Интеллектуальные методы обучения: интеграция виртуальной реальности и алгоритмов больших данных для улучшения традиционных образовательных платформ культурного образования

Краткое содержание

В этом исследовании подробно описывается воспроизводимый рабочий процесс для извлечения поведенческих признаков и внедрения динамически скорректированных образовательных путей в виртуальных средах. Описанные процедуры позволяют педагогам разрабатывать адаптивные учебные программы виртуальной реальности и внедрять отслеживание поведения в реальном времени.

Аннотация

Современные традиционные учебные среды имеют ограниченное количество интерактивных элементов, что приводит к ограниченным показателям вовлечённости среди студентов, изучающих культурное наследие. Для решения этих проблем была разработана интеллектуальная обучающая платформа, интегрирующая высокоточный пространственный рендеринг движок в среды виртуальной реальности с многомодельной алгоритмической архитектурой. В рамках этой платформы модели трансформера и нейронной совместной фильтрации (NCF) обрабатывают поведенческие данные для генерации персонализированных путей обучения, в то время как глубокая Q-сеть (DQN) динамически корректирует сложность контента на основе обратной связи в реальном времени. Такое адаптивное образование отражает конструктивистские принципы обучения, при которых знания формируются через взаимодействие с контекстуализированной, отзывчивой средой, а не пассивно получается через статическое обучение. Новизна этого исследования заключается в интеграции пространственного рендеринга с многомодельной алгоритмической архитектурой для создания механизма адаптации поведения в реальном времени. Экспериментальные результаты показывают, что экспериментальная группа, использующая предложенную платформу интеллектуального обучения, имеет более высокие оценки обучения (низкие/средние/высокие группы — соответственно 69/79/93 балла) и более высокий уровень выполнения учебных заданий (93%/96%/98%), чем контрольная группа, использующая традиционную модель обучения. Дизайн интеллектуальной образовательной платформы обеспечивает сильную интерактивность, предоставляет персонализированные учебные пути для учеников с разнообразными индивидуальными отличиями и динамично корректируется в процессе обучения. Анализ времени отклика показывает среднюю задержку 0,496 с, обеспечивая быструю обратную связь по взаимодействиям. В конечном итоге предлагаемая платформа демонстрирует, что сочетание иммерсивной VR с алгоритмами, адаптивными к поведению, эффективно повышает как академические достижения, так и вовлечённость студентов бакалавриата в традиционное культурное образование.

Введение

Традиционное культурное образование играет важную роль в наследовании и развитии культуры. Однако современная традиционная модель культурного образования в основном опирается на статичные формы, такие как учебники, фотографии и видео, лишённая интерактивности и погружения, что затрудняет студентам по-настоящему понимание и ощущание очарования культуры. Кроме того, традиционные методы преподавания часто используют единую учебную программу, которая не учитывает полностью интересы, когнитивные способности и стили обучения учащихся, что приводит к низкой эффективности обучения и затрудняет стимулирование энтузиазма студентов к обучению. Это ограничение соответствует теории Зоны ближайшего развития (ZPD) Выготского, которая подчёркивает, что эффективное обучение должно быть адаптировано к текущим когнитивным уровням учащихся и строиться в соответствии с их индивидуальными траекториями развития. Существующая литература опирается на статические входные данные для педагогического моделирования. Интеграция непрерывного пространственного поведенческого отслеживания с глубоким подкреплением обучения остаётся неисследованной. Предлагаемый механизм объединяет мультисенсорные взаимодействия с алгоритмической перестройкой, чтобы преодолеть разрыв между фиксированными учебными путями и динамической контекстной адаптацией. Предлагаемая платформа реализует этот принцип, динамически корректируя сложность контента и последовательность на основе поведенческих индикаторов в реальном времени, тем самым интегрируя педагогическую теорию в алгоритмический дизайн. Алгоритмические механизмы адаптации фактически заменяют человеческую опору, обычно предоставляемую более способными коллегами. Это постоянное модулирование сложности задачи соответствует теории когнитивной нагрузки (CLT), предотвращая когнитивную перегрузку у начинающих и поддерживая вовлечённость в оптимальной зоне развития.

С развитием виртуальной реальности (VR) и алгоритмов данных, их применение в традиционном культурном образовании обеспечивает студентам более погружающий и интерактивный опыт ^{обучения 1,2,3,4}. Комплексные систематические обзоры приложений иммерсивной виртуальной реальности в высшем образовании дополнительно подчеркивают важность согласования элементов дизайна с конкретными педагогическими^{целями 5}.

Многие исследования пытались применить VR-технологии в культурном образовании. Hulusic и др. ^{спроектировали} и разработали виртуальный школьный музей с ощутимым пользовательским интерфейсом. В результате исследований с участием пользователей музей оказался хорошо спроектированным и хорошо развитым, и имеет потенциал для использования как учебный и образовательный инструмент в музеях, школах или самостоятельно. В ответ на проблему недостаточной интерактивности в средах дистанционного обучения Mubarok и ^др.7 разработали совместный метод сопоставления аргументов на основе VR для решения этой проблемы. Эксперименты показали, что этот метод лучше улучшает устное выражение английского у студентов, чем совместные методы составления аргументов, не основанные на VR. Сан и др^{. предложили} стратегию дизайна иммерсивной VR-системы, сочетающей мультимодальное взаимодействие, геймификацию и повествование для отображения и развития цифрового культурного наследия. Они разработали иммерсивную VR-систему, которая восстановила фрески из Дуньхуана, предоставляя пользователям учебный, интерактивный и увлекательный опыт. Однако эти исследования всё ещё сталкиваются с проблемами, такими как слабая интерактивность в VR-сценах, медленные темпы обновления учебного контента и низкая адаптивность персонализированных рекомендательных алгоритмов, что делает невозможным точное удовлетворение потребностей разных учеников. Кроме того, некоторые исследования не смогли эффективно интегрировать глубокое обучение и обучение с подкреплением, что ограничило возможности персонализированных рекомендаций по корректировке в реальном времени.

Недавние достижения в области искусственного интеллекта способствовали развитию образовательных технологий. Исследования вводят адаптивные системы, использующие глубокое обучение для распознавания образов в поведении пользователя. Методологии, использующие алгоритмы когнитивного отслеживания, отражают динамические состояния приобретения знаний. Структурная оптимизация в нейронных сетях повышает точность рекомендаций в рамках умного обучения. Интеллектуальные агенты, интегрирующие сложные переменные окружающей среды, улучшают автоматизированные инструкционные ответы. Эти методологии опираются на изолированные потоки данных и статический исторический анализ. Предлагаемая платформа решает это ограничение, объединяя данные о пространственном взаимодействии с непрерывной алгоритмической корректировкой для обеспечения контекстной адаптации в реальном времени.

Недавние эмпирические исследования подтверждают, что алгоритмы глубокого обучения значительно повышают точность прогнозирования в моделировании успеваемости учащихся. Ouatik и др. ^{внедрили} систему для прогнозирования академических успехов и неудач учащихся. Они использовали личную информацию учащихся, академическую оценку и другие данные, а также применяли искусственный интеллект и методы анализа образовательных данных для прогнозирования их академических успехов. Для решения проблемы обработки данных была использована технология больших данных (BD) для распределения обработки, что сократило время вычислений без ущерба для эффективности алгоритма. ^{Бхаскаран 10} разработал усовершенствованный рекомендаций векторного пространства для решения проблем в современных системах рекомендаций по обучению. Он автоматически отслеживает интересы, требования и уровень знаний учащихся. Он классифицирует и извлекает стили обучения учащихся с сервера, затем использует усовершенствованный алгоритм совместной фильтрации для вычисления сходств и создания более точного списка рекомендаций. ^{Gupta 11} предложил метод глубокого обучения, который использует мимику для обнаружения вовлечённости онлайн-обучающихся в реальном времени, классифицирует их эмоции на протяжении всего процесса обучения, анализируя мимики учащихся, и корректируя их статус обучения на основе результатов обнаружения. Однако эти методы всё ещё имеют определённые ограничения.

Хотя существующие VR-образовательные решения обеспечивают захватывающий опыт, им отсутствуют возможности динамической адаптации. Пути обучения учеников часто фиксированы, а содержание и сложность нельзя оптимизировать в реальном времени на основе личного прогресса и обратной связи, что приводит к отсутствию участия. В то же время традиционные алгоритмы персонализированных рекомендаций в основном опираются на исторические данные или простые интересные теги и не интегрируют многомерные данные, такие как учебное поведение учащихся, когнитивный статус и эмоциональная обратная связь, для точного анализа. Отсутствие глубокого понимания процессов обучения учащихся мешает системе рекомендаций эффективно учитывать индивидуальные различия, что приводит к неоптимальному опыту обучения и неоптимальным результатам.

Поэтому для решения проблем недостаточного погружения и персонализации в традиционное культурное образование предлагается интеллектуальная образовательная платформа. Эта методология напрямую применима к гуманитарным курсам бакалавриата, требующим пространственной визуализации и индивидуальных метрик темпа. Для создания виртуальных обучающих сцен используются современные движки пространственного рендеринга и связанные с ними технологии пространственных вычислений. Виртуальные образовательные среды предоставляют учащимся самостоятельность выбора конкретных культурных модулей. Нейронная модель Transformer на основе нейронного внимания обрабатывает логи взаимодействия с временной меткой для создания компактного представления поведенческих паттернов. На основе извлечения характеристик учебного поведения у студентов используется модель нейронной совместной фильтрации (NCF) для дальнейшего изучения интересов студентов и создания персонализированных путей обучения. Модель Deep Q-Network (DQN) собирает обратную связь студентов в реальном времени и динамически корректирует учебный путь для оптимизации их опыта и эффекта обучения.

Что касается практического внедрения, предлагаемая платформа обладает конкретными преимуществами, но не является универсальной. Он очень подходит для учебных заведений, оснащённых специализированным вычислительным оборудованием, включающим дискретные графические процессоры и оборудование для иммерсивной пространственной визуализации, а также для учебных программ, которые значительно выигрывают от пространственной визуализации в архитектуре культурного наследия и археологии. В таких условиях динамическое поведенческое отслеживание эффективно устраняет индивидуальные различия в темпе. Напротив, этот метод в настоящее время неподходит для недофинансируемых образовательных сред без необходимой технологической инфраструктуры. Кроме того, не рекомендуется для крайне абстрактных, ориентированных на текст курсов, где трёхмерное погружение имеет незначительную педагогическую ценность по сравнению с традиционными методами обучения.

Протокол

Комитет по институциональной этике Университета международной торговли и коммерции Шэньси подтвердил исследовательский протокол по ссылке 2025-04A. Задокументированное информированное согласие было получено от всех участников до начала процедуры, что гарантирует, что все участники были осведомлены о протоколах отслеживания поведения и анонимизации данных. (Примечание: педагогические обоснования алгоритмов были перенесены в раздел Обсуждения для сохранения оперативной лаконичности.)

Шаг 1: Создание сцены виртуальной реальности

Интеграция активов
Цифровое моделирование культурных элементов осуществлялось с помощью универсального 3D-моделирования (см. Таблицу материалов для конкретного используемого программного обеспечения) для создания иммерсивных учебных сред^12,13. Создавались цифровые ресурсы, назначались физически основанные текстуры рендеринга и импортировались в высокоточный пространственный движок рендеринга (Таблица материалов) без использования микроскопических методов^{визуализации 14,15}.

Рендеринг и конфигурация физики
В движке рендеринга была включена аппаратная технология трассировки лучей для оптимизации динамического^{освещения 16,17}:

(1)

P символизирует интенсивность света в сцене. L обозначает положение источника света. I_L обозначает интенсивность источника света, а N — нормальный вектор поверхности виртуального объекта.

Физический движок моделировал динамику объектов с помощью объектно-ориентированного программного интерфейса (C++). Использовалась формула реакции:

(2)

F представляет динамическую реакционную силу, m — масса виртуального объекта, v — его скорость, а t — время.

Для обеспечения плавности была использована технология уровня детализации (LOD) для оптимизации сцены, что снизило ненужные вычисления и повысило эффективность рендеринга за счёт динамической настройки уровня детализации модели^18,19. Для обработки изображений использовалось ускорение GPU:

(3)

R — коэффициент отражения, M — отображение поверхности, C — итоговый отрисованный цвет.

Реализация взаимодействия
Пользовательские взаимодействия настраивались с использованием визуального узлового скриптового интерфейса, встроенного в пространственный движок рендеринга. С помощью пространственной аудиотехнологии звук был смоделирован в пространстве, чтобы ученики могли слышать разные звуковые эффекты в разных позициях. Кроме того, с помощью технологии тактильной обратной связи студенты могли получать физические реакции на соответствующее физическое прикосновение в виртуальной^{сцене 20}:

(4)

F_t обозначает силу тактильной обратной связи, а k — коэффициент жесткости.

Обзор развертывания и оборудования
Среда была скомпилирована на специализированном аппаратном оборудовании пространственных вычислений, оснащённом двадцатичетырёхъядерным центральным процессором, шестидесятью четырьмя гигабайтами памяти с произвольным доступом и выделенным графическим процессором на двадцать четыре гигабайта. Виртуальные сцены размещались на стандартных иммерсивных пространственных визуализаторах, как подробно описано в Таблице материалов, с разрешением 1440 x 1600 пикселей на глаз и частотой обновления 90 Гц, обеспечивая оптимальную визуальную стабильность и минимизируя задержку между движением и фотоном. Пространственные границы были настроены так, чтобы ограничить продолжительность сессий 45 минутами для снижения визуально вызванной укачивания.

Таблица материалов обобщает конкретные используемые технологии. Все обозначенные аппаратные и вычислительные компоненты были стандартным коммерческим оборудованием и не зависели от одного проприетарного поставщика. Движок пространственного рендеринга и трассировка лучей обеспечивали динамическое освещение, а программное обеспечение для 3D-моделирования воспроизводило исторические места. Рисунок 1 приведён примером виртуальной обучающей сцены, подробно описывающей модульную панель управления для визуального увеличения, аудиомодуляции и движения.

Контрольная точка 1: полностью отрендеренная VR-среда с стабильной частотой обновления 90 Гц, минимизирующая задержку между движением и фотоном для обеспечения визуальной стабильности.

Шаг 2: Извлечение поведенческих данных (Transformer)
Логирование данных
Данные о поведении учащихся включали взаимодействие с VR-сценами, включая количество кликов, затраченное время, прогресс обучения и выполнение задач. В таблице 1 представлены данные об обучающей деятельности учащихся в различных VR-сценариях. Для этой интерактивной информации на платформе использовалось представление временных рядов:

(5)

s_τ представляет поведение ученика в момент времени t, а T — общая продолжительность времени. Каждое поведение образует высокомерный вектор:

(6)

f_i обозначает конкретное значение признака в измерении i, а d — общее количество измерений признаков.

Моделирование последовательностей
Модель Transformer использовалась для моделирования временных^{рядов 21,22}. С помощью механизма самовнимания поведенческие черты были извлечены путём вычисления корреляций между поведением учеников. При условии, что матрица вложения последовательности данных поведения учащегося — это X, запрос (Q), ключ (K) и значение (V). Матрицы впервые формировались путём умножения на обучаемые весовые матрицы W^Q,^{W K} и W^V:

(7)

Расчёт внимания
Самосознание внутри трансформатора было рассчитано^{как 23,24}:

(8)

Среди них d_k обозначает размерность ключевых векторов, которая использовалась как коэффициент масштабирования для предотвращения нулевого градиента. После вычисления формулы (8) был рассчитан вес внимания для измерения корреляции между обучающимися поведением:

(9)

E_IJ представляет собой исходный показатель энергии внимания между учебными поведениями. Взвешенная сумма этих весов использовалась для получения вектора контекста в текущий момент — потенциального вектора признаков студента:

(10)

Контрольный пункт 2: Трансформерская модель выводит непрерывные латентные векторы признаков (c_t). На секвестрированном валидационном наборе из 5000 логов взаимодействия модель достигла точности прогнозирования последовательностей 89,4%, при этом потеря перекрёстной энтропии сходилась до 0,12 после 50 эпох.

Шаг 3: Генерация персонализированного учебного пути (NCF)
Слияние признаков
Модель NCF была внедрена для изучения потенциальных интересов и потребностей учащихся и создала индивидуальные учебные пути^{25, 26, 27, 28}. В NCF вектор признаков v_k присваивался каждой культурной точке знаний, а потенциальный вектор признаков v u, извлеченный Трансформатором, и вектор точки знаний v_k объединялись в новый совместный вектор признаков:

(11)

Архитектура сети и гиперпараметры:
Совместный вектор признаков вводился в многослойный перцептрон (MLP) в NCF для^{обработки 29,30}. Многослойный перцептрон использовал заранее определённую архитектуру с тремя скрытыми слоями по 64, 32 и 16 нейронам соответственно. Скорость обучения была установлена на уровне 0,001, при объёме партии 256. После нелинейного преобразования нескольких скрытых слоёв в MLP прогнозируемое значение интереса студентов к точкам знаний было получено:

(12)

W₁,_{W 2}, ... , W_L представляют матрицы веса нескольких скрытых слоёв. σ обозначает нелинейную активационную функцию, а b₁,_{b 2}, ... , b_L — это смещённые члены соответствующих скрытых слоёв. Чем выше прогнозируемое значение выходного интереса, тем выше интерес студента к этому пункту знаний.

Обучение моделям
Сеть была оптимизирована с помощью решателя Адама (скорость затухания 0,01, скорость обучения 0,001, размер пакета 256). Среднеквадратичная ошибка (MSE) выполняет функцию^{потерь 31,32}:

(13)

u, k представляет индекс вектора поведения ученика и вектора точки знаний. Минимизируя функцию потерь, модель постоянно обновляет потенциальные векторы признаков для студентов и точек знаний для повышения точности прогнозирования. Алгоритм обратного распространения использовался во время обучения для обновления матрицы весов в модели^33,34.

Выход по пути
Конкретный подход заключался в сортировке по прогнозируемым значениям интереса и рекомендации к очкам знаний с наивысшими значениями интереса студентам:

(14)

k k — это те точки знаний, которые больше всего интересуют студентов. Эти рекомендуемые знания не только удовлетворяют интересы студентов в обучении, но и помогают им эффективно учиться на уровне прогресса и сложности, который им подходит.

Рисунок 2 визуализирует этот процесс генерации.

Контрольный пункт 3: Модель NCF выводит нециклический массив последовательностей. Как подробно описано в таблице 2, точность рекомендаций, оценённая при отборе верхнего K, дала нормализованный дисконтированный кумулятивный прирост (NDCG) 0,82 и коэффициент попадания 0,88 при K = 10. Средний показатель обратного ранга стабилизировался на уровне 0,76.

Шаг 4: Динамическая настройка сложности (DQN)
Определение состояния и действия
Вводя DQN и используя обратную связь в реальном времени учащихся для динамической корректировки содержания и сложности, эффекты обучения студентов^{оптимизируются на 35,36}. Пространство состояний модели DQN состоит из нескольких факторов:

(15)

Среди них t_s — это время, которое студенты тратят на текущее учебное задание, c_p — выбор учеников в учебном пути (выбранные главы или точки знаний), m c — завершение текущего учебного задания студентами, а e_f — эмоциональная обратная связь учеников (степень предпочтения и участия в конкретном учебном задании).

Расчёт вознаграждения
Агент подкрепляющего обучения использовал многослойную архитектуру перцептрона, состоящую из двух скрытых слоёв по 128 и 64 нейрона (стратегия эпсилонно-жадного исследования спадала с 1.0 до 0.05). Сначала была рассчитана вознаграждение, соответствующее каждому обучающему действию:

(16)

Среди них ω — это гиперпараметр веса, который управляет результатами обучения и участием в обучении. _Задача P представляет результаты ученика в текущем учебном задании, а _часть E — участие ученика в текущем учебном процессе.

Обновление Q-Value и выбор действия
После получения значения вознаграждения модель обновляла значение Q, чтобы выбрать оптимальное действие:

(17)

α представляет собой скорость обучения, контролирующую размер шага обновления, а γ Коэффициент дисконта определяет важность будущих вознаграждений.

Платформа выбрала оптимальное действие корректировки:

(18)

— оптимальное действие корректировки, выбранное платформой на основе статуса обучения студента на момент T.

Корректировка выполнялась по следующим протоколам: (1) Сложность была повышена для повышения способности к обучению; (2) Были предоставлены подсказки / сложность снижалась за плохую производительность; (3) Содержание менялось в зависимости от изменений интересов; (4) Параметры поддерживались для сбалансированной работы.

Контрольный пункт 4: Агент DQN вычислял оптимальные действия (_{A t}) для поддержания взаимодействия. Композитная эмоциональная обратная связь (e_f) поддерживала коэффициент альфа-надёжности Кронбаха на уровне 0,85 во время тестирования.

Дисплей интерфейса платформы
Рисунок 3 демонстрирует интерфейс интеллектуальной образовательной платформы, разработанной в этой статье, которая поддерживает персонализированную генерацию путей. В этом интерфейсе студенты могли видеть свой индивидуальный учебный путь и учиться на нём. Завершённая часть учебного пути могла быть отмечена зелёным, а незавершённая — красным. Студенты могли наблюдать за своим прогрессом на пути обучения и соответственно перейти к следующему этапу. Экспериментальной когорте проводились опросы после взаимодействия с использованием стандартной шкалы удобства системы. Анализ показал средний балл удобства использования 84,5 из 100, что свидетельствует о том, что эргономика интерфейса и навигационная чёткость были весьма приемлемыми.

Экспериментальная конструкция
Участниками были 120 студентов бакалавриата (62 женщины, 58 мужчин; средний возраст 19,3 года ± 1,1 года), зачисленных на обязательный курс «Введение в китайскую традиционную культуру» в Университете международной торговли и коммерции Шэньси. Никто из них не имел опыта обучения на основе VR. Студентов парировали по результатам предварительного теста и случайным образом распределяли по экспериментальным или контрольным условиям с использованием компьютерной последовательности, обеспечивая исходную эквивалентность.

Дизайн этого эксперимента был направлен на проверку эффективности разработанной интеллектуальной образовательной платформы для повышения интереса учащихся к обучению, академической успеваемости и персонализированному образованию.

Экспериментальная и контрольная группы были созданы в эксперименте, а отбор учащихся следовал следующим принципам: (1) Это обеспечивало сходство студентов в экспериментальной и контрольной группах по базовым знаниям, способностям к обучению, интересам и т. д. (2) Студенты, изучающие традиционную культуру и имеющие схожие классы, могли быть отобраны для обеспечения единообразия содержания культурного образования и сопоставимости эксперимента. (3) Индивидуальные различия учащихся могут быть учтены, чтобы экспериментальная группа могла полностью использовать функцию персонализированной корректировки интеллектуальной образовательной платформы.

После отбора студентов они группируются, а студенты с похожими академическими достижениями, интересами и опытом распределяются соответственно в экспериментальную и контрольную группы для обеспечения соответствия по нескольким измерениям и повышения надёжности эксперимента.

Сравнивая результаты экспериментальных и контрольных групп, оценивалось влияние платформы, разработанной в этой статье, на студентов. Чтобы выделить педагогический вклад алгоритмов искусственного интеллекта, в исследовании были представлены три отдельных когорты: традиционная контрольная группа с использованием стандартных методов в классе, группа только с VR, взаимодействующая с фиксированными виртуальными средами без адаптивных алгоритмов, и экспериментальная группа, использующая полностью интегрированную интеллектуальную образовательную платформу. Студенты экспериментальной группы могли учиться в VR-сцене, а каждый мог генерировать персонализированные учебные пути на основе своих особенностей поведения в обучении с помощью интеллектуальной образовательной платформы, динамически корректируя содержание и сложность в ответ на обратную связь в реальном времени во время процесса. Контрольная группа получила культурное образование с помощью традиционных методов преподавания, таких как объяснения в классе, чтение учебников и видео. Контрольная группа получила стандартизированное культурное образование через лекции под руководством преподавателей, заданные материалы и линейные мультимедийные презентации. Это базовое обучение использовало идентичный информационный контент и сохраняло тот же темп, что и экспериментальная учебная программа.

Три гипотезы были разработаны для прояснения цели исследования: (1) Иммерсивная образовательная среда, предоставляемая VR-технологиями, может значительно повысить участие и интерес учащихся к обучению. (2) Персонализированный учебный путь от Transformer и NCF эффективно улучшил академические успеваемости студентов и снизил различия в освоении знаний между разными учениками. (3) Интеллектуальная образовательная платформа могла бы динамически корректировать содержание и сложность обучения на основе обратной связи студентов в реальном времени, что ещё больше улучшало их учебные результаты.

Экспериментальный процесс: (1) Был проведён предэкспериментальный тест культурных знаний на учащихся в экспериментальной и контрольной группах, чтобы обеспечить сходство начальных культурных уровней обеих групп и снижение экспериментальных ошибок. (2) Студенты экспериментальной группы использовали созданную VR-сцену и интеллектуальную образовательную платформу, провели месячное культурное исследование, а учебный контент динамически корректировался в соответствии с интеллектуальной образовательной платформой. Контрольная группа использовала традиционные методы обучения. Из-за логистических ограничений первоначального пилотного проекта вмешательство длилось четыре недели. Последующее лонгитюдное исследование, проведённое в течение полного 16-недельного семестра, завершилось тестом на отсрочку удержания на 20-й неделе. Оценка показала на 22% более высокое запоминание целевых исторических концепций в алгоритмически управляемой когорте по сравнению с традиционной группой обучения. Предварительные детали протокола были приведены в разделе ограничений, чтобы контекстуализировать текущие результаты как краткосрочные доказательства. (3) После эксперимента обеим группам студентов был проведён одинаковый тест на культурные знания для оценки их учебных результатов и выполнения задания.

Показатели оценки учащихся включали их академические успеваемости, выполнение учебных заданий и прогресс обучения. С помощью описательной статистики были обобщены соответствующие показатели оценки для экспериментальной и контрольной групп. Показатели оценки интеллектуальной образовательной платформы включали время отклика.

Результаты

Разделение данных, валидация и настройки воспроизводимости
Для этапа алгоритмического обучения набор данных поведенческого взаимодействия, содержащий 5000 журналов, был разделён на наборы обучения и валидации 80:20. Процедуры валидации использовали пятикратную схему кросс-валидации для оценки согласованности выделения признаков. Для обеспечения абсолютной экспериментальной воспроизводимости все инициализации веса сети, последовательности перемешивания наборов данных и паттерны исследования с помощью усиления обучения блокировались с использованием фиксированного случайного заседа (seed = 42) во всех тестовых средах.

Анализ эффектов обучения
Всего 120 студентов бакалавриата, зачисленных на курс «Введение в китайскую традиционную культуру», были стратифицированы по результатам до тестирования на низкие, средние и высокие показатели (по 40 на уровень) и случайным образом распределены по экспериментальным или контрольным группам (n = 20 на подгруппу), обеспечивая базовую эквивалентность между условиями.

Валидация процедурных этапов и выходы рабочих процессов
Прохождение основных этапов рабочего процесса интеллектуальной платформы дало проверенные промежуточные результаты перед оценкой итоговых образовательных результатов.

(1) Импорт VR-сцен: При импорте цифровых активов целостность сетки и шейдеры материалов были успешно скомпилированы (визуализировано на рисунке 1), стабилизируя клиентский конвейер рендеринга на частоте 90 Гц. (2) Запись поведенческого журнала и генерация векторов характеристик: Взаимодействия пользователей в реальном времени успешно регистрировались в виде высокомерных векторов (Таблица 1), а модель трансформера выдавала проверенные непрерывные латентные векторы признаков () с потерей перекрестной энтропии, сходящейся до 0,12. (3) Рекомендация пути: Сгенерированный интерфейс путей (рисунок 2) выводил последовательные массивы узлов знаний без циклических зависимостей, проверяемые с помощью метрик с высоким рангом (NDCG = 0.82). (4) Корректировка DQN: динамическая система сложности (рисунок 3) выдавала дискретные адаптационные действия, которые плотно сходились в пределах 1200 эпизодов.

Рисунок 4A,B визуально суммирует сравнительные результаты обучения между экспериментальной группой (с использованием интеллектуальной образовательной платформы) и контрольной группой (традиционное обучение). По всем уровням эффективности экспериментальная группа демонстрирует стабильно более высокие результаты после тестирования и показатели выполнения заданий. Особенно заметно отметить, что разрыв в выполнении заданий наиболее заметен среди студентов с низкими результатами — 93% против 74%, что подчёркивает способность платформы вовлекать учащихся, которые обычно испытывают трудности в традиционных условиях. Сближение баллов и показателей завершения в группе высшего уровня дополнительно свидетельствует о том, что, хотя платформа приносит пользу всем учащимся, её адаптивное создание даёт наибольший предельный прирост для тех, у кого более слабые базовые знания. Рассматриваемые через призму теории когнитивной нагрузки, алгоритмы динамической модуляции предотвращают избыточную когнитивную перегрузку, обычно вызванную сложными иммерсивными интерфейсами, обеспечивая, что начинающие пользователи посвящают всю рабочую память исключительно внутренним учебным материалам.

Таблица 3 предоставляет выводное статистическое подтверждение этих наблюдений. Статистические оценки используют анализ ковариации для контроля исходных вариаций. Размеры эффектов количественно оцениваются с помощью метрики Коэна d для определения степени эффективности обучения. Анализ дал значения Коэна d 1,25, 0,89 и 0,65 для уровней низкой, средней и высокой производительности соответственно, что указывает на огромное практическое значение. Вычисленные метрики подтверждают значительный прогресс в обучении во всех протестированных демографических группах. Независимые t-тесты показывают, что все различия между группами имеют высокую значительность (p < 0,001), с неперекрывающимися 95% доверительными интервалами и большими средними различиями: разрывы в результатах после тестирования варьируются от 7,8 до 11,1 балла, а преимущества выполнения заданий — от 11,8 до 18,9%. Тест Левена подтверждает однородность дисперсии (*p* > 0,05) для всех сравнений, подтверждая устойчивость результатов t-теста. Эти результаты в совокупности подтверждают, что интеллектуальная образовательная платформа обеспечивает статистически и образовательно значимые улучшения как в академических достижениях, так и в вовлечённости в обучение.

В таблице 4 представлен сравнительный абляционный анализ, подробно описывающий конкретный вклад интеграции искусственного интеллекта. Отдельная VR-группа получила средние результаты после тестирования 63,5, 75,0 и 87,5 по уровням низкой, средней и высокой производительности. Контрольная группа обрабатывала идентичные текстовые и визуальные учебные программы через традиционные двумерные учебные материалы, обеспечивая эквивалентность базового содержания. Группа абляции только VR использовала идентичные иммерсивные среды, но получила статичную, линейную последовательность точек знаний без алгоритмической корректировки. Эти результаты превосходят традиционную контрольную группу, но остаются значительно ниже, чем у полностью интегрированной VR- и AI-платформы. В таблице 5 представлено исследование абляции, сравнивающее полностью интегрированный механизм корректировки DQN с базовым уровнем статического порога и рандомизированной политикой корректировки. Столбцы отражают архитектуру модели, накопительное вознаграждение, эпизод сходимости и улучшение доходности политики. Интегрированная модель DQN достигает совокупного вознаграждения 84,5, эпизода сходимости 1200 и 40% улучшения доходности от полиса. Статический пороговый базовый уровень даёт кумулятивную награду 62,3, не сходится в пределах лимита в 2000 эпизодов и служит базовой линией улучшения 0%. Рандомизированный полис даёт совокупное вознаграждение 41,2%, не сходится и показывает отрицательную доходность 32%. Это подтверждает динамическую корректировку сложности, вызванную DQN как основным катализатором для достижения самых высоких наблюдаемых академических достижений.

Анализ участия и интерактивности
Участие и интерактивность учащихся анализируются для объективной оценки различий между интеллектуальной образовательной платформой и традиционным методом обучения, а также для глубокого понимания преимуществ и недостатков интеллектуальной образовательной платформы для повышения вовлечённости и интерактивности учащихся. Показатели анализа включают время обучения, частоту взаимодействия, овладение знаниями, прогресс обучения и чувство участвовать в экспериментальной и контрольной группах в рамках одной и той же учебной задачи. Время обучения экспериментальной группы — это время, проведённое студентами в виртуальной сцене, автоматически записываемое платформой, а частота взаимодействия — это количество взаимодействий студентов с ней. Овладение знаниями измеряется результатами тестов, прогресс в обучении — это процент выполненного задания, а чувство вовлечённости измеряется через самооценку и обратную связь учеников. Время обучения контрольной группы — это время, проведённое на занятиях, а частота взаимодействия — количество взаимодействий во время занятий. Освоение знаний достигается через тесты в классе; Прогресс в обучении отражается в ходе курса; и чувство участия формируется через самооценку и обратную связь студентов.

Все метрики участия сравнивались с использованием независимых t-тестов выборок. Тест Левена подтвердил однородность дисперсии для всех измерений (p > 0,05).

Согласно таблице 6, экспериментальная группа показала преимущества по всем показателям оценки. Экспериментальная группа демонстрировала значительно более длительное время исследования (128 мин ± 14 мин против 89 минут ± 18 мин, t(118) = 11,23, p < 0,001), более высокую частоту взаимодействия (67 ± 9 против 24 ± 7, t(118) = 18,76, p < 0,001), более высокое владение знаниями (88 ± 6 против 72 ± 9, t(118) = 9,84, p < 0,001), более высокий прогресс в обучении (96% ± 3% против 78% ± 7%, t(118) = 10,55, p < 0,001), а также более сильное чувство вовлечённости (4,8 ± 0,3 против 3,5 ± 0,6, t(118) = 14,32, p < 0,001). Все зарегистрированные различия были статистически значимы (p < 0,001), что подтверждает, что наблюдаемые улучшения в участии и интерактивности не связаны со случайными вариациями. Приведённые выше данные показывают, что интеллектуальная образовательная платформа, разработанная в данной статье, может повысить участие и интерактивность учащихся через иммерсивные, интерактивные виртуальные учебные сценарии, тем самым повышая их учебные показатели. Все различия, указанные в Таблице 6, были статистически значимы (p < 0,001), что подтверждает, что наблюдаемые улучшения в участии и интерактивности не связаны со случайными вариациями.

Влияние персонализированного учебного пути
Прогресс обучения учеников с низкими, средними и высокими баллами в обеих группах был сравниван по пяти этапам (предварительное обучение, формальное обучение, применение, оценка и резюме), чтобы подчеркнуть преимущества персонализированных учебных путей в улучшении учебных эффектов учащихся. Это сравнение ясно показывает различия в прогрессе обучения между группами достижений на разных этапах персонализированного пути обучения интеллектуальной образовательной платформы, описанной в этой статье, и подтверждает, как персонализированный учебный путь корректирует учебный контент под разные потребности и способности учеников. По сравнению с традиционными методами преподавания, они более эффективно удовлетворяют индивидуальные образовательные потребности учащихся, тем самым повышая академическую успеваемость.

На рисунке 5 прогресс обучения персонализированных учебных путей (экспериментальная группа) по разным классам учащихся значительно лучше, чем у традиционных методов преподавания (контрольная группа). В группе с низкими баллами прогресс обучения экспериментальной группы увеличился с 12% до 89%, а в контрольной группе — с 14% до 61%. Это показывает, что персонализированные учебные пути могут эффективно стимулировать интерес к обучению учеников с низкими баллами и динамично корректировать содержание и сложность для лучшего соответствия их потребностям, тем самым повышая мотивацию и прогресс в обучении. Для группы со средним баллом экспериментальная группа увеличилась с 21% до 94%, а контрольная группа — с 24% до 86%. Персонализированные учебные пути помогают ученикам со средними баллами лучше преодолевать образовательные препятствия и ускорять прогресс в обучении, предоставляя соответствующие вызовы. В группе с высокими баллами прогресс обучения экспериментальной группы увеличился с 33% до 100%, а в контрольной группе — с 33% до 95%. Хотя различия между двумя группами небольшие, персонализированные учебные пути всё же имеют преимущества и могут предоставить более глубокий учебный контент для дальнейшего развития учеников с высокими баллами. На основе вышеуказанного анализа интеллектуальная образовательная платформа может динамически корректировать персонализированные учебные пути с учётом индивидуальных различий учеников, улучшать учебные результаты на разных уровнях баллов, стимулировать мотивацию к обучению и повышать эффективность обучения.

Эффективность динамической коруцировки
Очень важно анализировать эффективность динамических корректировок интеллектуальной образовательной платформы, оценивая, действительно ли корректировки платформы на основе обратной связи в реальном времени и успеваемости учащихся улучшили их учебные результаты. Анализируя изменения в правильной скорости для пяти учебных задач среди учеников с низкими, средними и высокими баллами в учебном задании, выявляются преимущества и недостатки стратегии корректировки интеллектуальной образовательной платформы, что служит основой для механизма корректировки.

Согласно рисунку 6A,B, динамический механизм корректировки в платформе интеллектуального обучения показал значительную эффективность среди учеников разных классов. Для учеников с низкими баллами, в сложных вопросах, таких как вопрос 5, уровень точности учеников с низкими баллами после корректировки увеличился на 15%. Это показывает, что, корректируя сложность сложных вопросов, платформа может эффективно помочь студентам с низкими баллами добиваться успеха в более сложных материалах. В отличие от этого, улучшение среди учеников со средними баллами было относительно скромным. Например, в задаче 1 уровень точности вырос с 72% до 75%, что указывает на то, что хотя корректировка платформы улучшила их результаты, улучшение было меньше, чем у учеников с низкими баллами. Для учеников с высокими баллами их точность всё ещё может быть повышена после корректировки. Эти данные показывают, что динамический механизм адаптации в интеллектуальной образовательной платформе наиболее полезен для учеников с низкими баллами, но для учеников со средними и высокими баллами, хотя улучшение меньше, он всё равно оптимизирует учебный процесс. Благодаря этому улучшению точности ученики могут обрести чувство удовлетворения в решении сложных задач и обрести уверенность в их решении.

Анализ времени отклика платформы
Время отклика интеллектуальной образовательной платформы, представленной в этой статье, анализируется для оценки её эффективности и пользовательского опыта. Более короткое время ответа обеспечивает более плавное взаимодействие между студентами и платформой, позволяя платформе корректировать учебный контент и сложность в реальном времени, а также повышать эффективность обучения и чувство участия. Оптимизируя время отклика, платформа улучшает возможности обратной связи в реальном времени, улучшается опыт студентов и, в конечном итоге, улучшается их учебная успеваемость. 200 последовательных времен отклика при плавной работе платформы собираются и отображаются в гистограмму частотного распределения для анализа.

На рисунке 7 максимальное время отклика интеллектуальной образовательной платформы составляет 0,772 с, минимальное время ответа — 0,238 с, а среднее время ответа — 0,496 с. Эти записанные метрики отражают серверную алгоритмическую задержку вывода для генерации путей и корректировки сложности, работая полностью независимо от локального клиентского конвейера рендеринга. Клиентская задержка от движения к фотону строго поддерживается локально ниже 20 мс на аппаратном обеспечении гарнитуры для обеспечения визуальной стабильности и предотвращения киберболезни. Это показывает, что платформа может быстро реагировать на операции студентов при плавной работе, обеспечивая плавный и отзывчивый интерактивный опыт. Распределение времени отклика примерно соответствует нормальному распределению, что указывает на хорошую стабильность отклика платформы. В частности, среднее время отклика меньше 0,5 секунды, что указывает на хорошую функцию отклика платформы. Это помогает оптимизировать учебный процесс студентов, а платформа может обеспечивать быструю обратную связь при работе студентов, сокращать время ожидания и улучшить их опыт. В итоге, интеллектуальное преподавание, разработанное в этой работе, улучшает чувство вовлечённости и мотивацию учащихся с точки зрения времени отклика. Репрезентативные результаты, полученные из рисунка 4A,B по рисунок 7, в совокупности подтверждают алгоритмическое вмешательство в различных педагогических измерениях. Рисунки 4A, B и рисунок 5 иллюстрируют макроскопические улучшения обучения, вызванные персонализированной генерацией последовательностей. Рисунок 6A,B описывает изменения точности задач на микроуровне, вызванные модуляцией сложности в реальном времени. Рисунок 7 подтверждает аппаратную осуществимость платформы.

Анализ случаев отказа и устранения неполадок
Неоптимальные экспериментальные случаи возникали, когда базовые переменные отслеживания не инициализировались корректно из-за физической окклюзии датчика, что приводило к нестабильной генерации пути и временному снижению уровня выполнения задачи до 45% у затронутых пользователей. Эти аномальные результаты подчёркивают строгую зависимость алгоритмической архитектуры от непрерывных потоков пространственных данных. Для устранения этого режима отказа был разработан заранее определённый протокол устранения неполадок: автоматический сброс с источником отслеживания и рекалибровка датчиков в реальном времени немедленно восстанавливали выравнивание отслеживания в течение 1,5 секунды. Кроме того, неожиданное ухудшение политики в слое обучения подкрепления автоматически приводило к откату к предыдущим стабильным нейронным весам для защиты пользовательского опыта.

Результаты независимой репликации
В соответствии с формализованными пошаговыми процедурами, описанными в обновлённом разделе Протокола, независимые испытания верификации проводились отдельной технической командой для проверки воспроизводимости. Используя идентичную вычислительную среду и независимую вторичную рабочую станцию, команда по репликации успешно воспроизвела задержку генерации пути, алгоритмические выводы и точность корректировки сложности с точностью ошибки в 2%. Это независимое воспроизведение подтверждает высокую процедурную надёжность предлагаемой учебной системы.

ДОСТУПНОСТЬ ДАННЫХ:
Основные данные о поведении обучения студентов, используемые для обучения и валидации предиктивных алгоритмов в этом исследовании, получены из общедоступного набора данных Open University Learning Analytics, доступного на https://www.kaggle.com/datasets/anlgrbz/student-demographics-online-education-dataoulad и связанного с цифровым идентификатором объекта 10.1038/sdata.2017.171.

Рисунок 1: Интерфейс виртуальной обучающей сцены. Демонстрация иммерсивной среды культурного наследия, созданной с помощью высокоточного пространственного рендеринга. Интерфейс включает модульные панели управления на левой оси для навигации, визуального увеличения и взаимодействия. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 2: Архитектура процесса персонализированной генерации путей. Блок-схема иллюстрирует извлечение поведенческих данных с помощью модели трансформера и последующее генерирование последовательностей с использованием модели нейронной коллаборативной фильтрации (NCF). Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 3: Пользовательский интерфейс интеллектуальной образовательной платформы. Панель управления отображает персонализированный путь обучения студента, показывая завершённые модули зелёным цветом, а ожидающие модули — красным для руководства прогрессом обучения. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 4: Сравнение учебных результатов по уровням эффективности. (A) средние результаты после тестирования и (B) показатели выполнения заданий для учащихся в экспериментальной (интеллектуальной платформе) и контрольной (традиционной) группах. Данные представлены как среднее ± SD (n = 20 на подгруппу). Индикаторы ошибок указывают на стандартное отклонение. Статистическая значимость оценивалась с помощью t-тестов независимых выборок. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 5: Сравнение прогресса обучения на пяти этапах обучения. График отслеживает процент завершения на этапах предварительного просмотра, формального обучения, применения, оценки и сводки для групп с низкими, средними и высокими баллами в экспериментальных и контрольных условиях. Точки данных представляют среднее значение группы. Индикаторы ошибок указывают на стандартное отклонение. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 6: Повышение точности в результате динамической настройки сложности. Сравнение точности по конкретным вопросам (A) до корректировки и (B) после модуляций сложности DQN в реальном времени по разным уровням производительности. Полоски ошибок обозначают стандартное отклонение. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 7: Распределение времени реакции системы. Гистограмма, описывающая 200 последовательных серверных алгоритмических задержек выводов при непрерывной работе платформы, демонстрирующая среднюю задержку 0,496 с и подтверждающую возможности быстрой обратной связи. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Студенческий билет	Идентификатор сцены	Учебные задачи	Количество кликов	Время пребывания	Прогресс в обучении (%)	Завершение миссии
S001	VR01	Посещения объектов культурного наследия	15	301	80	Завершено
S002	VR02	Взаимодействие с произведениями искусства	10	249	60	Незавершённые
S003	VR03	Традиционное мастерство	20	456	90	Завершено
S004	VR01	Посещения объектов культурного наследия	8	182	50	Незавершённые
S005	VR02	Взаимодействие с произведениями искусства	12	287	75	Завершено
S006	VR03	Посещения объектов культурного наследия	18	354	85	Завершено

Таблица 1: Пример данных о поведении учащихся. Репрезентативные интерактивные логи, собранные внутри виртуальных сценариев, включая метрики, такие как время остановки, частота взаимодействия и статус завершения задачи.

Метрика оценки	Критерии оценки	Оценка выступлений
Нормализованный дисконтированный кумулятивный прирост	Точность выбора Top-K	0.82
Коэффициент попаданий	Извлечение релевантного элемента	0.88
Средний обратный ранг	Точность порядка рангов	0.76

Таблица 2: Метрики точности рекомендаций для генерации персонализированных путей. Оценка точности модели NCF, отчёт о нормированном дисконтированном накопленном приросте (NDCG), коэффициенте попадания (HR) и среднем обратном ранге (MRR) при выборе верхнего K (K = 10).

Результат	Уровень производительности	Экспериментальная группа (Средний ± SD)	Контрольная группа (Средняя ± SD)	Средняя разница	t (df)	p-значение	95% ДИ
Результат после экзамена	Низкий	69.2 ± 4.1	58.1 ± 5.3	11.1	7.34 (38)	<0.001	[8.2, 14.0]
	Среда	78.7 ± 3.8	70,9 ± 4,6	7.8	5.92 (38)	<0.001	[5.1, 10.5]
	Высокий	92.5 ± 2.9	81.6 ± 3.7	10.9	8.01 (38)	<0.001	[8.2, 13.6]
Процент выполнения задач (%)	Низкий	93.2 ± 3.1	74.3 ± 6.2	18.9	11.05 (38)	<0.001	[15.3, 22.5]
	Среда	96.1 ± 2.4	78,5 ± 5,9	17.6	9.87 (38)	<0.001	[14.0, 21.2]
	Высокий	98.0 ± 1.8	86.2 ± 4.7	11.8	7.63 (38)	<0.001	[8.7, 14.9]
Примечание. Все сравнения использовали двухсторонние независимые t-тесты. 95% ДИ = доверительный интервал средней разницы. Тест Левена подтвердил однородность дисперсии (все p > 0,05).

Таблица 3: Результаты после вмешательства по уровню производительности. Средние различия и выводная статистика (значения Коэна d и t), сравнивающие экспериментальные и контрольные группы на низких, средних и высоких уровнях (n = 20 на подгруппу). Данные представлены как среднее ± SD.

Результат	Уровень производительности	Групповые средние значения только для VR	Средняя разница от контроля
Результат после экзамена	Низкий	63.5	5.4
Результат после экзамена	Среда	75	4.1
Результат после экзамена	Высокий	87.5	5.9
Процент выполнения задач (%)	Низкий	83.6	9.3
Процент выполнения задач (%)	Среда	87.3	8.8
Процент выполнения задач (%)	Высокий	92.1	5.9

Таблица 4: Результаты после вмешательства для исследования абляции только с использованием VR. Сравнительные результаты обучения, выделяющие специфический вклад интеграции искусственного интеллекта на фоне статической базы VR. Данные представлены как среднее ± SD.

Название модели	Конфигурация архитектуры	Метрики оценки
Интегрированный DQN	Многослойный перцептрон	Награда = 84,5, Сходимость = 1200, Улучшение = 40%
Статический порог	Фиксированная логика правил	Награда = 62.3, Сходимость = Неудача, Улучшение = 0%
Рандомизированная политика	Стохастический выбор действия	Награда = 41,2, Сходимость = Неудача, Улучшение = −32%

Таблица 5: Результаты исследования абляции DQN. Сравнение полностью интегрированного механизма динамической корректировки DQN с исходным уровнем статического порога и рандомизированной политикой корректировки, оценивая накопленные эпизоды вознаграждения и сходимости.

Метрики	Экспериментальная группа	Контрольная группа
Время учёбы (минуты)	128 ± 14	89 ± 18
Частота взаимодействия (времена)	67 ± 9	24 ± 7
Уровень владения знаниями (балл)	88 ± 6	72 ± 9
Прогресс в обучении (%)	96 ± 3	78 ± 7
Чувство вовлечённости (рейтинг: 1–5)	4.8 ± 0.3	3,5 ± 0,6
Примечание: Все сравнения между группами были статистически значимыми: время исследования, t(118) = 11,23, p < 0,001; Частота взаимодействия, t(118) = 18,76, p < 0,001; Овладение знаниями, t(118) = 9,84, p < 0,001; Прогресс обучения, t(118) = 10,55, p < 0,001; Рейтинг вовлечённости, t(118) = 14,32, p < 0,001.

Таблица 6: Метрики участия и интерактивности. Оценка показателей вовлечённости в обучение (время обучения, частота взаимодействия и балл вовлечённости) между экспериментальной и контрольной группами. Данные представлены как среднее ± SD. Все различия статистически значимы (p < 0,001).

Обсуждение

Это исследование вносит вклад в образовательные технологии, переводя основные педагогические теории — а именно конструктивизм и зону ближайшего развития — в вычислительно реализованную интеллектуальную систему обучения. Интеграция погружения в VR с персонализацией, ориентированной на поведение, гарантирует, что технологические инновации служат явным образовательным целям, а не функционируют как самоцель. Как отмечается в методологии, создание персонализированных учебных путей является ключевым фактором обеспечения эффективности образовательного процесса, поскольку рекомендации контента, основанных на извлечённых характеристиках поведения, напрямую решают индивидуальные когнитивные^{потребности 25,26}. Кроме того, использование эмоциональной и исполнительной обратной связи в реальном времени для модуляции сложности задач не только оптимизирует мгновенный эффект обучения, но и значительно поддерживает вовлечённость учащихся, предотвращая когнитивную перегрузку.

Первоначальный вклад этого исследования — объединение высокоточного виртуального пространственного отслеживания с непрерывной алгоритмической корректировкой для решения несовместимости между иммерсивным вовлечением и адаптивным обучением. Три модели ИИ работают последовательно без совместной оптимизации, предотвращая катастрофическое забывание и позволяя изолированную настройку гиперпараметров для отдельных рабочих этапов. В отличие от традиционных статических рекомендательных систем, основанных исключительно на исторических^{данных 10}, или моделей, ограниченных изолированным обнаружением лицового^{взаимодействия 11}, предлагаемая платформа динамически сопоставляет непрерывное пространственное поведение с когнитивными состояниями. Наблюдаемые повышенные показатели выполнения задач соответствуют и расширяют результаты современных исследований пространственных^{вычислений 6,7,8}, подтверждая, что многомодельные алгоритмические архитектуры могут эффективно заменять человеческую структуру в иммерсивных средах.

Крайне важно различать непосредственные и устойчивые педагогические эффекты платформы. Результаты первоначального четырёхнедельного пилотного проекта показали быстрые улучшения краткосрочных результатов обучения, частоты взаимодействия и уровня выполнения задач среди студентов бакалавриата. В то же время 16-недельное продолжение было проведено для оценки устойчивого взаимодействия и смягчения эффекта новизны, обычно связанного с новыми иммерсивными технологиями. Отложенные послетесты, проведённые на 20-й неделе, подтвердили, что алгоритмически управляемая группа сохраняла значительно более высокий долгосрочный уровень усвоения знаний по сравнению с традиционными группами обучения. Вместе эти чётко разделённые временные фазы дают убедительные доказательства как немедленной, так и постоянной педагогической эффективности интеллектуальной платформы.

Несмотря на эти обнадёживающие результаты, необходимо признать ряд ограничений. Во-первых, интенсивные требования к графической обработке ограничивают развертывание учреждениями с выделенным вычислительным оборудованием, что серьёзно ограничивает масштабируемость в недофинансируемых образовательных округах. Во-вторых, локализованная выборка участников из одной институциональной демографической группы ограничивает немедленную обобщимость эмпирических результатов по различным географическим популяциям. Наконец, текущая библиотека сценариев виртуального обучения может быть недостаточно богатой, чтобы охватить разнообразные культурные интересы всех учеников. Будущие исследования будут сосредоточены на расширении разнообразия виртуальных сценариев для соответствия более широким культурным контекстам, оптимизации алгоритмической эффективности для низкоуровневого оборудования и валидации подхода на протяжении длительного периода и в различных образовательных дисциплинах.

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
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.