Métodos de Ensino Inteligentes Integrando Realidade Virtual e Algoritmos de Big Data para Aprimorar Plataformas Tradicionais de Educação Cultural

Resumo

Este estudo detalha um fluxo de trabalho reproduzível para extrair características comportamentais e implantar caminhos educacionais ajustados dinamicamente em ambientes virtuais. Os procedimentos apresentados permitem que educadores desenvolvam currículos adaptativos de realidade virtual e implementem rastreamento comportamental em tempo real.

Resumo

Os ambientes convencionais de ensino atuais apresentam elementos interativos limitados, resultando em métricas de engajamento limitadas entre as populações de graduação que estudam patrimônio cultural. Para resolver essas questões, foi desenvolvida uma plataforma inteligente de ensino, integrando um motor de renderização espacial de alta fidelidade em ambientes de realidade virtual com uma arquitetura algorítmica multimodelo. Dentro dessa plataforma, os modelos Transformer e Neural Collaborative Filtering (NCF) processam dados comportamentais para gerar caminhos de aprendizagem personalizados, enquanto uma Deep Q-Network (DQN) ajusta dinamicamente a dificuldade do conteúdo com base no feedback em tempo real. Essa estrutura adaptativa reflete princípios de aprendizagem construtivista, nos quais o conhecimento é ativamente construído por meio da interação com ambientes contextualizados e responsivos, em vez de recebido passivamente por meio de instrução estática. A novidade dessa pesquisa está em integrar um motor de renderização espacial com uma arquitetura algorítmica multimodelo para estabelecer um mecanismo de adaptação comportamental em tempo real. Os resultados experimentais mostram que o grupo experimental que utiliza a plataforma de ensino inteligente proposta possui pontuações de aprendizagem mais altas (grupos baixo/médio/alto são 69/79/93 pontos, respectivamente) e uma taxa de conclusão de tarefas de aprendizagem maior (93%/96%/98%) do que o grupo controle que utiliza o modelo tradicional de ensino. O design da plataforma de ensino inteligente oferece forte interatividade, proporciona caminhos de aprendizagem personalizados para alunos com diversas diferenças individuais e se ajusta dinamicamente durante o processo de aprendizagem. A análise do tempo de resposta indica uma latência média de 0,496 s, garantindo um feedback rápido nas interações. Em última análise, a plataforma proposta demonstra que combinar VR imersiva com algoritmos adaptativos ao comportamento melhora efetivamente tanto o desempenho acadêmico quanto o engajamento em tarefas dos estudantes de graduação na educação cultural tradicional.

Introdução

A educação cultural tradicional desempenha um papel vital na herança e no desenvolvimento da cultura. No entanto, o modelo tradicional atual de educação cultural depende principalmente de formas estáticas como livros didáticos, imagens e vídeos, carecendo de interatividade e imersão, dificultando que os alunos realmente compreendam e experimentem o encanto da cultura. Além disso, os métodos tradicionais de ensino frequentemente adotam um currículo unificado, que não considera totalmente os interesses, habilidades cognitivas e estilos de aprendizagem dos alunos, resultando em baixa eficiência de aprendizagem e dificuldade em estimular o entusiasmo dos alunos pela aprendizagem. Essa limitação está alinhada com a teoria da Zona de Desenvolvimento Proximal (ZDP) de Vygotsky, que enfatiza que a instrução eficaz deve ser adaptada aos níveis cognitivos atuais dos aprendizes e estruturada de acordo com suas trajetórias individuais de desenvolvimento. A literatura existente depende de entradas de dados estáticas para modelagem pedagógica. A integração do rastreamento comportamental espacial contínuo com aprendizado profundo por reforço permanece inexplorada. O mecanismo proposto funde interações multissensoriais com reajuste algorítmico para preencher a lacuna entre caminhos instrucionais fixos e adaptação dinâmica contextual. A plataforma proposta operacionaliza esse princípio ao ajustar dinamicamente a dificuldade do conteúdo e o sequenciamento com base em indicadores comportamentais em tempo real, incorporando assim a teoria pedagógica ao design algorítmico. Os mecanismos de adaptação algorítmica substituem efetivamente a estrutura humana normalmente fornecida por pares mais capazes. Essa modulação contínua da dificuldade da tarefa está alinhada com a Teoria da Carga Cognitiva (CLT), prevenindo sobrecarga cognitiva em aprendizes iniciantes e mantendo o engajamento dentro da zona de desenvolvimento ideal.

Com o desenvolvimento de realidade virtual (VR) e algoritmos de dados, aplicá-los à educação cultural tradicional proporciona aos alunos uma experiência de aprendizagem mais imersiva e ^interativa 1,2,3,4. Revisões sistemáticas abrangentes de aplicações de realidade virtual imersiva no ensino superior enfatizam ainda mais a importância de alinhar elementos de design com objetivos pedagógicos^{específicos 5}.

Muitos estudos tentaram aplicar a tecnologia de RV à educação cultural. Hulusic et ^al.6 projetaram e desenvolveram um museu virtual escolar, incluindo uma interface de usuário tangível. Por meio de pesquisas participativas dos usuários, foi constatado que o museu é bem projetado e bem desenvolvido, e tem potencial para ser usado como ferramenta de aprendizado e educação em museus, escolas ou de forma independente. Em resposta ao problema da interatividade insuficiente em ambientes de ensino a distância, Mubarok et ^al.7 desenvolveram um método colaborativo de mapeamento de argumentos baseado na VR para enfrentá-lo. Experimentos mostraram que esse método melhora melhor a expressão oral dos alunos em inglês do que métodos colaborativos de mapeamento argumentativo que não são baseados em VR. Sun et ^al.8 propuseram uma estratégia de design para um sistema imersivo de VR que combina interação multimodal, gamificação e narrativa para exibir e desenvolver o patrimônio cultural digital. Eles desenvolveram um sistema de realidade virtual imersiva que restaurou os murais de Dunhuang, proporcionando aos usuários uma experiência de aprendizado, interativa e divertida. No entanto, esses estudos ainda enfrentam alguns problemas, como fraca interatividade em cenas de VR, taxas lentas de atualização para conteúdos de aprendizagem e baixa adaptabilidade dos algoritmos personalizados de recomendação, que tornam impossível atender com precisão às necessidades de aprendizagem de diferentes alunos. Além disso, alguns estudos não conseguiram integrar efetivamente o aprendizado profundo e o aprendizado por reforço, limitando as capacidades de ajuste em tempo real das recomendações personalizadas.

Avanços recentes em inteligência artificial impulsionaram tecnologias educacionais. Pesquisas introduzem sistemas adaptativos que aproveitam o aprendizado profundo para reconhecimento de padrões no comportamento do usuário. Metodologias que empregam algoritmos de rastreamento cognitivo mapeiam estados dinâmicos de aquisição de conhecimento. A otimização estrutural em redes neurais eleva a precisão das recomendações dentro de frameworks de aprendizagem inteligente. Agentes inteligentes que integram variáveis ambientais complexas aprimoram respostas instrucionais automatizadas. Essas metodologias dependem de fluxos de dados isolados e análise histórica estática. A plataforma proposta aborda essa limitação fundindo dados de interação espacial com reajustes algorítmicos contínuos para garantir adaptação contextual em tempo real.

Investigações empíricas recentes confirmam que algoritmos de aprendizado profundo melhoram significativamente a precisão preditiva na modelagem de desempenho dos alunos. Ouatik et ^al.9 implementaram um sistema para prever o sucesso e o fracasso acadêmico dos alunos. Eles usaram informações pessoais dos alunos, avaliações acadêmicas e outros dados, além de métodos de inteligência artificial e mineração de dados educacionais para prever o sucesso acadêmico dos alunos. Para resolver o problema do processamento de dados, a tecnologia de big data (BD) foi usada para distribuir o processamento, reduzindo o tempo de computação sem sacrificar a eficiência algorítmica. O Bhaskaran¹⁰ desenvolveu um recomendador de espaço vetorial aprimorado para resolver problemas nos sistemas atuais de recomendação de aprendizagem. Ele acompanha automaticamente os interesses, necessidades e níveis de conhecimento dos aprendizes. Ele classifica e extrai os estilos de aprendizado dos aprendizes do servidor, depois utiliza um algoritmo de filtragem colaborativa aprimorado para calcular semelhanças e produzir uma lista de recomendações melhor. Gupta¹¹ propôs um método baseado em aprendizado profundo que utiliza expressões faciais para detectar o engajamento em tempo real dos alunos online, classifica suas emoções ao longo do processo de aprendizagem analisando as etiquetas faciais dos alunos e ajusta o status de aprendizagem dos alunos com base nos resultados da detecção. No entanto, esses métodos ainda têm certas limitações.

Embora as soluções educacionais existentes em VR ofereçam uma experiência imersiva, elas carecem de capacidades de ajuste dinâmico. Os caminhos de aprendizagem dos alunos frequentemente são fixos, e o conteúdo e a dificuldade não podem ser otimizados em tempo real com base no progresso pessoal e no feedback, resultando em falta de participação. Ao mesmo tempo, algoritmos tradicionais de recomendação personalizada dependem principalmente de dados históricos ou simples tags de interesse e falham em integrar dados multidimensionais, como comportamento de aprendizagem dos alunos, status cognitivo e feedback emocional, para uma análise precisa. A falta de compreensão aprofundada dos processos de aprendizagem dos alunos impede que o sistema de recomendação aborde efetivamente as diferenças individuais, resultando em uma experiência de aprendizagem subótima e resultados subótimos.

Portanto, para enfrentar os problemas de imersão insuficiente e falta de personalização na educação cultural tradicional, é proposta uma plataforma de ensino inteligente. Essa metodologia é diretamente aplicável a cursos de graduação em humanidades que exigem visualização espacial e métricas de ritmo individualizadas. Motores avançados de renderização espacial e tecnologias relacionadas de computação espacial são utilizados para desenvolver cenas de aprendizagem virtual. Ambientes virtuais de aprendizagem concedem autonomia aos alunos para selecionar módulos culturais específicos. O modelo Transformer baseado em atenção neural processa logs de interação com carimbo de tempo para gerar uma representação compacta dos padrões comportamentais. Com base na extração das características comportamentais de aprendizagem dos alunos, o modelo de Filtragem Colaborativa Neural (NCF) é usado para explorar ainda mais os interesses de aprendizagem dos alunos e produzir caminhos de aprendizagem personalizados. O modelo Deep Q-Network (DQN) coleta o feedback em tempo real dos alunos e ajusta dinamicamente o caminho de aprendizagem para otimizar a experiência e o efeito de aprendizagem dos alunos.

Quanto à implantação prática, a plataforma proposta oferece vantagens específicas, mas não é aplicável universalmente. É altamente adequado para instituições educacionais equipadas com hardware computacional dedicado, composto por unidades de processamento gráfico discretas e equipamentos imersivos de visualização espacial, e para currículos que se beneficiam significativamente da visualização espacial em arquitetura e arqueologia do patrimônio cultural. Nesses contextos, o acompanhamento comportamental dinâmico aborda efetivamente as diferenças individuais de ritmo. Por outro lado, esse método atualmente não é adequado para ambientes educacionais com recursos insuficientes e que carecem da infraestrutura tecnológica necessária. Além disso, não é recomendado para cursos altamente abstratos e centrados em texto, onde a imersão tridimensional oferece valor pedagógico negligenciável em comparação com métodos instrucionais tradicionais.

Protocolo

O comitê de ética institucional da Universidade de Comércio Internacional e Comércio de Shaanxi validou o protocolo de pesquisa sob a referência 2025-04A. Foi obtido consentimento informado documentado de todos os participantes antes do início do procedimento, garantindo que todos os participantes humanos estivessem cientes dos protocolos de rastreamento comportamental e anonimização de dados. (Nota: Justificativas pedagógicas sobre os algoritmos foram realocadas para a seção de Discussão para manter a concisão operacional.)

Passo 1: Construção de cenas em realidade virtual

Integração de ativos
A modelagem digital de elementos culturais foi executada usando um software genérico de modelagem 3D (veja a Tabela de Materiais para softwares específicos usados) para construir ambientes de aprendizagem^{imersiva 12,13}. Ativos digitais foram gerados, texturas de renderização baseadas fisicamente foram atribuídas e importadas para um motor de renderização espacial de alta fidelidade (Table of Materials) sem o uso de técnicas de imagem^{microscópica 14,15}.

Configuração de renderização e física
A tecnologia de ray tracing por hardware foi habilitada dentro do motor de renderização para otimizar a iluminação dinâmica^16,17:

(1)

P representa a intensidade da luz na cena. L representa a posição da fonte de luz. I_L denota a intensidade da fonte de luz, e N representa o vetor normal da superfície do objeto virtual.

O motor de física simulava a dinâmica de objetos por meio de uma interface de programação orientada a objetos (C++). A fórmula de reação utilizada foi:

(2)

F representa a força de reação dinâmica, m é a massa do objeto virtual, v denota sua velocidade, e t representa o tempo.

Para garantir a suavidade, a tecnologia de Nível de Detalhe (LOD) foi usada para otimizar a cena, o que reduziu cálculos desnecessários e melhorou a eficiência de renderização ao ajustar dinamicamente o nível de detalhe do modelo^18,19. A aceleração da GPU era usada para processamento de imagem:

(3)

R representa o coeficiente de reflexão, M representa o mapa de superfície e C representa a cor final renderizada.

Implementação de interação
As interações do usuário foram configuradas utilizando a interface de script visual baseada em nós nativa do motor de renderização espacial. Utilizando tecnologia de áudio espacial, o som foi simulado no espaço para que os alunos possam ouvir diferentes efeitos sonoros em diferentes posições. Além disso, por meio da tecnologia de feedback tátil, os alunos poderiam receber respostas físicas ao toque físico correspondente na cena^{virtual 20}:

(4)

F_t representa a força do feedback tátil, e k representa o coeficiente de rigidez.

Visão geral do implantação e equipamentos
O ambiente foi compilado em um hardware dedicado de computação espacial equipado com uma unidade central de processamento de vinte e quatro núcleos, sessenta e quatro gigabytes de memória de acesso aleatório e uma unidade dedicada de processamento gráfico de vinte e quatro gigabytes. As cenas virtuais foram implementadas em displays imersivos padrão de visualização espacial, conforme detalhado na Tabela de Materiais, com resolução de 1440 x 1600 pixels por olho e taxa de atualização de 90 Hz, garantindo estabilidade visual ideal e minimizando a latência entre movimento e fóton. Os limites espaciais foram configurados para limitar as sessões a 45 minutos para mitigar o enjoo de movimento induzido visualmente.

A Tabela de Materiais resume as tecnologias específicas utilizadas. Todo o hardware designado e componentes de computação eram equipamentos comerciais padrão prontos para a loja e não dependiam de um único fornecedor proprietário. O motor de renderização espacial e o ray tracing forneceram iluminação dinâmica, enquanto o software de modelagem 3D reproduziu locais históricos. A Figura 1 forneceu um exemplo da cena de aprendizado virtual, detalhando o painel de controle modular para ampliação visual, modulação de áudio e movimento.

Checkpoint 1: Um ambiente VR totalmente renderizado operando em uma taxa de atualização estável de 90 Hz, minimizando a latência movimento-fóton para garantir estabilidade visual.

Passo 2: Extração de Dados de Comportamento (Transformer)
Registro de dados
Os dados de comportamento de aprendizagem dos alunos incluíam interações com cenas de VR, incluindo contagem de cliques, tempo gasto, progresso de aprendizagem e conclusão de tarefas. A Tabela 1 apresenta os dados das atividades de aprendizagem para alunos em diferentes cenários de VR. Para essa informação interativa, foi usada uma representação em série temporal na plataforma:

(5)

s_τ representa o comportamento do aluno no tempo t, e T é o tempo total. Cada comportamento forma um vetor de alta dimensão:

(6)

f_i representa o valor específico da característica na dimensão i, e d indica o número total de dimensões da característica.

Modelagem de Sequências
O modelo Transformer foi usado para a modelagem de séries^{temporais 21,22}. Usando o mecanismo de autoatenção, as características comportamentais foram extraídas calculando as correlações entre os comportamentos dos alunos. Assumindo que a matriz de incorporação da sequência de dados do comportamento de aprendizagem do aluno é X, a consulta (Q), a chave (K) e o valor (V). As matrizes foram geradas inicialmente multiplicando por matrizes de pesos treináveis W^Q, W^K e W^V:

(7)

Cálculo de Atenção
A autoatenção dentro do Transformer foi calculada^{como 23,24}:

(8)

Entre eles, d_k representa a dimensão dos principais vetores, que foi utilizada como um fator de escala para evitar o desaparecimento de gradientes. Após o cálculo da fórmula (8), o peso de atenção foi calculado para medir a correlação entre os comportamentos de aprendizagem:

(9)

E_ij representa a pontuação bruta de atenção e energia entre os comportamentos de aprendizagem. A soma ponderada desses pesos foi usada para obter o vetor de contexto no momento atual, que é o vetor de características potencial do estudante:

(10)

Ponto de Controle 2: O modelo Transformer gera vetores de características latentes contínuos (c_t). Em um conjunto de dados de validação sequestrado com 5000 logs de interação, o modelo alcançou uma precisão de previsão de sequências de 89,4%, com a perda de entropia cruzada convergindo para 0,12 após 50 épocas.

Passo 3: Geração Personalizada de Caminhos de Aprendizagem (NCF)
Fusão de Características
O modelo NCF foi incorporado para explorar os interesses e necessidades potenciais dos alunos e gerou caminhos de aprendizagem personalizados^{25, 26, 27, 28}. No NCF, um vetor de características v_k foi atribuído a cada ponto de conhecimento cultural, e o vetor potencial de característica v u extraído pelo Transformer e o vetor de ponto de conhecimento v_k foram concatenados para formar um novo vetor conjunto de características:

(11)

Arquitetura de Rede e Hiperparâmetros:
O vetor de características conjuntas foi inserido no perceptrônio multicamada (MLP) no NCF para processamento^29,30. O perceptron multicamadas utilizava uma arquitetura predeterminada com três camadas ocultas de 64, 32 e 16 neurônios, respectivamente. A taxa de aprendizado foi definida para 0,001, com um lote de 256. Após a transformação não linear de várias camadas ocultas no MLP, o valor previsto do interesse dos alunos em pontos de conhecimento foi o resultado:

(12)

W₁, W₂, ... , W_L representam as matrizes de pesos de múltiplas camadas ocultas. σ denota a função de ativação não linear, e b₁, b₂, ... , b_L representam os termos de viés das respectivas camadas ocultas. Quanto maior o valor de previsão de juros de saída, maior o interesse do estudante nesse ponto de conhecimento.

Treinamento em Modelos
A rede foi otimizada usando o solucionador Adam (taxa de decaimento 0,01, taxa de aprendizado 0,001, tamanho de lote 256). O erro quadrático médio (MSE) serve como função de perda^31,32:

(13)

U, k representam o índice do vetor de comportamento do aluno e do vetor de pontos de conhecimento. Ao minimizar a função de perda, o modelo atualiza continuamente os vetores potenciais de características para os alunos e pontos de conhecimento para melhorar a precisão das previsões. O algoritmo de retropropagação foi usado durante o processo de treinamento para atualizar a matriz de pesos no modelo^33,34.

Saída de Caminho
A abordagem específica foi ordenar pelos valores de interesse previstos e recomendar os k pontos de conhecimento com os maiores valores de interesse aos alunos:

(14)

K_k representam os k pontos de conhecimento que mais interessam aos alunos. Esses pontos de conhecimento recomendados não apenas atendem aos interesses de aprendizagem dos alunos, mas também os ajudam a aprender de forma eficaz, em um nível de progresso e dificuldade que lhes convém.

A Figura 2 visualiza esse processo de geração.

Ponto de controle 3: O modelo NCF gera um array de sequência não cíclico. Como detalhado na Tabela 2, a precisão de recomendação avaliada na seleção top-K resultou em um ganho cumulativo descontado normalizado (NDCG) de 0,82 e uma razão de acerto de 0,88 em K = 10. A métrica média recíproca de classificação estabilizou em 0,76.

Passo 4: Ajuste dinâmico da dificuldade (DQN)
Definição de estado e ação
Ao introduzir o DQN e usar o feedback em tempo real dos alunos para ajustar dinamicamente o conteúdo e a dificuldade de aprendizagem, os efeitos de aprendizagem dos alunos são^{otimizados 35,36}. O espaço de estados do modelo DQN consiste em múltiplos fatores:

(15)

Entre eles, t_s representa o tempo que os alunos passam na tarefa de aprendizagem atual, c_p representa as escolhas dos alunos no caminho de aprendizagem (capítulos ou pontos de conhecimento selecionados), m_c representa a conclusão da tarefa de aprendizagem atual pelos alunos, e _{e f} representa o feedback emocional dos alunos (o grau de preferência e participação em determinada tarefa de aprendizagem).

Cálculo de Recompensa
O agente de aprendizado por reforço utilizava uma arquitetura perceptron multicamadas composta por duas camadas ocultas de 128 e 64 neurônios (estratégia de exploração gulosa por epsilon que decai de 1.0 para 0.05). Primeiro, o valor da recompensa correspondente a cada ação de aprendizagem foi calculado:

(16)

Entre eles, ω é um hiperparâmetro de peso que controla o desempenho e a participação na aprendizagem. _{A tarefa} P representa o desempenho do aluno na tarefa de aprendizagem atual, e a_parte E representa a participação do aluno no processo de aprendizagem atual.

Atualização do valor Q e seleção de ações
Após obter o valor da recompensa, o modelo atualizou o valor Q para selecionar a ação ótima:

(17)

α representa a taxa de aprendizado que controla o tamanho do passo de atualização e γ O fator de desconto determina a importância das recompensas futuras.

A plataforma selecionou a ação de ajuste ótima:

(18)

é a ação de ajuste ótima selecionada pela plataforma com base no status de aprendizagem do aluno no tempo t.

O ajuste foi executado seguindo estes protocolos: (1) A dificuldade foi aumentada para alta capacidade de aprendizagem; (2) Dicas foram fornecidas/dificuldade reduzida por baixo desempenho; (3) O conteúdo foi alterado com base em mudanças de interesse; (4) Parâmetros foram mantidos para desempenho balanceado.

Ponto de Controle 4: O agente DQN calculava ações ótimas (A_t) para sustentar o engajamento. A métrica composta de feedback emocional (e_f) manteve um coeficiente de confiabilidade alfa de Cronbach de 0,85 durante os testes.

Exibição da interface da plataforma
A Figura 3 mostra a interface da plataforma de ensino inteligente projetada neste artigo, que suporta a geração de caminhos personalizada. Nessa interface, os alunos podiam ver seu caminho de aprendizagem personalizado e aprender com ele. A parte concluída do caminho de aprendizado podia ser marcada em verde, e a parte inacabada em vermelho. Os alunos podiam ver seu progresso de aprendizagem ao longo do caminho e avançar para o próximo passo de acordo. Pesquisas pós-interação usando a Escala de Usabilidade do Sistema padrão foram aplicadas à coorte experimental. A análise resultou em uma pontuação média de usabilidade de 84,5 de 100, indicando que a ergonomia e a clareza da navegação da interface eram altamente aceitáveis.

Desenho experimental
Os participantes foram 120 estudantes de graduação (62 mulheres, 58 homens; idade média 19,3 anos ± 1,1 ano) matriculados em um curso obrigatório de "Introdução à Cultura Tradicional Chinesa" na Universidade de Comércio Internacional e Comércio de Shaanxi. Nenhum deles tinha experiência prévia com aprendizado baseado em VR. Os alunos foram pareados por escores pré-teste e designados aleatoriamente em pares para condições experimentais ou de controle usando uma sequência gerada por computador, garantindo equivalência de base.

O design desse experimento foi para verificar a eficácia da plataforma inteligente de ensino projetada para melhorar o interesse de aprendizagem dos alunos, o desempenho acadêmico e a educação personalizada.

O grupo experimental e o grupo controle foram estabelecidos no experimento, e a seleção dos alunos seguiu os seguintes princípios: (1) Isso garantiu que os alunos do grupo experimental e do grupo controle tivessem semelhanças em conhecimentos básicos, capacidade de aprendizagem, interesses, etc. (2) Estudantes que estudam cultura tradicional e possuem anos semelhantes podiam ser selecionados para garantir a uniformidade do conteúdo da educação cultural e a comparabilidade do experimento. (3) As diferenças individuais dos alunos poderiam ser levadas em conta para garantir que o grupo experimental pudesse fazer pleno uso da função de ajuste personalizado da plataforma de ensino inteligente.

Após selecionar os alunos, eles são agrupados, e alunos com desempenho acadêmico, interesses e antecedentes semelhantes são designados para os grupos experimental e controle, respectivamente, para garantir a correspondência entre múltiplas dimensões e melhorar a confiabilidade do experimento.

Ao comparar o desempenho dos grupos experimental e controle, foi avaliado o impacto da plataforma projetada neste artigo sobre os alunos. Para isolar a contribuição pedagógica dos algoritmos de inteligência artificial, o estudo apresentou três coortes distintas: um grupo controle tradicional usando métodos padrão em sala de aula, um grupo apenas VR interagindo com ambientes virtuais fixos sem algoritmos adaptativos, e um grupo experimental usando a plataforma inteligente de ensino totalmente integrada. Os alunos do grupo experimental podiam aprender em uma cena de VR, e cada aluno podia gerar caminhos de aprendizagem personalizados com base em suas características de comportamento de aprendizagem por meio da plataforma de ensino inteligente, ajustando dinamicamente o conteúdo e a dificuldade de aprendizagem em resposta ao feedback em tempo real durante o processo de aprendizagem. O grupo controle recebeu educação cultural por meio de métodos tradicionais de ensino, como explicações em sala de aula, leitura de livros didáticos e vídeos. O grupo controle recebeu educação cultural padronizada por meio de palestras conduzidas por instrutores, leituras designadas e apresentações multimídia lineares. Essa instrução básica usava conteúdo informativo idêntico e mantinha o mesmo ritmo temporal do currículo experimental.

Três hipóteses foram elaboradas para esclarecer o propósito do estudo: (1) O ambiente de aprendizagem imersivo proporcionado pela tecnologia de RV pode melhorar significativamente a participação e o interesse dos alunos na aprendizagem. (2) A produção do caminho de aprendizagem personalizado da Transformer e da NCF melhorou efetivamente o desempenho acadêmico dos alunos e reduziu as diferenças no domínio do conhecimento entre os diferentes alunos. (3) A plataforma de ensino inteligente poderia ajustar dinamicamente o conteúdo e a dificuldade de aprendizagem com base no feedback em tempo real dos alunos, melhorando ainda mais os resultados de aprendizagem dos alunos.

Processo experimental: (1) Foi realizado um teste pré-experimental de conhecimento cultural em estudantes dos grupos experimental e controle para garantir que os níveis culturais iniciais dos dois grupos fossem semelhantes e para reduzir erros experimentais. (2) Os alunos do grupo experimental usaram a cena de VR construída e a plataforma de ensino inteligente, realizaram um estudo cultural de um mês, e o conteúdo de aprendizagem foi ajustado dinamicamente de acordo com a plataforma de ensino inteligente. O grupo controle utilizou métodos tradicionais de ensino. Devido às limitações logísticas do piloto inicial, a intervenção durou quatro semanas. Um estudo longitudinal de acompanhamento realizado durante um semestre completo de 16 semanas culminou em um teste de retenção atrasado na semana 20. A avaliação demonstrou uma retenção 22% maior de conceitos históricos-alvo na coorte orientada algoritmicamente do que no grupo tradicional de instrução. Detalhes preliminares do protocolo foram fornecidos na seção de limitações para contextualizar os achados atuais como evidências de curto prazo. (3) Após o experimento, os dois grupos de alunos receberam o mesmo teste de conhecimento cultural para avaliar seu desempenho na aprendizagem e a conclusão das tarefas.

Os indicadores de avaliação para os alunos incluíram desempenho acadêmico, conclusão das tarefas de aprendizagem e progresso da aprendizagem. Utilizando estatísticas descritivas, os indicadores de avaliação relevantes para os grupos experimental e controle foram resumidos. Os indicadores de avaliação da plataforma de ensino inteligente incluíram o tempo de resposta.

Resultados

Divisões de dados, validação e configurações de reprodutibilidade
Para a fase de treinamento algorítmico, o conjunto de dados de interação comportamental, contendo 5.000 logs, foi dividido em conjuntos de treinamento e validação 80:20. Os procedimentos de validação utilizaram um esquema de validação cruzada de 5 partes para avaliar a consistência da extração de características. Para garantir reprodutibilidade experimental absoluta, todas as inicializações de peso da rede, sequências de embaralhamento de conjuntos de dados e padrões de exploração de aprendizado por reforço foram bloqueados usando uma semente aleatória fixa (semente = 42) em todos os ambientes de teste.

Análise do efeito do aprendizado
Um total de 120 estudantes de graduação matriculados em "Introdução à Cultura Tradicional Chinesa" foram estratificados por notas pré-testes em níveis de desempenho baixo, médio e alto (40 por nível) e designados aleatoriamente dentro dos estratos para grupos experimentais ou controle (n = 20 por subgrupo), garantindo equivalência de base entre condições.

Validação de estágio procedural e saídas de workflow
A progressão pelas principais etapas do fluxo de trabalho da plataforma inteligente gerou resultados intermediários verificados antes de avaliar os resultados educacionais finais.

(1) Importação de Cena VR: Ao importar ativos digitais, integridade da malha e shaders de material compilados com sucesso (visualizado na Figura 1), estabilizando o pipeline de renderização do lado do cliente a 90 Hz. (2) Captura de Logs de Comportamento e Geração de Vetores de Características: Interações em tempo real do usuário foram registradas com sucesso como vetores de alta dimensão (Tabela 1), e o modelo Transformer gerou vetores de características latentes contínuas verificados () com a perda de entropia cruzada convergindo para 0,12. (3) Recomendação de Caminho: A interface de caminho gerada (Figura 2) gerou arrays de nós de conhecimento sequenciais sem dependências cíclicas, validadas por métricas de alta ordem de classificação (NDCG = 0,82). (4) Ajuste DQN: O sistema de dificuldade dinâmica (Figura 3) produziu ações de adaptação discretas, convergindo robustamente em 1.200 episódios.

A Figura 4A,B resume visualmente os resultados comparativos de aprendizagem entre o grupo experimental (usando a plataforma de ensino inteligente) e o grupo controle (instrução tradicional). Em todos os níveis de desempenho, o grupo experimental demonstra pontuações pós-teste e taxas de conclusão de tarefa consistentemente mais altas. Notavelmente, a diferença na conclusão de tarefas é mais pronunciada entre os alunos de baixo desempenho — 93% contra 74% — destacando a capacidade da plataforma de engajar aprendizes que normalmente têm dificuldades em ambientes convencionais. A convergência de pontuações e taxas de conclusão no grupo de alto nível sugere ainda que, embora a plataforma beneficie todos os aprendizes, sua estrutura adaptativa gera os maiores ganhos marginais para aqueles com conhecimento fundamental mais fraco. Vistos sob a ótica da Teoria da Carga Cognitiva, os algoritmos de modulação dinâmica evitam a sobrecarga cognitiva supérflua tipicamente induzida por interfaces imersivas complexas, garantindo que usuários iniciantes dediquem toda a capacidade de memória de trabalho exclusivamente a materiais instrucionais intrínsecos.

A Tabela 3 fornece suporte estatístico inferencial para essas observações. Avaliações estatísticas utilizam análise de covariância para controlar as variações de base. Os tamanhos dos efeitos são quantificados usando a métrica d de Cohen para determinar a magnitude da eficácia instrucional. A análise resultou nos valores d de Cohen de 1,25, 0,89 e 0,65 para os níveis de baixo, médio e alto desempenho, respectivamente, indicando uma enorme importância prática. As métricas computadas confirmam ganhos instrucionais substanciais em todos os grupos demográficos testados. Testes t com amostras independentes revelam que todas as diferenças entre grupos são altamente significativas (p < 0,001), com intervalos de confiança de 95% não sobrepostos e grandes diferenças médias: as diferenças de pontuação pós-teste variam de 7,8 a 11,1 pontos, enquanto as vantagens na conclusão de tarefas variam de 11,8 a 18,9%. O teste de Levene confirma homogeneidade de variância (*p* > 0,05) para todas as comparações, validando a robustez dos resultados do teste t. Esses achados confirmam coletivamente que a plataforma de ensino inteligente produz melhorias estatisticamente e educacionalmente significativas tanto no desempenho acadêmico quanto no engajamento na aprendizagem.

A Tabela 4 apresenta uma análise comparativa de ablação detalhando a contribuição específica da integração da inteligência artificial. O grupo independente de VR alcançou médias pós-teste de 63,5, 75,0 e 87,5 nos níveis de baixo, médio e alto desempenho. O grupo controle processou currículos textuais e visuais idênticos por meio de mídias instrucionais tradicionais bidimensionais, garantindo equivalência de conteúdo básico. O grupo de ablação apenas em VR utilizou ambientes imersivos idênticos, mas recebeu uma progressão estática e linear de pontos de conhecimento, sem ajuste algorítmico. Esses resultados superam o grupo de controle tradicional, mas permanecem significativamente inferiores aos da plataforma totalmente integrada de VR e IA. A Tabela 5 apresenta um estudo de ablação comparando o mecanismo totalmente integrado de ajuste do DQN com um limiar estático de referência e uma política de ajuste randomizado. As colunas representam a arquitetura do modelo, recompensa cumulativa, episódio de convergência e melhoria do retorno da política. O modelo integrado DQN alcança uma recompensa acumulada de 84,5, um episódio de convergência de 1200 e uma melhora de 40% no retorno da política. A linha de base do limiar estático gera uma recompensa cumulativa de 62,3, não converge dentro do limite de 2000 episódios e serve como a linha de base de melhoria de 0%. A apólice randomizada gera uma recompensa acumulada de 41,2, não converge e apresenta retorno negativo de 32%. Isso comprova o ajuste dinâmico da dificuldade impulsionado pelo DQN como o principal catalisador para as maiores conquistas acadêmicas observadas.

Análise de participação e interatividade
A participação e a interatividade dos alunos são analisadas para avaliar objetivamente as diferenças entre a plataforma de ensino inteligente e o método tradicional de aprendizagem, além de obter uma compreensão aprofundada das vantagens e desvantagens da plataforma de ensino inteligente na melhoria da participação e interatividade dos alunos. Os indicadores de análise incluem tempo de aprendizagem, frequência de interação, domínio do conhecimento, progresso de aprendizagem e senso de participação dos grupos experimental e controle sob a mesma tarefa de aprendizagem. O tempo de aprendizado do grupo experimental é o tempo que os alunos passam na cena virtual, registrado automaticamente pela plataforma, e a frequência de interação é o número de vezes que os alunos interagem com ela. O domínio do conhecimento é medido pelas pontuações dos testes, o progresso de aprendizagem é a porcentagem da tarefa de aprendizagem concluída, e o senso de participação é medido por meio da autoavaliação e feedback dos alunos. O tempo de aprendizado para o grupo controle é o tempo passado em aula, e a frequência de interação é o número de interações durante a aula. O domínio do conhecimento é alcançado por meio de provas em sala de aula; O progresso da aprendizagem se reflete no progresso do curso; e um senso de participação é promovido por meio da autoavaliação e do feedback dos alunos.

Todas as métricas de participação foram comparadas usando testes t de amostras independentes. O teste de Levene confirmou homogeneidade de variância para todas as medidas (p > 0,05).

De acordo com a Tabela 6, o grupo experimental apresentou vantagens em todos os indicadores de avaliação. O grupo experimental apresentou tempo de estudo significativamente maior (128 min ± 14 min vs. 89 min ± 18 min, t(118) = 11,23, p < 0,001), maior frequência de interação (67 ± 9 vs. 24 ± 7, t(118) = 18,76, p < 0,001), maior domínio do conhecimento (88 ± 6 vs. 72 ± 9, t(118) = 9,84, p < 0,001), maior progresso de aprendizagem (96% ± 3% vs. 78% ± 7%, t(118) = 10,55, p < 0,001), e um senso de envolvimento mais forte (4,8 ± 0,3 vs. 3,5 ± 0,6, t(118) = 14,32, p < 0,001). Todas as diferenças relatadas foram estatisticamente significativas (p < 0,001), confirmando que as melhorias observadas na participação e interatividade não são atribuíveis à variação aleatória. Os dados acima mostram que a plataforma inteligente de ensino projetada neste artigo pode aumentar a participação e a interatividade dos alunos por meio de cenários de aprendizagem virtual imersiva e interativa, melhorando assim seu desempenho na aprendizagem. Todas as diferenças relatadas na Tabela 6 foram estatisticamente significativas (p < 0,001), confirmando que as melhorias observadas na participação e interatividade não são atribuíveis à variação aleatória.

Efeito do caminho de aprendizagem personalizado
O progresso de aprendizagem entre alunos de pontuação baixa, média e alta em ambos os grupos foi comparado em cinco etapas (prévia, aprendizagem formal, aplicação, avaliação e resumo) para destacar as vantagens dos caminhos de aprendizagem personalizados na melhoria dos efeitos de aprendizagem dos alunos. Essa comparação mostra claramente diferenças no progresso de aprendizagem entre grupos de desempenho em diferentes estágios ao longo do caminho de aprendizagem personalizada da plataforma de ensino inteligente descrita neste artigo e verifica como o caminho de aprendizagem personalizada ajusta o conteúdo de ensino para atender às diferentes necessidades e habilidades dos alunos. Comparado aos métodos tradicionais de ensino, ele pode atender de forma mais eficaz às necessidades de aprendizagem personalizada dos alunos, melhorando assim o desempenho acadêmico.

Na Figura 5, o progresso de aprendizagem dos caminhos de aprendizagem personalizados (grupo experimental) entre diferentes séries dos alunos é significativamente melhor do que o dos métodos tradicionais de ensino (grupo controle). No grupo de pontuação baixa, o progresso de aprendizagem do grupo experimental aumentou de 12% para 89%, enquanto o grupo controle aumentou de 14% para 61%. Isso mostra que caminhos de aprendizagem personalizados podem estimular efetivamente o interesse de aprendizagem dos alunos com pontuação baixa e ajustar dinamicamente o conteúdo e a dificuldade para melhor atender às suas necessidades, melhorando assim a motivação e o progresso na aprendizagem. Para o grupo de pontuação média, o grupo experimental aumentou de 21% para 94%, enquanto o grupo controle aumentou de 24% para 86%. Caminhos de aprendizagem personalizados podem ajudar alunos com notas médias a superar melhor os obstáculos de aprendizagem e acelerar seu progresso ao oferecer desafios adequados. No grupo de pontuação alta, o progresso de aprendizagem do grupo experimental aumentou de 33% para 100%, enquanto o do grupo controle aumentou de 33% para 95%. Embora a diferença entre os dois grupos seja pequena, os caminhos de aprendizagem personalizados ainda mostram vantagens e podem fornecer conteúdos de aprendizagem mais aprofundados para atender ao desenvolvimento futuro de alunos com altas pontuações. Com base na análise acima, a plataforma de ensino inteligente pode ajustar dinamicamente os caminhos de aprendizagem personalizados para levar em conta as diferenças individuais dos alunos, melhorar os resultados de aprendizagem em diferentes níveis de pontuação, estimular a motivação para aprender e aumentar a eficiência da aprendizagem.

Eficácia do ajuste dinâmico
É muito importante analisar a eficácia dos ajustes dinâmicos da plataforma de ensino inteligente, avaliando se os ajustes da plataforma baseados no feedback e desempenho em tempo real dos alunos realmente melhoraram os resultados de aprendizagem dos alunos. Ao analisar mudanças na taxa correta para cinco problemas de aprendizagem entre alunos de pontuação baixa, média e alta em uma tarefa de aprendizagem, as vantagens e desvantagens da estratégia de ajuste da plataforma de ensino inteligente são identificadas, fornecendo uma base para seu mecanismo de ajuste.

De acordo com a Figura 6A,B, o mecanismo dinâmico de ajuste na plataforma de ensino inteligente demonstrou eficácia significativa em alunos de diferentes séries. Para alunos com pontuação baixa, em questões difíceis, como a pergunta 5, a taxa de precisão dos alunos com pontuação baixa aumentou 15% após o ajuste. Isso mostra que, ao ajustar a dificuldade das questões difíceis, a plataforma pode ajudar efetivamente alunos com notas baixas a terem sucesso em conteúdos mais difíceis. Em contraste, a melhora dos alunos de pontuação média foi relativamente modesta. Por exemplo, no Problema 1, a taxa de precisão aumentou de 72% para 75%, indicando que, embora o ajuste da plataforma tenha melhorado o desempenho, a melhoria foi menor do que a dos alunos com pontuação baixa. Para os alunos com pontuação alta, sua taxa de precisão ainda pode ser melhorada após o ajuste. Esses dados mostram que o mecanismo de ajuste dinâmico na plataforma de ensino inteligente é mais útil para alunos com notas baixas, mas para alunos com notas médias e altas, embora a melhora seja menor, ainda otimiza a experiência de aprendizagem. Por meio dessa melhoria na precisão, os alunos podem adquirir um senso de realização na resolução de problemas difíceis e ganhar confiança para enfrentá-los.

Análise do tempo de resposta da plataforma
O tempo de resposta da plataforma de ensino inteligente apresentada neste artigo é analisado para avaliar seu desempenho e experiência do usuário. Um tempo de resposta mais curto pode garantir uma interação mais fluida entre os alunos e a plataforma, permitindo que a plataforma ajuste o conteúdo e a dificuldade de aprendizagem em tempo real e melhore a eficiência de aprendizagem e o senso de participação dos alunos. Ao otimizar o tempo de resposta, a capacidade de feedback em tempo real da plataforma melhora, a experiência dos alunos é aprimorada e, em última análise, o desempenho de aprendizagem dos alunos melhora. Os 200 tempos de resposta consecutivos quando a plataforma está funcionando suavemente são coletados e plotados em um histograma de distribuição de frequência para análise.

Na Figura 7, o tempo máximo de resposta da plataforma de ensino inteligente é de 0,772s, o tempo mínimo de resposta é 0,238s e o tempo médio de resposta é de 0,496s. Essas métricas registradas representam a latência de inferência algorítmica do lado do servidor para geração de caminhos e ajuste de dificuldade, funcionando completamente independentemente do pipeline local de renderização do lado do cliente. A latência movimento para fóton do lado do cliente é mantida estritamente abaixo de 20 ms localmente no hardware do headset para garantir estabilidade visual e prevenir doença cibernética. Isso mostra que a plataforma pode responder rapidamente às operações dos alunos quando está funcionando de forma fluida, garantindo uma experiência interativa suave e responsiva. A distribuição do tempo de resposta segue aproximadamente a distribuição normal, indicando que a plataforma tem boa estabilidade de resposta. Em particular, o tempo médio de resposta é inferior a 0,5s, indicando que a plataforma possui uma boa função de resposta. Isso ajuda a otimizar o processo de aprendizagem dos alunos, e a plataforma pode fornecer feedback rápido quando eles trabalham, reduzir o tempo de espera e melhorar a experiência deles. Em resumo, o ensino inteligente projetado neste artigo melhora o senso de participação e motivação de aprendizagem dos alunos sob a perspectiva do tempo de resposta. Os resultados representativos derivados das Figuras 4A,B até a Figura 7 validam coletivamente a intervenção algorítmica em múltiplas dimensões pedagógicas. As Figuras 4A, B e 5 ilustram as melhorias macroscópicas de aprendizado impulsionadas pela geração de sequências personalizadas. A Figura 6A,B detalha as mudanças de precisão nas tarefas em nível micro resultantes da modulação de dificuldade em tempo real. A Figura 7 confirma a viabilidade do hardware da plataforma.

Análise de casos de falha e solução de problemas
Casos experimentais subótimos ocorreram quando variáveis de acompanhamento de linha de base falharam em inicializar corretamente devido à oclusão física do sensor, levando a uma geração errática de caminhos e uma queda temporária nas taxas de conclusão de tarefas para 45% para usuários afetados. Esses resultados anômalos ressaltam a estrita dependência da arquitetura algorítmica em fluxos de dados espaciais ininterruptos. Para resolver esse modo de falha, foi estabelecido um protocolo pré-definido de solução de problemas: uma rotina automatizada de resetagem de origem de rastreamento e recalibração em tempo real do sensor restaurava imediatamente o alinhamento de rastreamento em 1,5 segundos. Além disso, a degradação inesperada de políticas na camada de aprendizado por reforço automaticamente acionava um retrocesso para os pesos neurais estáveis anteriores para proteger a experiência do usuário.

Resultados de replicação independente
Seguindo os procedimentos formalizados passo a passo detalhados na seção atualizada do Protocolo, testes de verificação independentes foram conduzidos por uma equipe técnica separada para testar a reprodutibilidade. Usando um ambiente computacional idêntico e uma estação de trabalho secundária independente, a equipe de replicação reproduziu com sucesso a latência de geração de caminhos, as saídas algorítmicas e a precisão do ajuste de dificuldade dentro de uma margem de erro estrita de 2%. Essa replicação independente confirma a alta confiabilidade procedural do framework de ensino proposto.

DISPONIBILIDADE DE DADOS:
Os dados centrais do comportamento de aprendizagem dos alunos utilizados para treinar e validar os algoritmos preditivos neste estudo são derivados do Conjunto de Dados de Análise de Aprendizagem da Open University, acessível ao público, disponível em https://www.kaggle.com/datasets/anlgrbz/student-demographics-online-education-dataoulad e associado ao identificador digital de objeto 10.1038/sdata.2017.171.

Figura 1: Interface da cena de aprendizagem virtual. Demonstração do ambiente imersivo de patrimônio cultural gerado usando o motor de renderização espacial de alta fidelidade. A interface inclui painéis de controle modulares no eixo esquerdo para navegação, ampliação visual e interação. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 2: Arquitetura do processo personalizado de geração de caminhos. O fluxograma ilustra a extração de dados comportamentais usando o modelo Transformer e a geração subsequente de sequências usando o modelo de Filtragem Colaborativa Neural (NCF). Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 3: Interface do usuário da plataforma inteligente de ensino. O painel exibe o caminho de aprendizagem personalizado do aluno, indicando módulos concluídos em verde e módulos pendentes em vermelho para orientar o progresso da aprendizagem. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 4: Comparação dos resultados de aprendizagem entre os níveis de desempenho. (A) Médias de notas pós-prova e (B) taxas de conclusão de tarefas para alunos dos grupos experimental (plataforma inteligente) e controle (tradicional). Os dados são apresentados como média ± DS (n = 20 por subgrupo). Barras de erro indicam desvio padrão. A significância estatística foi avaliada usando testes t com amostras independentes. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 5: Comparação do progresso de aprendizagem em cinco etapas instrucionais. O gráfico acompanha a porcentagem de conclusão nas etapas de prévia, aprendizado formal, aplicação, avaliação e resumo para grupos de pontuação baixa, média e alta sob condições experimentais e de controle. Os pontos de dados representam a média do grupo. Barras de erro indicam desvio padrão. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 6: Melhoria da precisão resultante do ajuste dinâmico da dificuldade. Comparação das taxas de precisão para perguntas específicas (A) antes do ajuste e (B) após modulações de dificuldade baseadas em DQN em tempo real entre diferentes níveis de desempenho. Barras de erro representam desvio padrão. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 7: Distribuição do tempo de resposta do sistema. Histograma detalhando 200 latências consecutivas de inferência algorítmica do lado do servidor durante operação contínua da plataforma, demonstrando uma latência média de 0,496 s e confirmando capacidades de feedback rápido. Por favor, clique aqui para ver uma versão ampliada desta figura.

Cartão de estudante	ID da cena	Tarefas de aprendizado	Número de cliques	Tempo(s) de permanência	Progresso na aprendizagem (%)	Conclusão da Missão
S001	VR01	Visitas a sítios de patrimônio cultural	15	301	80	Finalizado
S002	VR02	Interação com obras de arte	10	249	60	Inacabado
S003	VR03	Artesanato tradicional	20	456	90	Finalizado
S004	VR01	Visitas a sítios de patrimônio cultural	8	182	50	Inacabado
S005	VR02	Interação com obras de arte	12	287	75	Finalizado
S006	VR03	Visitas a sítios de patrimônio cultural	18	354	85	Finalizado

Tabela 1: Amostre dados de comportamento de aprendizagem dos alunos. Logs interativos representativos coletados dentro dos cenários virtuais, incluindo métricas como tempo de permanência, frequência de interação e status de conclusão de tarefa.

Métrica de Avaliação	Critérios de Avaliação	Pontuação de Desempenho
Ganho Acumulado Normalizado Descontado	Precisão de Seleção Top-K	0.82
Índice de Acertos	Recuperação de Itens Relevantes	0.88
Posto Médio Recíproco	Precisão na Ordem de Classificação	0.76

Tabela 2: Métricas de precisão de recomendação para geração personalizada de caminhos. Avaliação da precisão do modelo NCF, reportando o Ganho Acumulado Normalizado Descontado (NDCG), Razão de Acerto (HR) e Classificação Recíproca Média (MRR) na seleção top-K (K = 10).

Desfecho	Nível de Desempenho	Grupo Experimental (Média ± DS)	Grupo de controle (Média ± SD)	Diferença Média	T (df)	valor-p	IC 95%
Pontuação pós-teste	Baixo	69.2 ± 4.1	58,1 ± 5,3	11.1	7.34 (38)	<0,001	[8.2, 14.0]
	Médio	78,7 ± 3,8	70,9 ± 4,6	7.8	5.92 (38)	<0,001	[5.1, 10.5]
	Alto	92,5 ± 2,9	81,6 ± 3,7	10.9	8.01 (38)	<0,001	[8.2, 13.6]
Taxa de Conclusão de Tarefas (%)	Baixo	93.2 ± 3.1	74,3 ± 6,2	18.9	11.05 (38)	<0,001	[15.3, 22.5]
	Médio	96.1 ± 2.4	78,5 ± 5,9	17.6	9.87 (38)	<0,001	[14.0, 21.2]
	Alto	98,0 ± 1,8	86,2 ± 4,7	11.8	7.63 (38)	<0,001	[8.7, 14.9]
Observação. Todas as comparações utilizaram testes t de amostras independentes com duas caudas. IC 95% = intervalo de confiança da diferença média. O teste de Levene confirmou homogeneidade de variância (todos p > 0,05).

Tabela 3: Resultados pós-intervenção por nível de desempenho. Diferenças médias e estatísticas inferenciais (valores d e t de Cohen) comparando os grupos experimental e controle entre níveis baixo, médio e alto (n = 20 por subgrupo). Os dados são apresentados como média ± SD.

Desfecho	Nível de Desempenho	Média de Grupo Apenas VR	Diferença média em relação ao controle
Pontuação pós-teste	Baixo	63.5	5.4
Pontuação pós-teste	Médio	75	4.1
Pontuação pós-teste	Alto	87.5	5.9
Taxa de Conclusão de Tarefas (%)	Baixo	83.6	9.3
Taxa de Conclusão de Tarefas (%)	Médio	87.3	8.8
Taxa de Conclusão de Tarefas (%)	Alto	92.1	5.9

Tabela 4: Desfechos pós-intervenção para estudo de ablação somente VR. Resultados comparativos de aprendizagem isolando a contribuição específica da integração da inteligência artificial em relação a uma linha base estática de VR. Os dados são apresentados como média ± SD.

Nome do modelo	Configuração da Arquitetura	Métricas de Avaliação
DQN integrado	Perceptron Multicamada	Recompensa = 84,5,Convergência = 1200,Melhoria = 40%
Limiar estático	Lógica de Regra Fixa	Recompensa = 62,3,Convergência = Falhou,Melhoria = 0%
Política Randomizada	Seleção de Ações Estocásticas	Recompensa = 41,2,Convergência = Falhou,Melhora = −32%

Tabela 5: Resultados do estudo de ablação por desqualificação. Comparação do mecanismo totalmente integrado de ajuste dinâmico do DQN com uma linha base de limiar estática e uma política de ajuste randomizado, avaliando episódios cumulativos de recompensa e convergência.

Métricas	Grupo experimental	Grupo de controle
Tempo de estudo (minutos)	128 ± 14	89 ± 18
Frequência de interação (vezes)	67 ± 9	24 ± 7
Nível de domínio do conhecimento (pontuação)	88 ± 6	72 ± 9
Progresso na aprendizagem (%)	96 ± 3	78 ± 7
Senso de envolvimento (avaliação: 1–5)	4,8 ± 0,3	3,5 ± 0,6
Nota: Todas as comparações entre grupos foram estatisticamente significativas: Tempo de estudo, t(118) = 11,23, p < 0,001; Frequência de interação, t(118) = 18,76, p < 0,001; Domínio do conhecimento, t(118) = 9,84, p < 0,001; Progresso de aprendizagem, t(118) = 10,55, p < 0,001; Classificação de envolvimento, t(118) = 14,32, p < 0,001.

Tabela 6: Métricas de participação e interatividade. Avaliação dos indicadores de engajamento na aprendizagem (tempo de estudo, frequência de interação e pontuação de envolvimento) entre os grupos experimental e controle. Os dados são apresentados como média ± SD. Todas as diferenças são estatisticamente significativas (p < 0,001).

Discussão

Este estudo contribui para a tecnologia educacional ao traduzir as teorias pedagógicas centrais — nomeadamente o construtivismo e a Zona de Desenvolvimento Proximal — em um sistema inteligente de ensino computacionalmente implementado. A integração da imersão em VR com a personalização orientada pelo comportamento garante que a inovação tecnológica atenda a objetivos de aprendizagem demonstráveis, em vez de funcionar como um fim em si mesmo. Como destacado na metodologia, a geração de caminhos de aprendizagem personalizados é central para garantir a eficiência do processo educacional, pois recomendar conteúdo baseado em características comportamentais extraídas atende diretamente às necessidades cognitivas^{individuais 25,26}. Além disso, utilizar feedback emocional e de desempenho em tempo real para modular a dificuldade da tarefa não apenas otimiza os efeitos imediatos do aprendizado, mas também mantém significativamente o engajamento dos alunos ao evitar sobrecarga cognitiva.

A contribuição original desta pesquisa é a fusão do rastreamento espacial virtual de alta fidelidade com reajuste algorítmico contínuo para resolver a incompatibilidade entre engajamento imersivo e aprendizagem adaptativa. Os três modelos de IA funcionam sequencialmente sem otimização conjunta, prevenindo esquecimentos catastróficos e permitindo ajuste isolado de hiperparâmetros para estágios operacionais distintos. Diferentemente dos sistemas tradicionais de recomendação estática que dependem exclusivamente de dados^{históricos 10} ou de modelos limitados à detecção isolada de engajamento^{facial 11}, a plataforma proposta mapeia dinamicamente comportamentos espaciais contínuos para estados cognitivos. As taxas elevadas observadas de conclusão de tarefas estão alinhadas e estendem os resultados de estudos contemporâneos de computação^{espacial 6,7,8}, confirmando que arquiteturas algorítmicas multimodelo podem substituir efetivamente a estrutura humana em ambientes imersivos.

É fundamental distinguir entre os efeitos pedagógicos imediatos e sustentados da plataforma. Os resultados do piloto inicial de quatro semanas demonstraram melhorias rápidas no desempenho de aprendizagem de curto prazo, frequência de interação e taxas de conclusão de tarefas entre a turma de graduação. Por outro lado, o acompanhamento longitudinal de 16 semanas foi realizado para avaliar o engajamento sustentado e mitigar o efeito de novidade tipicamente associado a novas tecnologias imersivas. Os testes pós-testes atrasados realizados na semana 20 confirmaram que a coorte guiada algoritmicamente manteve retenção de conhecimento significativamente maior a longo prazo em comparação com grupos tradicionais de instrução. Juntas, essas fases temporais distintamente separadas fornecem evidências robustas tanto da eficácia pedagógica imediata quanto permanente da plataforma inteligente.

Apesar desses resultados promissores, várias limitações precisam ser reconhecidas. Primeiro, os exigentes intensos de processamento gráfico restringem a implantação a instituições que possuem hardware computacional dedicado, limitando severamente a escalabilidade em distritos educacionais com recursos insuficientes. Segundo, a amostragem localizada de participantes de um único grupo demográfico institucional restringe a generalização imediata dos achados empíricos em populações geográficas diversas. Por fim, a atual biblioteca de cenários de aprendizagem virtual pode não ser rica o suficiente para cobrir os diversos interesses culturais de todos os alunos. Pesquisas futuras focarão em expandir a diversidade de cenários virtuais para alinhar com contextos culturais mais amplos, otimizar a eficiência algorítmica para hardware de nível inferior e validar a abordagem em durações prolongadas e diversas disciplinas educacionais.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
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.