige leertaak, en e_f voor de emotionele feedback van studenten (de mate van voorkeur en deelname aan een bepaalde leertaak).

Berekening van de beloning
Het reinforcement learning-middel maakte gebruik van een meerlagige perceptronarchitectuur bestaande uit twee verborgen lagen van 128 en 64 neuronen (epsilon-greedy exploratiestrategie afnemend van 1,0 naar 0,05). Eerst werd de beloningswaarde die overeenkomt met elke leeractie berekend:

(16)

Onder hen is ω een gewichthyperparameter die de leerprestaties en leerdeelname regelt. _P-taak geeft de prestaties van de leerling aan bij de huidige leeropdracht, en deel E vertegenwoordigt de deelname van de leerling aan het huidige leerproces.

Q-Waarde update & actiekeuze
Na het verkrijgen van de beloningswaarde heeft het model de Q-waarde bijgewerkt om de optimale actie te selecteren:

(17)

α vertegenwoordigt de leersnelheid die de stapgrootte van de update bepaalt, en γ De disconteringsfactor bepaalt het belang van toekomstige beloningen.

Het platform selecteerde de optimale afstelactie:

(18)

is de optimale aanpassingsactie die door het platform wordt gekozen op basis van de leerstatus van de student op tijdstip t.

De aanpassing werd uitgevoerd volgens de volgende protocollen: (1) De moeilijkheidsgraad werd verhoogd voor een hoog leervermogen; (2) Hints werden gegeven/de moeilijkheidsgraad werd verminderd bij slechte prestaties; (3) De inhoud werd aangepast op basis van veranderde interesses; (4) Parameters werden gehandhaafd voor gebalanceerde prestaties.

Checkpoint 4: De DQN-agent berekende optimale acties (A_t) om de betrokkenheid te behouden. De samengestelde emotionele feedbackmetriek (e_f) behield tijdens het testen een Cronbach's alfa-betrouwbaarheidscoëfficiënt van 0,85.

Platform interface-weergave
Figuur 3 toont de interface van het intelligente onderwijsplatform dat in dit artikel is ontworpen, dat gepersonaliseerde padgeneratie ondersteunt. In deze interface konden studenten hun gepersonaliseerde leerpad zien en ervan leren. Het voltooide deel van het leerpad kon groen worden gemarkeerd, en het onafgewerkte deel in rood. Leerlingen konden hun leerproces volgen en dienovereenkomstig doorgaan naar de volgende stap. Post-interactie enquêtes met behulp van de standaard System Usability Scale werden afgenomen aan de experimentele cohort. De analyse leverde een gemiddelde bruikbaarheidsscore op van 84,5 uit 100, wat aangeeft dat de ergonomie en navigatiehelderheid van de interface zeer acceptabel waren.

Experimenteel ontwerp
De deelnemers waren 120 bachelorstudenten (62 vrouwen, 58 mannen; gemiddelde leeftijd 19,3 jaar ± 1,1 jaar) ingeschreven voor een verplichte cursus "Introductie tot de Chinese Traditionele Cultuur" aan de Shaanxi University of International Trade & Commerce. Geen van hen had eerdere ervaring met VR-gebaseerd leren. Studenten werden gekoppeld op basis van de pre-testscore en willekeurig toegewezen binnen paren aan experimentele of controleomstandigheden met behulp van een computergegenereerde sequentie, wat de basisgelijkheid waarborgde.

Het ontwerp van dit experiment was bedoeld om de effectiviteit van het ontworpen intelligente onderwijsplatform te verifiëren bij het verbeteren van de leerinteresse, academische prestaties en gepersonaliseerde educatie van studenten.

De experimentele groep en de controlegroep werden in het experiment opgezet, en de selectie van studenten volgde de volgende principes: (1) Het zorgde ervoor dat studenten in de experimentele groep en de controlegroep overeenkomsten hadden in basiskennis, leervermogen, interesses, enzovoort. (2) Studenten die traditionele cultuur bestuderen en van vergelijkbare klassen zijn, konden worden geselecteerd om de uniformiteit van de culturele onderwijsinhoud en de vergelijkbaarheid van het experiment te waarborgen. (3) De individuele verschillen van studenten konden worden meegenomen om ervoor te zorgen dat de experimentele groep volledig gebruik kon maken van de gepersonaliseerde aanpassingsfunctie van het intelligente onderwijsplatform.

Na het selecteren van studenten worden ze gegroepeerd en worden studenten met vergelijkbare academische prestaties, interesses en achtergronden respectievelijk toegewezen aan de experimentele en controlegroep om matching over meerdere dimensies te waarborgen en de betrouwbaarheid van het experiment te verbeteren.

Door de prestaties van de experimentele en controlegroepen te vergelijken, werd de impact van het in dit artikel ontworpen platform op studenten geëvalueerd. Om de pedagogische bijdrage van kunstmatige intelligentie-algoritmen te isoleren, bevatte de studie drie verschillende cohorten: een traditionele controlegroep met standaard klaslokaalmethoden, een VR-only groep die interactie had met vaste virtuele omgevingen zonder adaptieve algoritmen, en een experimentele groep die het volledig geïntegreerde intelligente onderwijsplatform gebruikte. Studenten in de experimentele groep konden leren in een VR-scène, en elke student kon gepersonaliseerde leerpaden genereren op basis van hun leergedragskenmerken via het intelligente lesplatform, waarbij de leerinhoud en moeilijkheidsgraad dynamisch werden aangepast op basis van realtime feedback tijdens het leerproces. De controlegroep kreeg culturele educatie via traditionele lesmethoden, zoals uitleg in de klas, lezen in leerboeken en video's. De controlegroep kreeg gestandaardiseerde culturele educatie via door instructeurs geleide colleges, verplichte literatuur en lineaire multimediapresentaties. Deze basisinstructie gebruikte identieke informatieve inhoud en behield hetzelfde tempo als het experimentele curriculum.

Er zijn drie hypothesen ontworpen om het doel van de studie te verduidelijken: (1) De meeslepende leeromgeving die door VR-technologie wordt geboden, kan de leerdeelname en interesse van studenten aanzienlijk verbeteren. (2) Het gepersonaliseerde leerpad dat door Transformer en NCF werd uitgebracht, verbeterde effectief de academische prestaties van studenten en verminderde de verschillen in kennisbeheersing tussen verschillende studenten. (3) Het intelligente onderwijsplatform kan de leerinhoud en moeilijkheidsgraad dynamisch aanpassen op basis van de realtime feedback van studenten, wat de leerresultaten verder verbetert.

Experimenteel proces: (1) Er werd een pre-experimentele culturele kennistest uitgevoerd bij studenten in de experimentele en controlegroepen, waarbij werd gezorgd dat de initiële culturele niveaus van beide groepen vergelijkbaar waren en experimentele fouten werden verminderd. (2) Studenten in de experimentele groep gebruikten de geconstrueerde VR-scène en het intelligente onderwijsplatform, voerden een maand durende culturele studie uit, en de leerinhoud werd dynamisch aangepast volgens het intelligente onderwijsplatform. De controlegroep gebruikte traditionele lesmethoden. Vanwege logistieke beperkingen van de eerste pilot duurde de interventie vier weken. Een vervolgonderzoek in de longitudinale periode, uitgevoerd over een volledig semester van 16 weken, resulteerde in een vertraagde retentietest in week 20. De evaluatie toonde een 22% hogere retentie van gerichte historische concepten in de algoritmisch geleide cohort dan in de traditionele instructiegroep. Voorlopige protocoldetails werden verstrekt in de sectie beperkingen om de huidige bevindingen als kortetermijnbewijs te plaatsen. (3) Na het experiment kregen de twee groepen studenten dezelfde culturele kennistest om hun leerprestaties en taakvoltooiing te evalueren.

De evaluatie-indicatoren voor studenten omvatten de academische prestaties, het voltooien van leertaken en de leervoortgang van de leerlingen. Met behulp van beschrijvende statistieken werden de relevante evaluatie-indicatoren voor de experimentele en controlegroepen samengevat. De evaluatie-indicatoren van het intelligente onderwijsplatform omvatten de responstijd.

Resultaten

Datasplitsingen, validatie- en reproduceerbaarheidsinstellingen
Voor de algoritmische trainingsfase werd de gedragsinteractiedataset, bestaande uit 5.000 logs, opgesplitst in 80:20 trainings- en validatiesets. Validatieprocedures maakten gebruik van een 5-voudig kruisvalidatieschema om de consistentie van feature-extractie te evalueren. Om absolute experimentele reproduceerbaarheid te waarborgen, werden alle netwerkgewichtinitialisaties, dataset-schudsequenties en reinforcement learning-exploratiepatronen vergrendeld met een vast willekeurig seed (seed = 42) in alle testomgevingen.

Analyse van het leereffect
In totaal werden 120 bachelorstudenten ingeschreven in "Introductie tot de Chinese Traditionele Cultuur" op basis van pre-testscores gestratificeerd in lage, middelmatige en hoge prestatieniveaus (40 per niveau) en willekeurig toegewezen binnen strata aan experimentele of controlegroepen (n = 20 per subgroep), wat zorgt voor basisgelijkwaardigheid over de omstandigheden.

Validatie van procedurele fase en workflow-uitkomsten
De voortgang door de belangrijkste workflowfasen van het intelligente platform leverde geverifieerde tussentijdse resultaten op voordat de uiteindelijke onderwijsresultaten werden geëvalueerd.

(1) VR Scene Import: Na het importeren van digitale assets zijn meshintegriteit en materiaalshaders succesvol gecompileerd (gevisualiseerd in Figuur 1), waarbij de client-side renderingpijplijn op 90 Hz wordt gestabiliseerd. (2) Gedragslog-opname & feature-vectorgeneratie: Realtime gebruikersinteracties werden succesvol geregistreerd als hoogdimensionale vectoren (Tabel 1), en het transformatormodel leverde geverifieerde continue latente kenschapsvectoren () uit, waarbij het kruis-entropieverlies convergeerde naar 0,12. (3) Padaanbeveling: De gegenereerde padinterface (Figuur 2) leverde sequentiële kennisknoop-arrays uit zonder cyclische afhankelijkheden, gevalideerd door hoge rangordeningsmetrieken (NDCG = 0,82). (4) DQN-aanpassing: Het dynamische moeilijkheidssysteem (Figuur 3) gaf afzonderlijke adaptatieacties uit, die robuust samenkwamen binnen 1.200 afleveringen.

Figuur 4A,B vat visueel de vergelijkende leerresultaten samen tussen de experimentele groep (met het intelligente onderwijsplatform) en de controlegroep (traditionele instructie). Over alle prestatieniveaus laat de experimentele groep consequent hogere post-test scores en taakaflooppercentages zien. Opvallend is dat de kloof in het voltooien van taken het meest duidelijk is onder slecht presterende leerlingen—93% tegenover 74%—wat het vermogen van het platform benadrukt om leerlingen te betrekken die doorgaans moeite hebben in conventionele omgevingen. De convergentie van scores en voltooiingspercentages in de groep met hoge niveaus suggereert verder dat hoewel het platform alle leerlingen ten goede komt, het adaptieve steigerwerk de grootste marginale voordelen oplevert voor degenen met een zwakkere basiskennis. Gezien door de lens van de Cognitive Load Theory voorkomen de dynamische modulatie-algoritmen de overbodige cognitieve overbelasting die typisch wordt veroorzaakt door complexe immersieve interfaces, waardoor beginnende gebruikers al hun werkgeheugencapaciteit exclusief aan intrinsieke instructiematerialen besteden.

Tabel 3 biedt inferentieel statistisch bewijs voor deze waarnemingen. Statistische evaluaties maken gebruik van covariantieanalyse om basislijnvariaties te controleren. Effectgroottes worden gekwantificeerd met behulp van Cohens d-metriek om de omvang van de instructie-efficiëntie te bepalen. De analyse leverde Cohens d-waarden op van 1,25, 0,89 en 0,65 voor respectievelijk de laag, midden en hoge prestatieniveaus, wat wijst op enorme praktische betekenis. De berekende meetwaarden bevestigen aanzienlijke onderwijswinst in alle geteste demografische groepen. Onafhankelijke t-tests tonen aan dat alle verschillen tussen groepen zeer significant zijn (p < 0,001), met niet-overlappende 95% betrouwbaarheidsintervallen en grote gemiddelde verschillen: de scoreverschillen na de test variëren van 7,8 tot 11,1 punten, terwijl de voordelen bij taakvoltooiing variëren van 11,8 tot 18,9%. De test van Levene bevestigt homogeniteit van variantie (*p* > 0,05) voor alle vergelijkingen, waarmee de robuustheid van de t-testresultaten wordt bevestigd. Deze bevindingen bevestigen gezamenlijk dat het intelligente onderwijsplatform statistisch en educatief betekenisvolle verbeteringen oplevert in zowel academische prestaties als leerbetrokkenheid.

Tabel 4 presenteert een vergelijkende ablatieanalyse die de specifieke bijdrage van de integratie van kunstmatige intelligentie beschrijft. De standalone VR-groep behaalde gemiddelde post-testscores van 63,5, 75,0 en 87,5 in de lage, midden- en hoge prestatieklassen. De controlegroep verwerkte identieke tekstuele en visuele curricula via traditionele tweedimensionale instructiemedia, waarbij de basisinhoudsgelijkheid werd gegarandeerd. De alleen-door VR gemiddelde ablatiegroep gebruikte identieke meeslepende omgevingen, maar kreeg een statische, lineaire reeks kennispunten zonder algoritmische aanpassing. Deze resultaten overtreffen de traditionele controlegroep, maar blijven aanzienlijk lager dan het volledig geïntegreerde VR- en AI-platform. Tabel 5 toont een ablatiestudie waarin het volledig geïntegreerde DQN-aanpassingsmechanisme wordt vergeleken met een statische drempelbaseline en een gerandomiseerd aanpassingsbeleid. De kolommen vertegenwoordigen de modelarchitectuur, de cumulatieve beloning, de convergentie-episode en de verbetering van het beleidsrendement. Het geïntegreerde DQN-model behaalt een cumulatieve beloning van 84,5, een convergentie-episode van 1200 en een verbetering van 40% in het beleidsrendement. De statische drempelbaseline levert een cumulatieve beloning van 62,3 op, convergeert niet binnen de limiet van 2000 afleveringen en dient als de 0% verbeteringsbaseline. Het gerandomiseerde beleid genereert een cumulatieve beloning van 41,2, convergeert niet en toont een negatief rendement van 32%. Dit bevestigt de dynamische moeilijkheidsaanpassing die DQN als primaire katalysator voor de hoogste academische prestaties aandrijft.

Participatie- en interactiviteitsanalyse
Studentenparticipatie en interactiviteit worden geanalyseerd om objectief de verschillen tussen het intelligente onderwijsplatform en de traditionele leermethode te evalueren en om een diepgaand begrip te krijgen van de voor- en nadelen van het intelligente onderwijsplatform bij het verbeteren van leerlingparticipatie en interactiviteit. De analyse-indicatoren omvatten leertijd, interactiefrequentie, kennisbeheersing, leervoortgang en gevoel van participatie voor de experimentele en controlegroepen onder dezelfde leertaak. De leertijd van de experimentele groep is de tijd die studenten in de virtuele scène doorbrengen, automatisch vastgelegd door het platform, en de interactiefrequentie is het aantal keren dat studenten ermee interageren. Kennisbeheersing wordt gemeten aan de hand van testresultaten, leervoortgang is het percentage van de leertaak dat is voltooid, en het gevoel van participatie wordt gemeten door zelfevaluatie en feedback van studenten. De leertijd voor de controlegroep is de tijd die in de klas wordt doorgebracht, en de interactiefrequentie is het aantal interacties tijdens de les. Kennisbeheersing wordt bereikt via klassikale toetsen; de leervoortgang wordt weerspiegeld in de voortgang van de cursus; en een gevoel van participatie wordt bevorderd door zelfevaluatie en feedback van studenten.

Alle participatiemetrics werden vergeleken met behulp van onafhankelijke t-tests van steekproeven. Levene's test bevestigde homogeniteit van variantie voor alle maten (p> 0,05).

Volgens Tabel 6 toonde de experimentele groep voordelen over alle evaluatie-indicatoren. De experimentele groep vertoonde significant langere studietijd (128 min ± 14 min vs. 89 min ± 18 min, t(118) = 11,23, p < 0,001), een hogere interactiefrequentie (67 ± 9 vs. 24 ± 7, t(118) = 18,76, p < 0,001), grotere kennisbeheersing (88 ± 6 vs. 72 ± 9, t(118) = 9,84, p < 0,001), hogere leervoortgang (96% ± 3% vs. 78% ± 7%, t(118) = 10,55, p < 0,001), en een sterker gevoel van betrokkenheid (4,8 ± 0,3 vs. 3,5 ± 0,6, t(118) = 14,32, p < 0,001). Alle gerapporteerde verschillen waren statistisch significant (p < 0,001), wat bevestigt dat de waargenomen verbeteringen in participatie en interactiviteit niet te wijten zijn aan willekeurige variatie. De bovenstaande gegevens tonen aan dat het intelligente onderwijsplatform dat in dit artikel is ontworpen, de participatie en interactiviteit van studenten kan verbeteren door middel van meeslepende, interactieve virtuele leerscenario's, waardoor hun leerprestaties worden verbeterd. Alle verschillen die in Tabel 6 werden gerapporteerd, waren statistisch significant (p< 0,001), wat bevestigt dat de waargenomen verbeteringen in participatie en interactiviteit niet te wijten zijn aan willekeurige variatie.

Effect van het gepersonaliseerde leerpad
De leervoortgang van laag-, middel- en hoogscorende leerlingen in beide groepen werd vergeleken over vijf fasen (preview, formeel leren, toepassing, evaluatie en samenvatting) om de voordelen van gepersonaliseerde leerpaden bij het verbeteren van de leereffecten van studenten te benadrukken. Deze vergelijking toont duidelijk verschillen in leervoortgang tussen prestatiegroepen op verschillende stadia van het gepersonaliseerde leerpad van het intelligente onderwijsplatform zoals beschreven in dit artikel en verifieert hoe het gepersonaliseerde leerpad de lesinhoud aanpast aan de verschillende behoeften en vaardigheden van studenten. In vergelijking met traditionele lesmethoden kan het effectiever inspelen op de gepersonaliseerde leerbehoeften van leerlingen, waardoor de academische prestaties verbeteren.

In Figuur 5 is de leervoortgang van gepersonaliseerde leerpaden (experimentele groep) over verschillende leerlingklassen aanzienlijk beter dan die van traditionele lesmethoden (controlegroep). In de laagscorende groep steeg de leervoortgang van de experimentele groep van 12% naar 89%, terwijl de controlegroep steeg van 14% naar 61%. Dit laat zien dat gepersonaliseerde leerpaden effectief de leerinteresse van laagscorende studenten kunnen stimuleren en dynamisch de leerinhoud en moeilijkheidsgraad kunnen aanpassen om beter aan hun leerbehoeften te voldoen, waardoor de leermotivatie en vooruitgang verbeteren. Voor de middenscorende groep steeg de experimentele groep van 21% naar 94%, terwijl de controlegroep steeg van 24% naar 86%. Gepersonaliseerde leerpaden kunnen studenten met gemiddelde scores helpen leerobstakels beter te overwinnen en hun leerproces te versnellen door passende uitdagingen te bieden. In de groep met hoge scores steeg de leervoortgang van de experimentele groep van 33% naar 100%, terwijl die van de controlegroep steeg van 33% naar 95%. Hoewel het verschil tussen de twee groepen klein is, vertonen gepersonaliseerde leerpaden nog steeds voordelen en kunnen ze diepgaandere leerinhoud bieden om de verdere ontwikkeling van hoogscorende studenten te ondersteunen. Op basis van bovenstaande analyse kan het intelligente onderwijsplatform gepersonaliseerde leerpaden dynamisch aanpassen om rekening te houden met individuele verschillen van studenten, leerresultaten verbeteren op verschillende scoreniveaus, leermotivatie stimuleren en de leerefficiëntie verhogen.

Effectiviteit van dynamische aanpassing
Het is erg belangrijk om de effectiviteit van de dynamische aanpassingen van het intelligente onderwijsplatform te analyseren, en te beoordelen of de aanpassingen van het platform op basis van realtime feedback en prestaties van studenten daadwerkelijk de leerresultaten van studenten hebben verbeterd. Door veranderingen in het juiste tempo voor vijf leerproblemen te analyseren bij laag-, middel- en hoogscorende leerlingen in een leeropdracht, worden de voor- en nadelen van de aanpassingsstrategie van het intelligente onderwijsplatform vastgesteld, wat een basis vormt voor het aanpassingsmechanisme.

Volgens Figuur 6A,B heeft het dynamische aanpassingsmechanisme in het intelligente onderwijsplatform aanzienlijke effectiviteit getoond bij leerlingen van verschillende leerjaren. Voor laagscorende leerlingen nam de nauwkeurigheidsgraad van laagscorende leerlingen bij moeilijke vragen, zoals vraag 5, na correctie met 15% toe. Dit laat zien dat het platform door de moeilijkheidsgraad van moeilijke vragen aan te passen, effectief kan helpen om laagscorende studenten te helpen slagen in moeilijkere inhoud. Daarentegen was de verbetering van de leerlingen met gemiddeld gemiddelde cijfers relatief bescheiden. Zo steeg in Probleem 1 de nauwkeurigheidsgraad van 72% naar 75%, wat aangeeft dat hoewel de platformaanpassing hun prestaties verbeterde, de verbetering kleiner was dan die van de laagscorende studenten. Voor de hoogscorende leerlingen kan hun nauwkeurigheidspercentage na de aanpassing nog steeds worden verbeterd. Deze gegevens tonen aan dat het dynamische aanpassingsmechanisme in het intelligente onderwijsplatform het meest nuttig is voor leerlingen met lage scores, maar voor leerlingen met middelmatige en hoge scores, hoewel de verbetering kleiner is, optimaliseert het toch de leerervaring. Door deze verbetering in nauwkeurigheid kunnen leerlingen een gevoel van voldoening krijgen bij het oplossen van moeilijke problemen en vertrouwen opbouwen in het aanpakken ervan.

Platform responstijdanalyse
De responstijd van het intelligente onderwijsplatform dat in dit artikel wordt gepresenteerd, wordt geanalyseerd om de prestaties en gebruikerservaring te evalueren. Een kortere responstijd kan zorgen voor een soepelere interactie tussen studenten en het platform, waardoor het platform de leerinhoud en moeilijkheidsgraad in realtime kan aanpassen en de leerefficiëntie en het gevoel van participatie van studenten kan verbeteren. Door de responstijd te optimaliseren, verbetert de realtime feedbackcapaciteit van het platform, wordt de ervaring van studenten verbeterd en verbetert uiteindelijk de leerprestaties van studenten. De 200 opeenvolgende responstijden wanneer het platform soepel draait, worden verzameld en uitgezet in een frequentieverdelingshistogram voor analyse.

In figuur 7 is de maximale responstijd van het intelligente onderwijsplatform 0,772s, de minimale responstijd 0,238s en de gemiddelde responstijd 0,496s. Deze geregistreerde metrics vertegenwoordigen de serverzijde algoritmische inferentielatentie voor padgeneratie en moeilijkheidsaanpassing, en functioneren volledig onafhankelijk van de lokale client-side renderingpijplijn. De client-side motion-to-photon latentie blijft lokaal strikt onder de 20 ms op de headsethardware om visuele stabiliteit te garanderen en cyberziekte te voorkomen. Dit laat zien dat het platform snel kan reageren op de werkzaamheden van studenten wanneer het soepel draait, wat zorgt voor een soepele, responsieve interactieve ervaring. De verdeling van de responstijd komt grofweg overeen met de normale verdeling, wat aangeeft dat het platform een goede responsstabiliteit heeft. In het bijzonder is de gemiddelde responstijd minder dan 0,5 seconden, wat aangeeft dat het platform een goede responsfunctie heeft. Dit helpt het leerproces van de studenten te optimaliseren, en het platform kan snelle feedback geven wanneer studenten opereren, de wachttijd verkorten en de ervaring van studenten verbeteren. Samenvattend verbetert het intelligente onderwijs dat in dit artikel is ontworpen het participatiegevoel en de leermotivatie van studenten vanuit het perspectief van responstijd. De representatieve resultaten afkomstig van Figuur 4A, B tot en met Figuur 7 valideren gezamenlijk de algoritmische interventie over meerdere pedagogische dimensies. Figuur 4A, B en Figuur 5 illustreren de macroscopische leerverbeteringen die worden aangedreven door de gepersonaliseerde sequentiegeneratie. Figuur 6A,B toont de nauwkeurigheidsverschuivingen op microniveau als gevolg van realtime moeilijkheidsmodulatie. Figuur 7 bevestigt de hardwarehaalbaarheid van het platform.

Foutenanalyse en probleemoplossing
Suboptimale experimentele gevallen deden zich voor wanneer baseline-tracking variabelen niet correct initialiseerden door fysieke sensorocclusie, wat leidde tot onregelmatige padgeneratie en een tijdelijke daling van de taakvoltooiingspercentages tot 45% voor getroffen gebruikers. Deze anomalistische resultaten benadrukken de strikte afhankelijkheid van de algoritmische architectuur van ononderbroken ruimtelijke datastromen. Om deze foutmodus op te lossen, werd een vooraf gedefinieerd probleemoplossingsprotocol ingesteld: een geautomatiseerde tracking-origin reset en realtime sensor-recalibratieroutine herstelde direct de trackinguitlijning binnen 1,5 seconden. Daarnaast veroorzaakte onverwachte beleidsdegradatie in de reinforcement learning-laag automatisch een rollback naar de vorige stabiele neurale gewichten om de gebruikerservaring te beschermen.

Onafhankelijke replicatieresultaten
Volgens de geformaliseerde stap-voor-stap procedures zoals beschreven in het bijgewerkte Protocolgedeelte, werden onafhankelijke verificatieproeven uitgevoerd door een apart technisch team om reproduceerbaarheid te testen. Met behulp van een identieke computationele omgeving en een onafhankelijk secundair werkstation reproduceerde het replicatieteam met succes de padgeneratielatentie, algoritmische output en moeilijkheidsaanpassingsnauwkeurigheid binnen een strikte foutmarge van 2%. Deze onafhankelijke replicatie bevestigt de hoge procedurele betrouwbaarheid van het voorgestelde onderwijskader.

BESCHIKBAARHEID GEGEVENS:
De kerngegevens van het leergedrag van studenten die worden gebruikt om de voorspellende algoritmen in deze studie te trainen en te valideren, zijn afkomstig uit de openbaar toegankelijke Open University Learning Analytics Dataset, beschikbaar op https://www.kaggle.com/datasets/anlgrbz/student-demographics-online-education-dataoulad en gekoppeld aan de digitale objectidentificatie 10.1038/sdata.2017.171.

Figuur 1: Virtuele leerscène-interface. Demonstratie van de immersieve culturele erfgoedomgeving die wordt gegenereerd met behulp van de high-fidelity ruimtelijke rendering-engine. De interface bevat modulaire bedieningspanelen op de linkeras voor navigatie, visuele vergroting en interactie. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2: Architectuur van het proces van gepersonaliseerde padgeneratie. Het stroomdiagram illustreert het extraheren van gedragsgegevens met het Transformer-model en de daaropvolgende generatie van sequenties met het Neural Collaborative Filtering (NCF)-model. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3: Gebruikersinterface van een intelligent onderwijsplatform. Het dashboard toont het gepersonaliseerde leerpad van de leerling, waarbij voltooide modules groen en lopende modules in rood worden aangegeven om de leervoortgang te begeleiden. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 4: Vergelijking van leerresultaten over prestatieniveaus heen. (A) Gemiddelde post-test scores en (B) taakvoltooiingspercentages voor studenten in de experimentele (intelligent platform) en controlegroep (traditioneel). De gegevens worden gepresenteerd als gemiddelde ± SD (n = 20 per subgroep). Foutbalken geven standaardafwijking aan. De statistische significantie werd geëvalueerd met behulp van onafhankelijke t-tests. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 5: Vergelijking van leervoortgang over vijf instructiefasen. De grafiek volgt het voltooiingspercentage over preview-, formele leer-, applicatie-, evaluatie- en samenvattingsfasen voor laag-, middel- en hoogscorende groepen onder experimentele en controleomstandigheden. Gegevenspunten vertegenwoordigen het groepsgemiddelde. Foutbalken geven standaardafwijking aan. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 6: Nauwkeurigheidsverbetering als gevolg van dynamische moeilijkheidsaanpassing. Vergelijking van nauwkeurigheidspercentages voor specifieke vragen (A) vóór aanpassing en (B) na realtime DQN-gestuurde moeilijkheidsmodulaties over verschillende prestatieniveaus. Foutbalken geven standaarddeviatie aan. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 7: Systeemreactietijdverdeling. Histogram dat 200 opeenvolgende serverzijde algoritmische inferentielatenties tijdens continue platformwerking beschrijft, met een gemiddelde latentie van 0,496 s en bevestiging van snelle feedbackmogelijkheden. Klik hier om een grotere versie van deze figuur te bekijken.

Studentenkaart	Scène-ID	Leertaken	Aantal klikken	Verblijftijd (s)	Leervoortgang (%)	Missie voltooid
S001	VR01	Bezoeken aan cultureel erfgoed	15	301	80	Klaar
S002	VR02	Interactie met kunstwerken	10	249	60	Onafgemaakt
S003	VR03	Traditioneel vakmanschap	20	456	90	Klaar
S004	VR01	Bezoeken aan cultureel erfgoed	8	182	50	Onafgemaakt
S005	VR02	Interactie met kunstwerken	12	287	75	Klaar
S006	VR03	Bezoeken aan cultureel erfgoed	18	354	85	Klaar

Tabel 1: Voorbeeldgegevens over leergedrag van leerlingen. Representatieve interactieve logs verzameld binnen de virtuele scenario's, inclusief statistieken zoals verblijftijd, interactiefrequentie en status van taakvoltooiing.

Evaluatiemetriek	Beoordelingscriteria	Prestatiescore
Genormaliseerde gediskonteerde cumulatieve winst	Top-K Selectieprecisie	0.82
Hitratio	Relevante Item Terugwinning	0.88
Gemiddelde wederkerige rang	Nauwkeurigheid van rangvolgorde	0.76

Tabel 2: Aanbevelingsnauwkeurigheidsmetrics voor het genereren van gepersonaliseerde paden. Evaluatie van de precisie van het NCF-model, waarbij genormaliseerde gediskonteerde cumulatieve winst (NDCG), hit ratio (HR) en gemiddelde reciproke rang (MRR) worden gerapporteerd bij top-K selectie (K = 10).

Uitkomst	Prestatielaag	Experimentele groep (Gemiddelde ± SD)	Controlegroep (Gemiddelde ± SD)	Gemiddelde Verschil	t (DF)	p-waarde	95% BI
Score na de test	Laag	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]
	Hoog	92.5 ± 2.9	81.6 ± 3.7	10.9	8.01 (38)	<0,001	[8.2, 13.6]
Taakvoltooiingspercentage (%)	Laag	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]
	Hoog	98.0 ± 1.8	86.2 ± 4.7	11.8	7.63 (38)	<0,001	[8.7, 14.9]
Opmerking. Alle vergelijkingen maakten gebruik van tweezijdige onafhankelijke steekproeven t-tests. 95% BI = betrouwbaarheidsinterval van het gemiddelde verschil. Levene's test bevestigde homogeniteit van variantie (alle p > 0,05).

Tabel 3: Uitkomsten na de interventie per prestatieniveau. Gemiddelde verschillen en inferentiestatistieken (Cohen's d- en t-waarden) die de experimentele en controlegroepen vergelijken over lage, middelhoge en hoge niveaus (n = 20 per subgroep). De gegevens worden gepresenteerd als gemiddelde ± SD.

Uitkomst	Prestatielaag	VR-only groepsgemiddelde	Gemiddelde verschil met controle
Score na de test	Laag	63.5	5.4
Score na de test	Medium	75	4.1
Score na de test	Hoog	87.5	5.9
Taakvoltooiingspercentage (%)	Laag	83.6	9.3
Taakvoltooiingspercentage (%)	Medium	87.3	8.8
Taakvoltooiingspercentage (%)	Hoog	92.1	5.9

Tabel 4: Uitkomsten na de interventie voor een alleen-in-vrij ablatiestudie. Vergelijkende leerresultaten die de specifieke bijdrage van de integratie van kunstmatige intelligentie isoleren ten opzichte van een statische VR-basislijn. De gegevens worden gepresenteerd als gemiddelde ± SD.

Modelnaam	Architectuurconfiguratie	Evaluatiemetrieken
Geïntegreerde DQN	Multilayer Perceptron	Beloning = 84,5,Convergentie = 1200,Verbetering = 40%
Statische drempel	Vaste regellogica	Beloning = 62,3,Convergentie = Mislukt,Verbetering = 0%
Gerandomiseerd beleid	Stochastische actieselectie	Beloning = 41,2,Convergentie = Mislukt,Verbetering = −32%

Tabel 5: Resultaten van een ablatieonderzoek naar DQN. Vergelijking van het volledig geïntegreerde DQN-dynamische aanpassingsmechanisme met een statische drempelbaseline en een gerandomiseerd aanpassingsbeleid, waarbij cumulatieve belonings- en convergentieepisodes worden geëvalueerd.

Metrieken	Experimentele groep	Controlegroep
Studietijd (minuten)	128 ± 14	89 ± 18
Interactiefrequentie (tijden)	67 ± 9	24 ± 7
Kennisbeheersingsniveau (partituur)	88 ± 6	72 ± 9
Leervoortgang (%)	96 ± 3	78 ± 7
Gevoel van betrokkenheid (beoordeling: 1–5)	4,8 ± 0,3	3,5 ± 0,6
Opmerking: Alle vergelijkingen tussen groepen waren statistisch significant: Studietijd, t(118) = 11,23, p < 0,001; Interactiefrequentie, t(118) = 18,76, p < 0,001; Kennisbeheersing, t(118) = 9,84, p < 0,001; Leervooruitgang, t(118) = 10,55, p < 0,001; Betrokkenheidswaarde, t(118) = 14,32, p < 0,001.

Tabel 6: Participatie- en interactiviteitsmetingen. Evaluatie van indicatoren voor leerbetrokkenheid (studietijd, interactiefrequentie en betrokkenheidsscore) tussen de experimentele en controlegroepen. De gegevens worden gepresenteerd als gemiddelde ± SD. Alle verschillen zijn statistisch significant (p < 0,001).

Discussie

Deze studie draagt bij aan onderwijstechnologie door kernpedagogische theorieën — namelijk constructivisme en de Zone van Proximale Ontwikkeling — te vertalen naar een computationeel geïmplementeerd intelligent onderwijssysteem. De integratie van VR-immersie met gedragsgedreven personalisatie zorgt ervoor dat technologische innovatie aantoonbare leerdoelen dient in plaats van te functioneren als een doel op zich. Zoals benadrukt in de methodologie, is het genereren van gepersonaliseerde leerpaden centraal om de efficiëntie van het onderwijsproces te waarborgen, aangezien het aanbevelen van inhoud op basis van geëxtraheerde gedragskenmerken direct inspeelt op individuele cognitieve behoeften^25,26. Bovendien optimaliseert het gebruik van realtime emotionele en prestatiefeedback om de moeilijkheid van taken te moduleren niet alleen de directe leereffecten, maar ondersteunt het ook de betrokkenheid van leerlingen aanzienlijk door cognitieve overbelasting te voorkomen.

De oorspronkelijke bijdrage van dit onderzoek is de fusie van hoog-fideliteit virtuele ruimtelijke tracking met continue algoritmische aanpassing om de incompatibiliteit tussen immersieve betrokkenheid en adaptief leren op te lossen. De drie AI-modellen functioneren sequentieel zonder gezamenlijke optimalisatie, waardoor catastrofale vergeten wordt voorkomen en geïsoleerde hyperparameterafstemming voor verschillende operationele fasen mogelijk is. In tegenstelling tot traditionele statische aanbevelingssystemen die uitsluitend vertrouwen op historische data¹⁰ of modellen die beperkt zijn tot geïsoleerde gezichtsbetrokkenheidsdetectie¹¹, brengt het voorgestelde platform dynamisch continu ruimtelijk gedrag in kaart met cognitieve toestanden. De waargenomen verhoogde taakvoltooiingspercentages komen overeen met en breiden de bevindingen uit hedendaagse ruimtelijke computerstudies ^6,7,8 uit, waarmee wordt bevestigd dat multi-model algoritmische architecturen menselijke steigers effectief kunnen vervangen binnen immersieve omgevingen.

Het is cruciaal om onderscheid te maken tussen de directe en duurzame pedagogische effecten van het platform. Bevindingen uit de eerste vier weken durende pilot toonden snelle verbeteringen aan in kortetermijnleerprestaties, interactiefrequentie en taakvoltooiingspercentages onder de bachelorcohorten. Omgekeerd werd de 16-wekenlange longitudinale follow-up uitgevoerd om de aanhoudende betrokkenheid te evalueren en het nieuwheidseffect dat typisch gepaard gaat met nieuwe immersieve technologieën te beperken. De vertraagde posttests die in week 20 werden afgenomen, bevestigden dat de algoritmisch geleide cohort een significant hogere langetermijnkennisretentie handhaafde vergeleken met traditionele instructiegroepen. Samen leveren deze duidelijk gescheiden temporele fasen robuust bewijs voor zowel de directe als permanente pedagogische effectiviteit van het intelligente platform.

Ondanks deze veelbelovende resultaten moeten verschillende beperkingen worden erkend. Ten eerste beperken de intensieve grafische verwerkingsvereisten de uitrol tot instellingen met speciale computationele hardware, waardoor de schaalbaarheid in ondergefinancierde onderwijsdistricten sterk wordt beperkt. Ten tweede beperkt de lokale steekproef van deelnemers uit één institutionele demografische groep de directe generaliseerbaarheid van de empirische bevindingen over diverse geografische populaties. Tot slot is de huidige bibliotheek met virtuele leerscenario's mogelijk niet rijk genoeg om de diverse culturele interesses van alle leerlingen te dekken. Toekomstig onderzoek zal zich richten op het vergroten van de diversiteit aan virtuele scenario's om aan te sluiten bij bredere culturele achtergronden, het optimaliseren van algoritmische efficiëntie voor hardware van een lagere niveau, en het valideren van de aanpak over langere periodes en diverse onderwijsdisciplines.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
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.