Metody inteligentnego nauczania integrujące rzeczywistość wirtualną i algorytmy dużych danych w celu ulepszenia tradycyjnych platform edukacji kulturalnej

Podsumowanie

Niniejsze badanie szczegółowo opisuje powtarzalny proces wyodrębniania cech behawioralnych oraz wdrażania dynamicznie dostosowanych ścieżek edukacyjnych w środowiskach wirtualnych. Opisane procedury pozwalają nauczycielom na opracowywanie adaptacyjnych programów nauczania w rzeczywistości wirtualnej oraz wdrażanie śledzenia behawioralnego w czasie rzeczywistym.

Streszczenie

Obecnie konwencjonalne środowiska dydaktyczne mają ograniczone elementy interaktywne, co skutkuje ograniczonymi wskaźnikami zaangażowania wśród populacji studentów studiujących dziedzictwo kulturowe. Aby rozwiązać te problemy, opracowano inteligentną platformę dydaktyczną, integrującą silnik renderowania przestrzennego o wysokiej wierności z środowiskami wirtualnej rzeczywistości z wielomodelową architekturą algorytmiczną. W ramach tej platformy modele Transformer i Neural Collaborative Filtering (NCF) przetwarzają dane behawioralne, aby generować spersonalizowane ścieżki uczenia się, podczas gdy sieć Deep Q-Network (DQN) dynamicznie dostosowuje trudność treści na podstawie opinii w czasie rzeczywistym. Takie adaptacyjne wspomaganie odzwierciedla zasady konstruktywistycznego uczenia się, w którym wiedza jest aktywnie konstruowana poprzez interakcję z kontekstualnymi, responsywnymi środowiskami, a nie pasywnie przyjmowana poprzez statyczną instrukcję. Nowość tej badania polega na integracji silnika renderowania przestrzennego z wielomodelową architekturą algorytmiczną w celu ustanowienia mechanizmu adaptacji behawioralnej w czasie rzeczywistym. Wyniki eksperymentu pokazują, że grupa eksperymentalna korzystająca z zaproponowanej inteligentnej platformy dydaktycznej ma wyższe wyniki w nauce (w grupach niskiej/średniej/wysokiej odpowiednio 69/79/93 punktów) i wyższy wskaźnik zakończenia zadań edukacyjnych (93%/96%/98%) niż grupa kontrolna używająca tradycyjnego modelu nauczania. Projekt inteligentnej platformy dydaktycznej oferuje silną interaktywność, zapewnia spersonalizowane ścieżki uczenia się dla studentów o różnych indywidualnych różnicach i dynamicznie dostosowuje się podczas procesu uczenia się. Analiza czasu reakcji wskazuje na średnią opóźnienie 0,496 s, zapewniając szybki feedback na interakcje. Ostatecznie, zaproponowana platforma pokazuje, że łączenie immersyjnej VR z algorytmami adaptacyjnymi do zachowania skutecznie poprawia zarówno osiągnięcia akademickie, jak i zaangażowanie w zadania dla studentów w tradycyjnej edukacji kulturowej.

Wprowadzenie

Tradycyjna edukacja kulturowa odgrywa istotną rolę w dziedziczeniu i rozwoju kultury. Jednak obecny model edukacji kulturowej opiera się głównie na statycznych formach, takich jak podręczniki, obrazki i filmy, brakując interaktywności i immersji, co utrudnia studentom prawdziwe zrozumienie i doświadczenie uroku kultury. Ponadto, tradycyjne metody nauczania często stosują jednolity program nauczania, który nie uwzględnia pełnej różnorodności zainteresowań, zdolności poznawczych i stylów uczenia się uczniów, co prowadzi do niskiej efektywności uczenia się i trudności w stymulowaniu entuzjazmu uczniów do nauki. Ta ograniczona metoda pasuje do teorii Strefy Najbliższego Rozwoju (ZPD) Vygotskiego, która podkreśla, że efektywne nauczanie musi być dostosowane do bieżącego poziomu kognitywnego uczniów i wspierane zgodnie z ich indywidualnymi trajektoriami rozwojowymi. Istniejąca literatura opiera się na statycznych danych wejściowych do modelowania pedagogicznego. Integracja ciągłego śledzenia zachowań przestrzennych z głębokim uczeniem wzmacniającym pozostaje niezbadana. Proponowany mechanizm łączy wielosensoryczne interakcje z algorytmicznym dostosowaniem, aby zapewnić most między stałymi ścieżkami instruktażowymi a dynamiczną adaptacją kontekstową. Proponowana platforma operacjonalizuje tę zasadę poprzez dynamiczne dostosowywanie trudności treści i sekwencjonowania na podstawie wskaźników zachowań w czasie rzeczywistym, w ten sposób wbudowując teorię pedagogiczną w projekt algorytmiczny. Mechanizmy adaptacji algorytmicznej skutecznie zastępują ludzkie wsparcie, które zazwyczaj dostarczają bardziej zdolni rówieśnicy. Ta ciągła modulacja trudności zadań pasuje do Teorii Obciążenia Kognitywnego (CLT), zapobiegając przeciążeniu kognitywnemu uczniów początkujących i utrzymując zaangażowanie w optymalnej strefie rozwojowej.

Z rozwojem wirtualnej rzeczywistości (VR) i algorytmów danych, zastosowanie ich do tradycyjnej edukacji kulturowej zapewnia studentom bardziej immersyjne i interaktywne doświadczenie edukacyjne^1,2,3,4. Kompleksowe systematyczne przeglądy aplikacji immersyjnej wirtualnej rzeczywistości w szkolnictwie wyższym podkreślają znaczenie dostosowywania elementów projektowych do określonych celów pedagogicznych⁵.

Wiele badań próbowało zastosować technologię VR do edukacji kulturowej. Hulusic i in.⁶ zaprojektowali i stworzyli wirtualne muzeum szkolne, w tym namacalny interfejs użytkownika. Poprzez badania uczestniczące, stwierdzono, że muzeum jest dobrze zaprojektowane i zaawansowane, i ma potencjał do wykorzystania jako narzędzie edukacyjne w muzeach, szkołach lub niezależnie. W odpowiedzi na problem niewystarczającej interaktywności w środowiskach edukacji zdalnej, Mubarok i in.⁷ opracowali metodę kolaboratywnego mapowania argumentów opartą na VR, aby ją rozwiązać. Eksperymenty wykazały, że ta metoda lepiej poprawia ustną ekspresję języka angielskiego uczniów niż metody kolaboratywnego mapowania argumentów nie opartych na VR. Sun i in.⁸ zaproponowali strategię projektowania systemu VR, który łączy multimodalne interakcje, gamifikacje i narracje, aby wyświetlać i rozwijać cyfrowy dziedzictwo kulturowe. Stworzyli immersyjny system VR, który odtworzył malowidła ścienne z Dunhuang, zapewniając użytkownikom doświadczenie edukacyjne, interaktywne i rozrywkowe. Jednak te badania nadal napotykają na pewne problemy, takie jak słaba interaktywność w scenach VR, wolne tempo aktualizacji treści edukacyjnych i słaba przystosowność algorytmów rekomendacji personalizowanych, które uniemożliwiają dokładne zaspokojenie potrzeb edukacyjnych różnych uczniów. Ponadto niektóre badania nie udało się skutecznie zintegrować głębokiego uczenia i uczenia wzmacniającego, co ogranicza możliwości rzeczywistego czasu dostosowywania rekomendacji personalizowanych.

Ostatnie osiągnięcia w sztucznej inteligencji napędzają technologie edukacyjne. Badania wprowadzają adaptacyjne systemy wykorzystujące głębokie uczenie do rozpoznawania wzorców w zachowaniach użytkowników. Metodologie zawierające algorytmy śledzenia kognitywnego mapują dynamiczne stany nabywania wiedzy. Optymalizacja strukturalna w sieciach neuronowych podnosi precyzję rekomendacji w inteligentnych ramach edukacyjnych. Inteligentne agenty integrujące złożone zmienne środowiskowe zwiększają automatyczne odpowiedzi instruktażowe. Te metodologie opierają się na izolowanych strumieniach danych i statycznej analizie historycznej. Proponowana platforma radzi sobie z tą ograniczeniem, łącząc dane interakcji przestrzennych z ciągłym algorytmicznym dostosowaniem, aby zapewnić adaptację kontekstową w czasie rzeczywistym.

Ostatnie empiryczne badania potwierdzają, że algorytmy głębokiego uczenia znacząco poprawiają dokładność przewidywania w modelowaniu wydajności studentów. Ouatik i in.⁹ wdrożyli system przewidujący sukces i porażkę akademicką studentów. Wykorzystali informacje osobiste studentów, oceny akademickie i inne dane, a także metody sztucznej inteligencji i wydobywania danych edukacyjnych, aby przewidywać sukces akademicki studentów. Aby rozwiązać problem przetwarzania danych, zastosowano technologię big data

Protokół

Instytucjonalna komisja etyczna Shaanxi University of International Trade & Commerce zatwierdziła protokół badawczy pod numerem referencyjnym 2025-04A. Przed rozpoczęciem procedur od wszystkich uczestników uzyskano udokumentowaną świadomą zgodę, zapewniając, że wszyscy badani byli świadomi protokołów śledzenia zachowań oraz anonimizacji danych. (Uwaga: Uzasadnienia pedagogiczne dotyczące algorytmów zostały przeniesione do sekcji Dyskusja w celu zachowania zwięzłości operacyjnej.)

Krok 1: Konstrukcja sceny rzeczywistości wirtualnej

Integracja zasobów
Modelowanie cyfrowe elementów kulturowych zostało przeprowadzone przy użyciu ogólnego oprogramowania do modelowania 3D (szczegóły dotyczące zastosowanego oprogramowania znajdują się w Tabeli materiałów) w celu stworzenia immersyjnych środowisk uczenia się^12,13. Wygenerowano zasoby cyfrowe, przypisano tekstury renderowania oparte na fizyce (PBR), a następnie zaimportowano je do wysokiej jakości silnika renderowania przestrzennego (Tabela materiałów) bez użycia technik obrazowania mikroskopowego^14,15.

Wizualizacja & konfiguracja fizyki
W silniku renderującym aktywowano sprzętowe śledzenie promieni w celu optymalizacji dynamicznego oświetlenia^16,17:

    (1)

P oznacza natężenie światła w scenie. L oznacza położenie źródła światła. I_L oznacza natężenie źródła światła, a N oznacza wektor normalny powierzchni obiektu wirtualnego.

Silnik fizyczny symulował dynamikę obiektów za pomocą interfejsu programowania obiektowego (C++). Wykorzystano następujący wzór reakcji:

  (2)

F oznacza dynamiczną siłę reakcji, m to masa wirtualnego obiektu, v oznacza jego prędkość, a t oznacza czas.

Aby zapewnić płynność działania, w celu optymalizacji sceny zastosowano technologię poziomu szczegółowości (LOD), co pozwoliło zredukować zbędne obliczenia i zwiększyć wydajność renderowania poprzez dynamiczne dostosowywanie poziomu szczegółowości modelu^18,19. Do przetwarzania obrazu wykorzystano akcelerację GPU:

   (3)

R  oznacza współczynnik odbicia, M oznacza mapę powierzchni, a C oznacza końcowy renderowany kolor.

Implementacja interakcji
Interakcje użytkownika zostały skonfigurowane przy użyciu wizualnego interfejsu skryptowego opartego na węzłach, natywnego dla silnika renderowania przestrzennego. Dzięki technologii dźwięku przestrzennego symulowano dźwięk w przestrzeni, aby studenci mogli słyszeć różne efekty dźwiękowe w różnych pozycjach. Ponadto, dzięki technologii sprzężenia haptycznego, studenci mogli otrzymywać fizyczne odpowiedzi odpowiadające dotykowi w scenie wirtualnej²⁰:

   (4)

F_t oznacza siłę sprzężenia zwrotnego dotykowego, a k oznacza współczynnik sztywności.

Wdrożenie & przegląd sprzętu
Środowisko zostało skompilowane na dedykowanym zestawie sprzętowym do obliczeń przestrzennych, wyposażonym w dwudziestoczterordzeniową jednostkę centralną, 64 gigabajty pamięci operacyjnej RAM oraz dedykowaną jednostkę przetwarzania graficznego o pojemności 24 gigabajtów. Sceny wirtualne zostały wdrożone na standardowych wyświetlaczach do imersyjnej wizualizacji przestrzennej, zgodnie z opisem w Tabela materiałówo rozdzielczości 1440 x 1600 pikseli na oko i częstotliwości odświeżania 90 Hz, co zapewnia optymalną stabilność obrazu i minimalizuje opóźnienie typu motion-to-photon. Granice przestrzenne skonfigurowano tak, aby ograniczyć czas trwania sesji do 45 min w celu zmniejszenia ryzyka wystąpienia choroby lokomocyjnej indukowanej wzrokowo.

Tabela Materiałów podsumowuje zastosowane technologie. Wszystkie wskazane komponenty sprzętowe i obliczeniowe były standardowymi urządzeniami dostępnymi w handlu i nie opierały się na rozwiązaniach jednego konkretnego dostawcy. Silnik renderowania przestrzennego oraz ray tracing zapewniły dynamiczne oświetlenie, natomiast oprogramowanie do modelowania 3D odtworzyło obiekty historyczne. Rycina 1 przedstawia przykład wirtualnej sceny edukacyjnej, szczegółowo opisując modułowy panel sterowania do powiększenia obrazu, modulacji dźwięku oraz ruchu.

Punkt kontrolny 1: W pełni wyrenderowane środowisko VR działające przy stabilnej częstotliwości odświeżania 90 Hz, minimalizujące opóźnienie motion-to-photon w celu zapewnienia stabilności obrazu.

Krok 2: Ekstrakcja danych behawioralnych (Transformer)
Rejestracja danych
Dane dotyczące zachowań edukacyjnych uczniów obejmowały interakcje ze scenami VR, w tym liczbę kliknięć, spędzony czas, postępy w nauce oraz ukończenie zadań. Tabela 1 przedstawia dane dotyczące aktywności edukacyjnej uczniów w różnych scenariuszach VR. W przypadku tych interaktywnych informacji na platformie zastosowano reprezentację szeregów czasowych:

   (5)

s_τ reprezentuje zachowanie studenta w czasie t, a T jest całkowitym czasem trwania. Każde zachowanie tworzy wektor wysokowymiarowy:

   (6)

f_i oznacza wartość konkretnej cechy w wymiarze i, a d wskazuje całkowitą liczbę wymiarów cech.

Modelowanie sekwencji
Do modelowania szeregów czasowych wykorzystano model Transformer^21,22. Dzięki zastosowaniu mechanizmu self-attention wyekstrahowano cechy behawioralne poprzez obliczenie korelacji między zachowaniami uczniów. Przy założeniu, że macierz osadzeń (embedding matrix) sekwencji danych dotyczących zachowań edukacyjnych ucznia to X, macierze zapytań (Q), kluczy (K) i wartości (V) zostały wygenerowane poprzez mnożenie przez trenowalne macierze wag W^Q, W^K oraz W^V:

    (7)

Obliczanie uwagi
Mechanizm self-attention w modelu Transformer obliczano zgodnie z^23,24:

   (8)

Wśród nich d_k reprezentuje wymiar wektorów kluczy, który został wykorzystany jako czynnik skalujący w celu zapobieżenia zanikaniu gradientów. Po obliczeniu wzoru (8) wyznaczono wagę uwagi, aby zmierzyć korelację między zachowaniami uczenia się:

  (9)

e_ij reprezentuje surowy wynik energii uwagi pomiędzy zachowaniami uczenia się. Suma ważona tych wag została wykorzystana do uzyskania wektora kontekstu w aktualnym momencie, który stanowi potencjalny wektor cech studenta:

  (10)

Punkt kontrolny 2: Model Transformer generuje ciągłe wektory cech ukrytych (c_t). Na wydzielonym zbiorze walidacyjnym obejmującym 5000 logów interakcji, model osiągnął dokładność przewidywania sekwencji na poziomie 89,4%, a strata entropii krzyżowej zbiegła się do wartości 0,12 po 50 epokach.

Krok 3: Generowanie spersonalizowanej ścieżki uczenia się (NCF)
Fuzja cech
W celu zbadania potencjalnych zainteresowań i potrzeb uczniów oraz wygenerowania spersonalizowanych ścieżek uczenia się zastosowano model NCF^25,26,27,28. W modelu NCF każdemu punktowi wiedzy kulturowej przypisano wektor cech v_k , a następnie połączono wektor cech potencjalnych v_u wyekstrahowany przez Transformer oraz wektor punktu wiedzy v_k , aby utworzyć nowy wspólny wektor cech:

  (11)

Architektura sieci & Hiperparametry:
Wspólny wektor cech został wprowadzony do wielowarstwowego perceptrona (MLP) w NCF w celu przetworzenia.^29,30Wielowarstwowy perceptron wykorzystywał określoną wcześniej architekturę z trzema warstwami ukrytymi, zawierającymi odpowiednio 64, 32 i 16 neuronów. Szybkość uczenia ustawiono na 0,001, przy wielkości partii (batch size) wynoszącej 256. Po nieliniowej transformacji w kilku warstwach ukrytych MLP wygenerowano wartość przewidywanego zainteresowania uczniów poszczególnymi zagadnieniami wiedzy:

  (12)

 W₁, W₂, ... , W_L reprezentują macierze wag wielu warstw ukrytych. σ oznacza nieliniową funkcję aktywacji, a b₁, b₂, ... , b_L reprezentują człony bias odpowiednich warstw ukrytych. Im wyższa przewidywana wartość zainteresowania wynikowa, tym większe zainteresowanie ucznia danym punktem wiedzy.

Trenowanie modelu
Sieć została zoptymalizowana przy użyciu solvera Adam (wskaźnik zaniku 0,01, szybkość uczenia 0,001, wielkość partii 256). Jako funkcja straty służy średni błąd kwadratowy (MSE)^31,32:

  (13)

u, k oznaczają indeks wektora zachowania studenta oraz wektora punktu wiedzy. Poprzez minimalizację funkcji straty model stale aktualizuje wektory cech potencjalnych dla studentów i punktów wiedzy, aby zwiększyć dokładność przewidywań. W procesie trenowania wykorzystano algorytm wstecznej propagacji błędów do aktualizacji macierzy wag w modelu^33,34.

Wynik ścieżki
Zastosowane podejście polegało na sortowaniu według przewidywanych wartości zainteresowania i rekomendowaniu studentom k punktów wiedzy o najwyższych wartościach zainteresowania:

  (14)

k_k oznacza k punktów wiedzy, które najbardziej interesują uczniów. Te rekomendowane punkty wiedzy nie tylko odpowiadają zainteresowaniom edukacyjnym uczniów, ale także pomagają im efektywnie uczyć się na poziomie postępów i trudności dostosowanym do ich możliwości.

Rysunek 2 przedstawia ten proces generowania.

Punkt kontrolny 3: Model NCF generuje niecykliczną macierz sekwencji. Jak szczegółowo opisano w Tabeli 2, precyzja rekomendacji oceniana przy wyborze top-K dała znormalizowany zdyskontowany zysk skumulowany (NDCG) wynoszący 0.82 oraz współczynnik trafień (hit ratio) wynoszący 0.88 przy K = 10. Metryka średniej odwrotnej rangi ustabilizowała się na poziomie 0.76.

Krok 4: Dynamiczne dostosowywanie poziomu trudności (DQN)
Definicja stanu i działania
Poprzez wprowadzenie DQN i wykorzystanie informacji zwrotnych od studentów w czasie rzeczywistym do dynamicznego dostosowywania treści i poziomu trudności materiałów, optymalizowane są efekty uczenia się studentów^35,36. Przestrzeń stanów modelu DQN składa się z wielu czynników:

  (15)

Wśród nich t_s oznacza czas, jaki studenci poświęcają na obecne zadanie edukacyjne, c_p reprezentuje wybory studentów w ścieżce uczenia się (wybrane rozdziały lub punkty wiedzy), m_c oznacza stopień realizacji obecnego zadania edukacyjnego przez studentów, a e_f reprezentuje emocjonalną informację zwrotną studentów (stopień preferencji i zaangażowania w określone zadanie edukacyjne).

Obliczanie nagrody
Agent uczenia ze wzmocnieniem wykorzystywał architekturę wielowarstwowego perceptrona składającą się z dwóch warstw ukrytych zawierających odpowiednio 128 i 64 neurony (strategia eksploracji epsilon-greedy z wartością malejącą od 1,0 do 0,05). W pierwszej kolejności obliczono wartość nagrody odpowiadającą każdemu działaniu uczącemu:

  (16)

Wśród nich ω jest hiperparametrem wagowym, który kontroluje wyniki uczenia się oraz udział w nauce. P_task reprezentuje wyniki ucznia w aktualnym zadaniu edukacyjnym, a E_part reprezentuje udział ucznia w aktualnym procesie uczenia się.

Aktualizacja wartości Q & wybór działania
Po uzyskaniu wartości nagrody model zaktualizował wartość Q w celu wybrania optymalnego działania:

   (17)

α reprezentuje współczynnik uczenia kontrolujący wielkość kroku aktualizacji, a γ, czynnik dyskontujący, określa znaczenie przyszłych nagród.

Platforma wybrała optymalne działanie korygujące:

   (18)

 to optymalne działanie korygujące wybrane przez platformę na podstawie stanu nauki studenta w czasie t.

Korektę przeprowadzono zgodnie z następującymi protokołami: (1) zwiększono stopień trudności w przypadku wysokich zdolności uczenia się; (2) podano wskazówki lub zmniejszono stopień trudności w przypadku słabych wyników; (3) zmodyfikowano treść w zależności od zmian zainteresowań; (4) utrzymano parametry w przypadku zrównoważonych wyników.

Punkt kontrolny 4: Agent DQN obliczył optymalne działania (A_t) w celu podtrzymania zaangażowania. Złożona metryka informacji zwrotnej o emocjach (e_f) wykazała współczynnik rzetelności alfa Cronbacha na poziomie 0,85 podczas testów.

Wyświetlanie interfejsu platformy
Rysunek 3 przedstawia interfejs inteligentnej platformy dydaktycznej opracowanej w niniejszej pracy, która obsługuje generowanie spersonalizowanych ścieżek. W tym interfejsie studenci mogą wyświetlić swoją spersonalizowaną ścieżkę uczenia się i realizować ją. Zakończona część ścieżki uczenia się może być zaznaczona na zielono, a część niezakończona na czerwono. Studenci mogą śledzić swoje postępy w nauce wzdłuż ścieżki i odpowiednio przechodzić do następnego etapu. Po interakcji z grupą eksperymentalną przeprowadzono ankiety z wykorzystaniem standardowej skali użyteczności systemu (System Usability Scale). Analiza wykazała średni wynik użyteczności na poziomie 84,5 z 100, co wskazuje, że ergonomia interfejsu oraz przejrzystość nawigacji były na wysokim, akceptowalnym poziomie.

Projekt eksperymentalny
Uczestników stanowiło 120 studentów studiów licencjackich (62 kobiet, 58 mężczyzn; średni wiek 19,3 lat ± 1,1 lat), zapisanych na obowiązkowy kurs „Wstęp do tradycyjnej kultury chińskiej” na Shaanxi University of International Trade & Commerce. Żaden z nich nie miał wcześniejszego doświadczenia w nauce opartej na VR. Studentów sparowano na podstawie wyników testu wstępnego, a następnie w obrębie par losowo przydzielono do grupy eksperymentalnej lub kontrolnej przy użyciu sekwencji generowanej komputerowo, co zapewniło równoważność wyjściową.

Celem projektu tego eksperymentu była weryfikacja skuteczności zaprojektowanej inteligentnej platformy edukacyjnej w zakresie zwiększania zainteresowania studentów nauką, poprawy ich wyników w nauce oraz personalizacji edukacji.

W badaniu utworzono grupę eksperymentalną oraz grupę kontrolną, a dobór uczniów oparto na następujących zasadach: (1) zapewniono, aby uczniowie w grupie eksperymentalnej i kontrolnej wykazywali podobieństwo pod względem wiedzy podstawowej, zdolności uczenia się, zainteresowań itp. (2) wybrano uczniów studiujących kulturę tradycyjną, znajdujących się na podobnym etapie edukacyjnym, aby zapewnić jednolitość treści edukacji kulturowej oraz porównywalność eksperymentu. (3) uwzględniono różnice indywidualne uczniów, aby grupa eksperymentalna mogła w pełni wykorzystać funkcję spersonalizowanego dostosowania inteligentnej platformy dydaktycznej.

Po wybraniu uczniów zostają oni podzieleni na grupy, a osoby o podobnych wynikach w nauce, zainteresowaniach i pochodzeniu są przypisane odpowiednio do grupy eksperymentalnej i kontrolnej, aby zapewnić dopasowanie w wielu wymiarach i zwiększyć rzetelność eksperymentu.

Poprzez porównanie wyników grupy eksperymentalnej i kontrolnej oceniono wpływ opracowanej w niniejszej pracy platformy na studentów. Aby wyizolować pedagogiczny wkład algorytmów sztucznej inteligencji, w badaniu ujęto trzy odrębne kohorty: tradycyjną grupę kontrolną korzystającą ze standardowych metod nauczania klasycznego, grupę korzystającą wyłącznie z VR, wchodzącą w interakcję ze stałymi środowiskami wirtualnymi pozbawionymi algorytmów adaptacyjnych, oraz grupę eksperymentalną korzystającą z w pełni zintegrowanej inteligentnej platformy nauczania. Studenci w grupie eksperymentalnej mogli uczyć się w scenie VR, a każdy z nich mógł generować spersonalizowane ścieżki nauki w oparciu o cechy swojego zachowania podczas nauki za pomocą inteligentnej platformy, dynamicznie dostosowując treść i stopień trudności materiałów w odpowiedzi na informacje zwrotne otrzymywane w czasie rzeczywistym w trakcie procesu uczenia się. Grupa kontrolna otrzymywała wykształcenie kulturowe poprzez tradycyjne metody nauczania, takie jak wyjaśnienia w klasie, czytanie podręczników i oglądanie filmów. Grupa kontrolna przechodziła ustandaryzowane kształcenie kulturowe poprzez wykłady prowadzone przez instruktora, lektury oraz linearne prezentacje multimedialne. To podstawowe nauczanie wykorzystywało identyczną treść informacyjną i zachowywało to samo tempo czasowe co program eksperymentalny.

Sformułowano trzy hipotezy w celu wyjaśnienia celu badania: (1) Immersyjne środowisko uczenia się zapewnione przez technologię VR może znacząco zwiększyć zaangażowanie i zainteresowanie uczniów procesem nauki. (2) Spersonalizowana ścieżka uczenia się wygenerowana przez Transformer i NCF skutecznie poprawiła wyniki w nauce uczniów i zmniejszyła różnice w opanowaniu wiedzy między poszczególnymi uczniami. (3) Inteligentna platforma dydaktyczna mogła dynamicznie dostosowywać treści i stopień trudności nauki na podstawie informacji zwrotnych uczniów w czasie rzeczywistym, co dodatkowo poprawiło efekty uczenia się uczniów.

Proces eksperymentalny: (1) Przeprowadzono wstępny test wiedzy kulturowej wśród uczniów w grupach eksperymentalnej i kontrolnej, aby upewnić się, że początkowy poziom wiedzy kulturowej w obu grupach był zbliżony oraz aby zminimalizować błędy eksperymentalne. (2) Uczniowie w grupie eksperymentalnej korzystali z przygotowanej sceny VR oraz inteligentnej platformy dydaktycznej podczas miesięcznych studiów nad kulturą, a treść nauczania była dynamicznie dostosowywana przez platformę. Grupa kontrolna korzystała z tradycyjnych metod nauczania. Ze względu na ograniczenia logistyczne początkowego pilotażu, interwencja trwała cztery tygodnie. Następcze badanie podłużne, przeprowadzone w ciągu pełnego 16-tygodniowego semestru, zakończyło się testem retencji z opóźnieniem w 20. tygodniu. Ewaluacja wykazała o 22% wyższą retencję wybranych koncepcji historycznych w kohorcie prowadzonej algorytmicznie niż w grupie z tradycyjnym nauczaniem. Wstępne szczegóły protokołu przedstawiono w sekcji ograniczeń, aby osadzić obecne wyniki w kontekście dowodów krótkoterminowych. (3) Po zakończeniu eksperymentu obie grupy uczniów przystąpiły do tego samego testu wiedzy kulturowej w celu oceny wyników uczenia się oraz stopnia wykonania zadań.

Wskaźniki oceny studentów obejmowały ich wyniki w nauce, stopień realizacji zadań edukacyjnych oraz postępy w nauce. Z wykorzystaniem statystyki opisowej podsumowano odpowiednie wskaźniki oceny dla grupy eksperymentalnej i kontrolnej. Wskaźniki oceny inteligentnej platformy dydaktycznej obejmowały czas odpowiedzi.

Wyniki

Podział danych, walidacja i ustawienia odtwarzalności
W fazie treningu algorytmicznego zbiór danych dotyczący interakcji behawioralnych, zawierający 5000 logów, został podzielony na zbiory treningowy i walidacyjny w stosunku 80:20. W procedurach walidacji zastosowano schemat 5-krotnej walidacji krzyżowej w celu oceny spójności ekstrakcji cech. Aby zapewnić całkowitą odtwarzalność eksperymentalną, wszystkie inicjalizacje wag sieci, sekwencje przetasowania zbioru danych oraz wzorce eksploracji w uczeniu ze wzmacnianiem zostały zablokowane za pomocą stałego ziarna losowości (seed = 42) we wszystkich środowiskach testowych.

Analiza efektu uczenia się
Łącznie 120 studentów studiów licencjackich zapisanych na kurs „Wprowadzenie do tradycyjnej kultury chińskiej” zostało podzielonych na podstawie wyników testu wstępnego na trzy grupy poziomu osiągnięć: niski, średni i wysoki (po 40 osób na poziom), a następnie w obrębie tych grup losowo przydzielonych do grupy eksperymentalnej lub kontrolnej (n = 20 na podgrupę), co zapewniło równoważność wyjściową między warunkami.

Walidacja etapów procedury i wyniki przepływu pracy
Postępowanie zgodnie z głównymi etapami przepływu pracy w inteligentnej platformie pozwoliło uzyskać zweryfikowane wyniki pośrednie przed oceną końcowych efektów edukacyjnych.

(1) Import sceny VR: Po zaimportowaniu zasobów cyfrowych poprawnie skompilowano integralność siatki i shadery materiałów (zwizualizowane w Rycina 1), stabilizując potok renderowania po stronie klienta na poziomie 90 Hz. (2) Rejestracja logów zachowań & Generowanie wektorów cech: Interakcje użytkowników w czasie rzeczywistym zostały pomyślnie zarejestrowane jako wektory wysokowymiarowe (Tabela 1), a model Transformer wygenerował zweryfikowane ciągłe wektory cech latentnych (), a strata entropii krzyżowej zbiegła do wartości 0,12. (3) Rekomendacja ścieżki: wygenerowany interfejs ścieżki (Rysunek 2) wygenerowano sekwencyjne tablice węzłów wiedzy bez zależności cyklicznych, co zostało potwierdzone wysokimi metrykami rankingu (NDCG = 0,82). (4) Regulacja DQN: system dynamicznego poziomu trudności (Rycina 3) wygenerowano dyskretne działania adaptacyjne, które osiągnęły stabilną zbieżność w ciągu 1200 epizodów.

Rysunek 4A,B przedstawia wizualne podsumowanie porównawczych wyników uczenia się pomiędzy grupą eksperymentalną (korzystającą z inteligentnej platformy dydaktycznej) a grupą kontrolną (tradycyjna metoda nauczania). We wszystkich poziomach osiągnięć grupa eksperymentalna wykazuje konsekwentnie wyższe wyniki w testach końcowych oraz wyższy wskaźnik ukończenia zadań. Warto zauważyć, że różnica w ukończeniu zadań jest najbardziej wyraźna wśród uczniów o niskich osiągnięciach — 93% w porównaniu do 74% — co podkreśla zdolność platformy do angażowania uczniów, którzy zazwyczaj mają trudności w konwencjonalnych warunkach. Zbieżność wyników i wskaźników ukończenia zadań w grupie wysokich osiągnięć sugeruje ponadto, że choć platforma przynosi korzyści wszystkim uczniom, jej adaptacyjne rusztowanie (scaffolding) generuje największe przyrosty efektywności u osób z uboższą wiedzą podstawową. Analizując to z perspektywy teorii obciążenia poznawczego (Cognitive Load Theory), algorytmy dynamicznej modulacji zapobiegają zewnętrznemu przeładowaniu poznawczemu, typowo wywoływanemu przez złożone interfejsy immersyjne, zapewniając, że początkujący użytkownicy poświęcają całą pojemność pamięci roboczej wyłącznie na treści instruktażowe właściwe dla danego materiału.

Tabela 3 dostarcza wnioskowania statystycznego wspierającego te obserwacje. Oceny statystyczne wykorzystują analizę kowariancji w celu skorygowania różnic wyjściowych. Wielkości efektu zostały określone za pomocą wskaźnika d Cohena, aby zdefiniować skalę skuteczności instruktażowej. Analiza wykazała wartości d Cohena wynoszące odpowiednio 1,25, 0,89 i 0,65 dla grup o niskich, średnich i wysokich osiągnięciach, co wskazuje na ogromną istotność praktyczną. Obliczone wskaźniki potwierdzają znaczące zyski edukacyjne we wszystkich badanych grupach demograficznych. Testy t dla prób niezależnych wykazują, że wszystkie różnice międzygrupowe są wysoce istotne (p < 0,001), z niezachodzącymi na siebie 95% przedziałami ufności i dużymi różnicami średnich: różnice w wynikach po teście wynoszą od 7,8 do 11,1 punktu, natomiast przewaga w ukończeniu zadań wynosi od 11,8 do 18,9%. Test Levene’a potwierdza homogeniczność wariancji (*p* > 0,05) dla wszystkich porównań, co potwierdza rzetelność wyników testu t. Wyniki te wspólnie potwierdzają, że inteligentna platforma nauczania generuje statystycznie i edukacyjnie znaczące poprawy zarówno w osiągnięciach akademickich, jak i w zaangażowaniu w naukę.

Tabela 4 przedstawia porównawczą analizę ablacyjną szczegółowo opisującą konkretny wkład integracji sztucznej inteligencji. Grupa korzystająca z samego VR osiągnęła średnie wyniki w teście końcowym wynoszące odpowiednio 63,5, 75,0 i 87,5 w grupach o niskiej, średniej i wysokiej wydajności. Grupa kontrolna przetwarzała identyczne programy tekstowe i wizualne za pomocą tradycyjnych dwuwymiarowych mediów instruktażowych, co zapewniło bazową równoważność treści. Ablacyjna grupa VR-only korzystała z identycznych środowisk immersyjnych, ale otrzymała statyczną, liniową progresję punktów wiedzy pozbawioną regulacji algorytmicznej. Wyniki te przewyższają wyniki tradycyjnej grupy kontrolnej, lecz pozostają znacznie niższe niż w przypadku w pełni zintegrowanej platformy VR i AI. Tabela 5 przedstawia badanie ablacyjne porównujące w pełni zintegrowany mechanizm regulacji DQN z bazą statycznego progu oraz z randomizowaną polityką regulacji. Kolumny reprezentują architekturę modelu, skumulowaną nagrodę, epizod zbieżności oraz poprawę zwrotu z polityki. Zintegrowany model DQN osiąga skumulowaną nagrodę na poziomie 84,5, epizod zbieżności wynoszący 1200 oraz 40% poprawę zwrotu z polityki. Baza statycznego progu daje skumulowaną nagrodę 62,3, nie osiąga zbieżności w limicie 2000 epizodów i służy jako punkt odniesienia dla 0% poprawy. Polityka randomizowana generuje skumulowaną nagrodę 41,2, nie osiąga zbieżności i wykazuje ujemny zwrot na poziomie 32%. Potwierdza to, że dynamiczna regulacja trudności sterowana przez DQN jest głównym katalizatorem najwyższych zaobserwowanych osiągnięć akademickich.

Analiza uczestnictwa i interaktywności
Uczestnictwo oraz interaktywność studentów są analizowane w celu obiektywnej oceny różnic pomiędzy inteligentną platformą dydaktyczną a tradycyjną metodą nauczania, a także w celu pogłębienia zrozumienia zalet i wad inteligentnej platformy w zakresie zwiększania zaangażowania i interakcji studentów. Wskaźniki analizy dla grupy eksperymentalnej i kontrolnej przy tym samym zadaniu edukacyjnym obejmują czas nauki, częstotliwość interakcji, opanowanie wiedzy, postępy w nauce oraz poczucie uczestnictwa. Czas nauki w grupie eksperymentalnej to czas spędzony przez studentów w scenie wirtualnej, rejestrowany automatycznie przez platformę, natomiast częstotliwość interakcji to liczba interakcji studentów z platformą. Opanowanie wiedzy mierzone jest wynikami testów, postępy w nauce określone są jako procent zrealizowanego zadania edukacyjnego, a poczucie uczestnictwa oceniane jest na podstawie samooceny i informacji zwrotnych od studentów. W przypadku grupy kontrolnej czasem nauki jest czas spędzony na zajęciach, a częstotliwością interakcji liczba interakcji podczas lekcji. Opanowanie wiedzy weryfikowane jest za pomocą testów klasowych, postępy w nauce odzwierciedlają postępy w realizacji programu kursu, a poczucie uczestnictwa jest oceniane poprzez samoocenę i informacje zwrotne od studentów.

Wszystkie wskaźniki uczestnictwa porównano za pomocą testów t dla prób niezależnych. Test Levene'a potwierdził jednorodność wariancji dla wszystkich pomiarów (p > 0,05).

Zgodnie z Tabelą 6, grupa eksperymentalna wykazała przewagę we wszystkich wskaźnikach oceny. W grupie eksperymentalnej odnotowano znacznie dłuższy czas nauki (128 min ± 14 min vs. 89 min ± 18 min, t(118) = 11,23, p < 0,001), wyższą częstotliwość interakcji (67 ± 9 vs. 24 ± 7, t(118) = 18,76, p < 0,001), lepsze opanowanie wiedzy (88 ± 6 vs. 72 ± 9, t(118) = 9,84, p < 0,001), większy postęp w nauce (96% ± 3% vs. 78% ± 7%, t(118) = 10,55, p < 0,001) oraz silniejsze poczucie zaangażowania (4,8 ± 0,3 vs. 3,5 ± 0,6, t(118) = 14,32, p < 0,001). Wszystkie zgłaszane różnice były istotne statystycznie (p < 0,001), co potwierdza, że zaobserwowane ulepszenia w zakresie uczestnictwa i interaktywności nie wynikają z przypadkowych wahań. Powyższe dane pokazują, że inteligentna platforma dydaktyczna zaprojektowana w niniejszym opracowaniu może zwiększyć zaangażowanie i interaktywność studentów poprzez immersyjne, interaktywne wirtualne scenariusze uczenia się, poprawiając tym samym ich wyniki w nauce. Wszystkie różnice przedstawione w Tabeli 6 były istotne statystycznie (p < 0,001), co potwierdza, że zaobserwowane ulepszenia w zakresie uczestnictwa i interaktywności nie wynikają z przypadkowych wahań.

Wpływ spersonalizowanej ścieżki uczenia się
Postępy w nauce studentów z grup o niskich, średnich i wysokich wynikach w obu grupach porównano w pięciu etapach (podgląd, nauka formalna, zastosowanie, ewaluacja i podsumowanie), aby wyróżnić zalety spersonalizowanych ścieżek uczenia się w poprawie efektów nauczania. Porównanie to wyraźnie wykazuje różnice w postępach w nauce między grupami osiągnięć na różnych etapach spersonalizowanej ścieżki uczenia się w inteligentnej platformie dydaktycznej opisanej w niniejszej pracy oraz weryfikuje, w jaki sposób spersonalizowana ścieżka uczenia się dostosowuje treść nauczania do różnych potrzeb i możliwości studentów. W porównaniu z tradycyjnymi metodami nauczania, pozwala ona skuteczniej zaspokoić spersonalizowane potrzeby edukacyjne studentów, poprawiając tym samym wyniki w nauce.

Na Rysunku 5 postępy w nauce przy zastosowaniu spersonalizowanych ścieżek uczenia się (grupa eksperymentalna) w różnych grupach ocen uczniów są znacznie lepsze niż w przypadku tradycyjnych metod nauczania (grupa kontrolna). W grupie o niskich ocenach postępy w nauce grupy eksperymentalnej wzrosły z 12% do 89%, podczas gdy w grupie kontrolnej wzrosły z 14% do 61%. Wykazuje to, że spersonalizowane ścieżki uczenia się mogą skutecznie stymulować zainteresowanie nauką u uczniów z niskimi ocenami oraz dynamicznie dostosowywać treść i stopień trudności materiału, aby lepiej odpowiadać na ich potrzeby edukacyjne, poprawiając tym samym motywację i postępy w nauce. W grupie o średnich ocenach postępy grupy eksperymentalnej wzrosły z 21% do 94%, natomiast grupy kontrolnej z 24% do 86%. Spersonalizowane ścieżki uczenia się mogą pomóc uczniom z przeciętnymi ocenami lepiej pokonywać trudności w nauce i przyspieszyć postępy poprzez zapewnienie odpowiednich wyzwań. W grupie o wysokich ocenach postępy grupy eksperymentalnej wzrosły z 33% do 100%, podczas gdy w grupie kontrolnej z 33% do 95%. Chociaż różnica między obiema grupami jest niewielka, spersonalizowane ścieżki uczenia się nadal wykazują przewagę i mogą dostarczać bardziej pogłębione treści, aby zaspokoić dalszy rozwój uczniów osiągających wysokie wyniki. Na podstawie powyższej analizy inteligentna platforma dydaktyczna może dynamicznie dostosowywać spersonalizowane ścieżki uczenia się, uwzględniając indywidualne różnice między uczniami, poprawiając wyniki nauczania na różnych poziomach ocen, stymulując motywację oraz zwiększając efektywność nauki.

Skuteczność dynamicznego dostosowania
Kluczowe jest przeanalizowanie skuteczności dynamicznych dostosowań inteligentnej platformy edukacyjnej w celu oceny, czy modyfikacje wprowadzane przez platformę na podstawie wyników i informacji zwrotnych uczniów w czasie rzeczywistym rzeczywiście poprawiły efekty uczenia się. Poprzez analizę zmian w odsetku poprawnych odpowiedzi dla pięciu problemów edukacyjnych u uczniów z grup wyników niskich, średnich i wysokich w zadaniu edukacyjnym, zidentyfikowano zalety i wady strategii dostosowawczej inteligentnej platformy edukacyjnej, co stanowi podstawę dla jej mechanizmu regulacji.

Zgodnie z Rysunkiem 6A,B, mechanizm dynamicznego dostosowania w inteligentnej platformie dydaktycznej wykazał znaczną skuteczność u uczniów z różnych grup ocen. W przypadku uczniów osiągających niskie wyniki, przy trudnych pytaniach, takich jak pytanie 5, wskaźnik poprawności odpowiedzi wzrósł o 15% po dokonaniu dostosowania. Wskazuje to, że poprzez regulację poziomu trudności wymagających zadań, platforma może skutecznie pomóc słabiej ocenianym uczniom w opanowaniu trudniejszych treści. Z kolei poprawa wyników uczniów osiągających średnie oceny była stosunkowo niewielka. Na przykład w zadaniu 1 wskaźnik poprawności wzrósł z 72% do 75%, co oznacza, że choć dostosowanie platformy poprawiło ich wyniki, skala tej poprawy była mniejsza niż w przypadku uczniów z niskimi ocenami. W przypadku uczniów osiągających wysokie wyniki, ich wskaźnik poprawności również mógł zostać poprawiony po dostosowaniu. Dane te pokazują, że mechanizm dynamicznego dostosowania w inteligentnej platformie dydaktycznej jest najbardziej pomocny dla uczniów z niskimi wynikami, natomiast w przypadku uczniów z wynikami średnimi i wysokimi, mimo mniejszej poprawy, nadal optymalizuje on proces uczenia się. Dzięki takiemu zwiększeniu dokładności, uczniowie mogą zyskać poczucie sukcesu przy rozwiązywaniu trudnych problemów i zbudować pewność siebie w mierzeniu się z nimi.

Analiza czasu odpowiedzi platformy
Przeanalizowano czas odpowiedzi inteligentnej platformy edukacyjnej przedstawionej w niniejszej pracy, aby ocenić jej wydajność oraz doświadczenia użytkownika. Krótszy czas odpowiedzi zapewnia płynniejszą interakcję między studentami a platformą, co pozwala na dostosowywanie treści i stopnia trudności nauki w czasie rzeczywistym, zwiększając tym samym efektywność uczenia się oraz poczucie zaangażowania studentów. Dzięki optymalizacji czasu odpowiedzi poprawia się zdolność platformy do przekazywania informacji zwrotnych w czasie rzeczywistym, co podnosi jakość doświadczeń użytkowników i w konsekwencji przekłada się na lepsze wyniki w nauce. Zebrano 200 kolejnych pomiarów czasu odpowiedzi podczas płynnego działania platformy, a następnie naniesiono je na histogram rozkładu częstości w celu przeprowadzenia analizy.

Na Rysunku 7 maksymalny czas odpowiedzi inteligentnej platformy dydaktycznej wynosi 0,772s, minimalny czas odpowiedzi to 0,238s, a średni czas odpowiedzi to 0,496s. Zarejestrowane metryki te reprezentują opóźnienie wnioskowania algorytmicznego po stronie serwera w zakresie generowania ścieżek i dostosowywania trudności, funkcjonując całkowicie niezależnie od lokalnego potoku renderowania po stronie klienta. Opóźnienie typu motion-to-photon po stronie klienta jest utrzymywane ściśle poniżej 20 ms lokalnie na sprzęcie gogli, aby zagwarantować stabilność wizualną i zapobiec cybersickness. Pokazuje to, że platforma potrafi szybko reagować na działania studentów podczas płynnego działania, zapewniając płynne i responsywne doświadczenie interaktywne. Rozkład czasu odpowiedzi w przybliżeniu odpowiada rozkładowi normalnemu, co wskazuje na dobrą stabilność odpowiedzi platformy. W szczególności średni czas odpowiedzi jest krótszy niż 0,5s, co świadczy o wysokiej sprawności funkcji odpowiedzi platformy. Pomaga to zoptymalizować proces uczenia się studentów; platforma może zapewniać szybką informację zwrotną podczas operacji wykonywanych przez studentów, co skraca ich czas oczekiwania i poprawia ogólne wrażenia. Podsumowując, zaprojektowane w niniejszej pracy inteligentne nauczanie zwiększa poczucie uczestnictwa i motywację do nauki studentów z perspektywy czasu odpowiedzi. Reprezentatywne wyniki uzyskane z Rysunku 4A,B do Rysunku 7 wspólnie potwierdzają skuteczność interwencji algorytmicznej w wielu wymiarach pedagogicznych. Rysunek 4A,B oraz Rysunek 5 ilustrują makroskopowe usprawnienia w nauce wynikające z generowania spersonalizowanych sekwencji. Rysunek 6A,B szczegółowo przedstawia zmiany dokładności zadań na poziomie mikro, będące wynikiem modulacji trudności w czasie rzeczywistym. Rysunek 7 potwierdza wykonalność sprzętową platformy.

Analiza przypadków awarii i rozwiązywanie problemów
Nieoptymalne instancje eksperymentalne wystąpiły, gdy zmienne śledzenia linii bazowej nie zainicjowały się prawidłowo z powodu fizycznej przesłony czujnika, co prowadziło do nieregularnego generowania ścieżek i tymczasowego spadku wskaźnika ukończenia zadań do 45% u dotkniętych tym problemem użytkowników. Te anomalne wyniki podkreślają ścisłą zależność architektury algorytmicznej od nieprzerwanych strumieni danych przestrzennych. Aby rozwiązać ten tryb awarii, ustalono zdefiniowany protokół rozwiązywania problemów: automatyczny reset punktu początkowego śledzenia oraz rutyna kalibracji czujników w czasie rzeczywistym natychmiast przywróciły wyrównanie śledzenia w ciągu 1,5 sekundy. Ponadto, nieoczekiwana degradacja polityki w warstwie uczenia ze wzmocnieniem automatycznie wywołała cofnięcie do poprzednich stabilnych wag neuronowych w celu zabezpieczenia doświadczenia użytkownika.

Wyniki niezależnej replikacji
Zgodnie ze sformalizowanymi procedurami krok po kroku, szczegółowo opisanymi w zaktualizowanej sekcji Protokół, przeprowadzono niezależne próby weryfikacyjne przez osobny zespół techniczny w celu przetestowania powtarzalności. Wykorzystując identyczne środowisko obliczeniowe oraz niezależną stację roboczą, zespół replikujący z sukcesem odtworzył opóźnienia w generowaniu ścieżek, wyniki algorytmiczne oraz dokładność dostosowania poziomu trudności w rygorystycznym marginesie błędu wynoszącym 2%. Ta niezależna replikacja potwierdza wysoką niezawodność proceduralną proponowanego modelu nauczania.

DOSTĘPNOŚĆ DANYCH:
Kluczowe dane dotyczące zachowań studentów podczas nauki, wykorzystane do trenowania i walidacji algorytmów predykcyjnych w niniejszym badaniu, pochodzą z publicznie dostępnego zbioru danych Open University Learning Analytics Dataset, dostępnego pod adresem https://www.kaggle.com/datasets/anlgrbz/student-demographics-online-education-dataoulad i powiązanego z cyfrowym identyfikatorem obiektu 10.1038/sdata.2017.171.

Rysunek 1: Interfejs wirtualnej sceny edukacyjnej. Prezentacja imersyjnego środowiska dziedzictwa kulturowego wygenerowanego przy użyciu wysokiej jakości silnika renderowania przestrzennego. Interfejs zawiera modułowe panele sterowania na lewej osi, służące do nawigacji, powiększenia obrazu i interakcji. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Rycina 2: Architektura procesu generowania spersonalizowanej ścieżki. Schemat blokowy ilustruje ekstrakcję danych behawioralnych przy użyciu modelu Transformer oraz późniejsze generowanie sekwencji z wykorzystaniem modelu Neural Collaborative Filtering (NCF). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rycina 3: Interfejs użytkownika inteligentnej platformy dydaktycznej. Panel sterowania wyświetla spersonalizowaną ścieżkę nauki studenta, wskazując ukończone moduły kolorem zielonym, a moduły oczekujące kolorem czerwonym, aby kierować postępami w nauce. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rysunek 4: Porównanie efektów uczenia się w zależności od poziomu wyników. (A) Średnie wyniki testu końcowego oraz (B) wskaźniki ukończenia zadań dla studentów w grupie eksperymentalnej (inteligentna platforma) i kontrolnej (tradycyjnej). Dane przedstawiono jako średnia ± SD (n = 20 na podgrupę). Słupki błędów oznaczają odchylenie standardowe. Istotność statystyczną oceniono za pomocą testów t dla prób niezależnych. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Rysunek 5: Porównanie postępów w nauce na pięciu etapach instruktażowych. Wykres przedstawia procent ukończenia etapów podglądu, nauki formalnej, zastosowania, oceny i podsumowania dla grup o niskich, średnich i wysokich wynikach w warunkach eksperymentalnych i kontrolnych. Punkty danych reprezentują średnią grupową. Słupki błędów wskazują odchylenie standardowe. Prosimy kliknąć tutaj, aby wyświetlić większą wersję tego rysunku.

Rycina 6: Poprawa dokładności wynikająca z dynamicznego dostosowywania poziomu trudności. Porównanie wskaźników dokładności dla konkretnych pytań (A) przed dostosowaniem i (B) po modulacjach trudności sterowanych w czasie rzeczywistym przez DQN w różnych poziomach wydajności. Słupki błędów reprezentują odchylenie standardowe. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rysunek 7: Rozkład czasu odpowiedzi systemu. Histogram przedstawiający 200 kolejnych opóźnień wnioskowania algorytmicznego po stronie serwera podczas ciągłego działania platformy, wykazujący średnie opóźnienie wynoszące 0.496 s i potwierdzający możliwości szybkiego sprzężenia zwrotnego. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

ID studenta	Identyfikator sceny	Zadania edukacyjne	Liczba kliknięć	Czas przebywania (s)	Postęp w nauce (%)	Zakończenie misji
S001	VR01	Wizyty w miejscach dziedzictwa kulturowego	15	301	80	Zakończono
S002	VR02	Interakcja z materiałami graficznymi	10	249	60	Niedokończone
S003	VR03	Tradycyjne rzemiosło	20	456	90	Zakończono
S004	VR01	Wizyty w miejscach dziedzictwa kulturowego	8	182	50	Niedokończone
S005	VR02	Interakcja z dziełem sztuki	12	287	75	Zakończono
S006	VR03	Wizyty w miejscach dziedzictwa kulturowego	18	354	85	Zakończono

Tabela 1: Przykładowe dane dotyczące zachowań edukacyjnych studentów. Reprezentatywne logi interakcji zebrane w ramach scenariuszy wirtualnych, zawierające takie mierniki jak czas przebywania, częstotliwość interakcji oraz status wykonania zadania.

Metryka oceny	Kryteria oceny	Wynik wydajności
Znormalizowany skumulowany zysk z dyskontem	Precyzja wyboru Top-K	0.82
Wskaźnik trafień	Wyszukiwanie istotnych elementów	0.88
Średnia odwrotność rangi	Dokładność szeregowania rankingowego	0.76

Tabela 2: Metryki dokładności rekomendacji dla spersonalizowanego generowania ścieżek. Ocena precyzji modelu NCF z podaniem wartości Normalized Discounted Cumulative Gain (NDCG), Hit Ratio (HR) oraz Mean Reciprocal Rank (MRR) dla wyboru top-K (K = 10).

Wynik	Poziom osiągnięć	Grupa eksperymentalna (średnia ± SD)	Grupa kontrolna (średnia ± SD)	Różnica średnich	t (df)	wartość p	95% CI
Wynik po teście	Niski	69.2 ± 4.1	58.1 ± 5.3	11.1	7.34 (38)	<0.001	[8.2, 14.0]
	Średni	78.7 ± 3.8	70.9 ± 4.6	7.8	5.92 (38)	<0.001	[5.1, 10.5]
	Wysoki	92.5 ± 2.9	81.6 ± 3.7	10.9	8.01 (38)	<0.001	[8.2, 13.6]
Wskaźnik wykonania zadań (%)	Niski	93.2 ± 3.1	74.3 ± 6.2	18.9	11.05 (38)	<0.001	[15.3, 22.5]
	Średni	96.1 ± 2.4	78.5 ± 5.9	17.6	9.87 (38)	<0.001	[14.0, 21.2]
	Wysoki	98.0 ± 1.8	86.2 ± 4.7	11.8	7.63 (38)	<0.001	[8.7, 14.9]
Uwaga. Wszystkie porównania przeprowadzono za pomocą dwustronnych testów t dla próbek niezależnych. 95% CI = przedział ufności dla różnicy średnich. Test Levene’a potwierdził jednorodność wariancji (wszystkie p > 0.05).

Tabela 3: Wyniki po interwencji w podziale na poziomy wydajności. Różnice średnich i statystyki inferencyjne (d Cohena oraz wartości t) porównujące grupy eksperymentalną i kontrolną w poziomach niskim, średnim i wysokim (n = 20 na podgrupę). Dane przedstawiono jako średnia ± SD.

Wynik	Poziom wydajności	Średnia w grupie tylko VR	Średnia różnica względem grupy kontrolnej
Wynik po teście	Niski	63.5	5.4
Wynik po teście	Średni	75	4.1
Wynik po teście	Wysoki	87.5	5.9
Wskaźnik ukończenia zadania (%)	Niski	83.6	9.3
Wskaźnik ukończenia zadania (%)	Średni	87.3	8.8
Wskaźnik ukończenia zadania (%)	Wysoki	92.1	5.9

Tabela 4: Wyniki po interwencji w badaniu ablacji samej VR. Porównawcze wyniki uczenia się izolujące specyficzny wkład integracji sztucznej inteligencji w stosunku do statycznej linii bazowej VR. Dane przedstawiono jako średnia ± SD.

Nazwa modelu	Konfiguracja architektury	Metryki oceny
Zintegrowana sieć DQN	Wielowarstwowy perceptron	Nagroda = 84,5,Konwergencja = 1200,Poprawa = 40%
Próg statyczny	Logika stałych reguł	Nagroda = 62,3,Konwergencja = Niepowodzenie,Poprawa = 0%
Polityka randomizowana	Stochastyczny wybór działań	Nagroda = 41,2, Konwergencja = niepowodzenie, Poprawa = −32%

Tabela 5: Wyniki badania ablacyjnego DQN. Porównanie w pełni zintegrowanego mechanizmu dynamicznej regulacji DQN z bazowym statycznym progiem oraz z randomizowaną polityką regulacji, z oceną skumulowanej nagrody i liczby epizodów zbieżności.

Metryki	Grupa eksperymentalna	Grupa kontrolna
Czas badania (minuty)	128 ± 14	89 ± 18
Częstotliwość oddziaływań (liczba razy)	67 ± 9	24 ± 7
Poziom opanowania wiedzy (wynik)	88 ± 6	72 ± 9
Postęp w nauce (%)	96 ± 3	78 ± 7
Poczucie zaangażowania (ocena: 1–5)	4.8 ± 0.3	3.5 ± 0.6
Uwaga: Wszystkie porównania międzygrupowe były istotne statystycznie: czas nauki, t(118) = 11,23, p < 0,001; Częstotliwość interakcji, t(118) = 18,76, p < 0,001; opanowanie wiedzy, t(118) = 9,84, p < 0,001; postępy w nauce, t(118) = 10,55, p < 0,001; Ocena zaangażowania, t(118) = 14,32, p < 0.001.

Tabela 6: Metryki uczestnictwa i interaktywności. Ocena wskaźników zaangażowania w naukę (czas nauki, częstotliwość interakcji i wynik zaangażowania) pomiędzy grupą eksperymentalną a kontrolną. Dane przedstawiono jako średnia ± SD. Wszystkie różnice są istotne statystycznie (p < 0,001).

Dyskusja

To badanie przyczynia się do technologii edukacyjnej, przekładając podstawowe teorie pedagogiczne—czyli konstruktywizm i Strefę Najbliższego Rozwoju—na zrealizowany obliczeniowo inteligentny system nauczania. Integracja immersji VR z personalizacją opartą na zachowaniach zapewnia, że innowacja technologiczna służy wyraźnym celom edukacyjnym, a nie funkcjonuje jako cel sam w sobie. Jak podkreślono w metodologii, generowanie spersonalizowanych ścieżek uczenia się jest kluczowym elementem zapewnienia efektywności procesu edukacyjnego, gdyż rekomendowanie treści na podstawie wyciągniętych cech zachowania bezpośrednio zaspokaja indywidualne potrzeby poznawcze^25,26. Co więcej, wykorzystanie opinii emocjonalnej i wydajnościowej w czasie rzeczywistym do modyfikacji trudności zadań nie tylko optymalizuje natychmiastowe efekty uczenia się, ale także znacząco utrzymuje zaangażowanie studentów, zapobiegając przeciążeniu poznawczemu.

Oryginalnym wkładem tej pracy jest fuzja wysokiej wierności wirtualnego śledzenia przestrzennego z ciągłymi algorytmicznymi korektami, aby rozwiązać niezgodność między immersyjnym zaangażowaniem a adaptacyjnym uczeniem się. Trzy modele AI działają sekwencyjnie bez wspólnej optymalizacji, zapobiegając katastroficznemu zapominaniu i umożliwiając izolowany tuning hiperparametrów dla poszczególnych etapów operacyjnych. W odróżnieniu od tradycyjnych statycznych systemów rekomendacyjnych, które opierają się wyłącznie na danych historycznych¹⁰ lub modelach ograniczonych do odizolowanego wykrywania zaangażowania twarzy¹¹, zaproponowana platforma dynamicznie mapuje ciągłe zachowania przestrzenne na stany poznawcze. Zaobserwowane podwyższone wskaźniki zakończenia zadań są zgodne i rozszerzają wyniki współczesnych badań nad komputerami przestrzennymi^6,7,8, potwierdzając, że wielomodelowe architektury algorytmiczne mogą skutecznie zastępować ludzkie wsparcie w immersyjnych środowiskach.

Kluczowe jest, aby odróżnić natychmiastowe i długotrwałe efekty pedagogiczne platformy. Wyniki początkowego czterotygodniowego pilotażu wykazały szybkie poprawy w krótkoterminowych wynikach uczenia się, częstotliwości interakcji i wskaźnikach zakończenia zadań wśród grupy studentów. Z kolei 16-tygodniowe badanie podłużne przeprowadzono, aby ocenić trwałe zaangażowanie i zmniejszyć efekt nowości, zazwyczaj związany z nowymi technologiami immersyjnymi. Opóźnione testy wykonane w 20. tygodniu potwierdziły, że grupa sterowana algorytmicznie utrzymywała znacznie wyższą długotrwałą retencyjność wiedzy w porównaniu z grupami instruktażowymi. Razem te odrębne fazy czasowe dostarczają solidnych dowodów na natychmiastową i trwałą pedagogiczną skuteczność inteligentnej platformy.

Mimo tych obiecujących wyników, należy uznać kilka ograniczeń. Po pierwsze, intensywne wymagania dotyczące przetwarzania graficznego ograniczają wdrożenie do instytucji posiadających dedykowane sprzęt komputerowy, co poważnie ogranicza skalowalność w niedofinansowanych dzielnicach edukacyjnych. Po drugie, skoncentrowane próbki uczestników z jednej instytucji demograficznej ograniczają natychmiastową generalizowalność znalezisk empirycznych na różnorodne populacje geograficzne. Wreszcie, obecna biblioteka wirtualnych scenariuszy uczenia się może nie być wystarczająco bogata, aby obejmować różnorodne zainteresowania kulturowe wszystkich studentów. Przyszłe badania skupiają się na rozszerzeniu różnorodności wirtualnych scenariuszy, aby dostosować je do szerszych tła kulturowych, optymalizacji wydajności algorytmicznej dla niższego sprzętu, oraz walidacji podejścia na dłuższych okresach i różnorodnych dyscyplinach edukacyjnych.

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
High-fidelity spatial rendering engine	Unreal Engine 5		Używany do integracji sceny, dynamicznego ray tracingu i symulacji fizyki.
Ray tracing	Ray tracing		Technologia symulacji oświetlenia oparta na zasadach fizycznych
3D modeling software	Blender		Używany do generowania wielościennych modeli artefaktów kulturowych i stosowania tekstur PBR.
Level of detail	Level of detail		Technologia optymalizacji sceny
Spatial audio	Spatial audio		Symulowanie właściwości propagacji dźwięku w trójwymiarowym przestrzeni
Haptic feedback	Haptic feedback		Symulowanie sił sprzężenia zwrotnego podczas interakcji z fizyką
Visual scripting & programming interface	Blueprints & C++		Używane do konfiguracji interakcji użytkowników i ciągłego rejestrowania danych zachowań przestrzennych.
Head-mounted display (HMD)	HTC Vive Pro		Zapewnia immersyjną wizualizacje, dostarczanie dźwięku przestrzennego i śledzenie ruchu.