Geleneksel kültürel eğitim platformlarını geliştirmek için sanal gerçeklik ve büyük veri algoritmalarını entegre eden akıllı öğretim yöntemleri

Özet

Bu çalışma, davranışsal özellikleri çıkarmak ve sanal ortamlarda dinamik olarak ayarlanmış eğitim yollarını uygulamak için tekrarlanabilir bir iş akışını detaylandırıyor. Belirtilen prosedürler, eğitimcilerin uyarlanabilir sanal gerçeklik müfredatları geliştirmelerini ve gerçek zamanlı davranış takibi uygulamasını sağlar.

Özet

Mevcut geleneksel öğretim ortamlarında sınırlı etkileşimli unsurlar bulunmakta, kültürel mirası inceleyen lisans öğrencileri arasında sınırlı katılım ölçütleri oluşmaktadır. Bu sorunları ele almak için, yüksek hassasiyete sahip mekânsal render motorunu sanal gerçeklik ortamlarına entegre eden akıllı bir öğretim platformu geliştirildi ve çok modelli algoritmik mimariyle birlikte kullanıldı. Bu platformda, Transformer ve Sinirsel İşbirlikçi Filtreleme (NCF) davranışsal verileri işleyerek kişiselleştirilmiş öğrenme yolları oluştururken, Derin Q-Ağı (DQN) gerçek zamanlı geri bildirime dayanarak içerik zorluğunu dinamik olarak ayarlar. Böyle uyarlanabilir iskelete, bilginin statik öğretimle pasif olarak alınmak yerine bağlamsal, duyarlı ortamlarla etkileşim yoluyla aktif olarak inşa edildiği yapıcı öğrenme ilkelerini yansıtır. Bu araştırmanın yeniliği, bir mekânsal render motorunu çoklu modelli algoritmik mimariyle entegre ederek gerçek zamanlı davranışsal uyum mekanizması oluşturmakta yatmaktadır. Deneysel sonuçlar, önerilen akıllı öğretim platformunu kullanan deneysel grubun geleneksel öğretim modelini kullanan kontrol grubuna göre daha yüksek öğrenme puanlarına (düşük/orta/yüksek gruplar sırasıyla 69/79/93 puan) ve daha yüksek öğrenme görevi tamamlama oranına (%93/%96/%98) sahip olduğunu göstermektedir. Akıllı öğretim platformunun tasarımı güçlü etkileşim sunar, çeşitli bireysel farklılıklara sahip öğrenciler için kişiselleştirilmiş öğrenme yolları sunar ve öğrenme sürecinde dinamik olarak uyum sağlar. Yanıt süresi analizi ortalama 0.496 saniye gecikme göstererek etkileşimler hakkında hızlı geri bildirim sağlıyor. Sonuç olarak, önerilen platform, sürükleyici VR'ı davranışa uyarlayıcı algoritmalarla birleştirmenin geleneksel kültürel eğitimde lisans öğrencileri için hem akademik başarıyı hem de görev katılımını etkili bir şekilde artırdığını gösteriyor.

Giriş

Geleneksel kültürel eğitim, kültürün miras alınması ve gelişiminde hayati bir rol oynar. Ancak mevcut geleneksel kültürel eğitim modeli esas olarak ders kitapları, resimler ve videolar gibi statik biçimlere dayanır; etkileşim ve daldırma eksikliği nedeniyle öğrencilerin kültürün cazibesini gerçekten anlamalarını ve deneyimlemelerini zorlaştırır. Ayrıca, geleneksel öğretim yöntemleri genellikle birleşik bir müfredat benimser; bu müfredat, öğrencilerin ilgi alanlarını, bilişsel yeteneklerini ve öğrenme stillerini tam olarak dikkate almaz; bu da düşük öğrenme verimliliğine ve öğrencilerin öğrenme hevesini teşvik etmekte zorluklara yol açar. Bu sınırlama, Vygotsky'nin Yakın Gelişim Bölgesi (ZPD) teorisiyle örtüşmektedir; bu teori, etkili eğitimin öğrenenlerin mevcut bilişsel seviyelerine göre uyarlanması ve bireysel gelişim yollarına göre desteklenmesi gerektiğini vurgular. Mevcut literatür, pedagojik modelleme için statik veri girdilerine dayanır. Sürekli mekansal davranışsal takip ile derin pekiştirici öğrenmenin entegrasyonu hâlâ keşfedilmemiştir. Önerilen mekanizma, çoklu duyusal etkileşimleri algoritmik yeniden düzenlemeyle birleştirerek sabit öğretim yolları ile dinamik bağlamsal uyum arasındaki boşluğu kapatıyor. Önerilen platform, bu ilkeyi gerçek zamanlı davranışsal göstergelere dayalı olarak içerik zorluğunu ve sıralamayı dinamik olarak ayarlayarak uygular ve böylece pedagojik teoriyi algoritmik tasarıma entegre eder. Algoritmik uyum mekanizmaları, genellikle daha yetenekli akranlar tarafından sağlanan insan iskelesinin yerini etkili bir şekilde doldurur. Bu sürekli görev zorluğu modülasyonu, yeni başlayanlarda bilişsel aşırı yükü önleyerek ve optimal gelişim alanında katılımı sürdürerek Bilişsel Yük Teorisi (CLT) ile uyumludur.

Sanal gerçeklik (VR) ve veri algoritmalarının gelişmesiyle birlikte, bunları geleneksel kültürel eğitime uygulamak öğrencilere daha sürükleyici ve etkileşimli bir öğrenme deneyimi^sunar 1,2,3,4. Yükseköğretimde sürükleyici sanal gerçeklik uygulamalarının kapsamlı sistematik incelemeleri, tasarım unsurlarının belirli pedagojik hedeflerle uyumlu olmasının önemini daha da^{vurgular. 5}.

Birçok çalışma, VR teknolojisini kültürel eğitime uygulamayı amaçlamıştır. Hulusic ve ^ark.6 , somut bir kullanıcı arayüzü dahil olmak üzere okul sanal müzesi tasarladı ve geliştirdi. Kullanıcı katılımlı araştırmalar sayesinde, müzenin iyi tasarlanmış ve iyi geliştirilmiş olduğu tespit edildi ve müzelerde, okullarda veya bağımsız olarak öğrenme ve eğitim aracı olarak kullanılabilecek potansiyele sahip. Uzaktan eğitim ortamlarında yetersiz etkileşim sorununa yanıt olarak, Mubarok ve ^ark.7 bu konuyu ele almak için VR tabanlı işbirlikçi argüman-eşleme yöntemi geliştirmiştir. Deneyler, bu yöntemin öğrencilerin sözlü İngilizce ifadesini, VR temelli olmayan işbirlikçi argüman haritalama yöntemlerinden daha iyi geliştirdiğini göstermiştir. Sun ve ^ark.8 , dijital kültürel mirası sergilemek ve geliştirmek için çoklu modal etkileşim, oyunlaştırma ve hikaye anlatımını birleştiren sürükleyici bir VR sistemi için tasarım stratejisi önerdi. Dunhuang duvar resimlerini restore eden ve kullanıcılara öğrenen, etkileşimli ve eğlenceli bir deneyim sunan sürükleyici bir VR sistemi geliştirdiler. Ancak bu çalışmalar hâlâ VR sahnelerinde zayıf etkileşim, öğrenme içeriğinde yavaş güncelleme oranları ve kişiselleştirilmiş öneri algoritmalarının yetersiz uyarlanabilirliği gibi bazı sorunlarla karşı karşıya kalmaktadır; bu da farklı öğrencilerin öğrenme ihtiyaçlarını doğru şekilde karşılamayı imkansız kılar. Ayrıca, bazı çalışmalar derin öğrenme ve pekiştirici öğrenmeyi etkili bir şekilde entegre edememiş, kişiselleştirilmiş önerilerin gerçek zamanlı ayarlama yeteneklerini sınırlamıştır.

Yapay zekadaki son gelişmeler, eğitim teknolojilerini hızlandırdı. Araştırmalar, kullanıcı davranışında desen tanıma için derin öğrenmeyi kullanan uyarlanabilir sistemler tanıtmaktadır. Bilişsel takip algoritmalarını kullanan metodolojiler, bilgi ediniminin dinamik durumlarını haritalar. Sinir ağlarında yapısal optimizasyon, akıllı öğrenme çerçevelerinde öneri hassasiyetini artırır. Karmaşık çevresel değişkenleri entegre eden akıllı ajanlar, otomatik öğretim yanıtlarını artırır. Bu metodolojiler, izole veri akışlarına ve statik tarihsel analizlere dayanır. Önerilen platform, bu sınırlamayı, mekansal etkileşim verilerini sürekli algoritmik yeniden düzenlemelerle birleştirerek gerçek zamanlı bağlamsal uyum sağlamayı sağlar.

Son ampirik araştırmalar, derin öğrenme algoritmalarının öğrenci performans modellemesinde öngörü doğruluğunu önemli ölçüde iyileştirdiğini doğrulamaktadır. Ouatik ve ^ark.9 , öğrencilerin akademik başarı ve başarısızlığını tahmin etmek için bir sistem uygulamıştır. Öğrencilerin kişisel bilgilerini, akademik değerlendirmelerini ve diğer verileri kullandılar ve yapay zeka ile eğitim veri madenciliği yöntemlerini kullanarak öğrencilerin akademik başarısını tahmin ettiler. Veri işleme sorununu çözmek için, işlemenin dağıtılması için büyük veri (BD) teknolojisi kullanıldı ve hesaplama süresini azaltarak algoritmik verimlilikten ödün vermeden azaltıldı. Bhaskaran¹⁰ , mevcut öğrenme öneri sistemlerindeki sorunları ele almak için geliştirilmiş bir vektör uzayı önericisi geliştirmiştir. Öğrencilerin ilgi alanlarını, gereksinimlerini ve bilgi seviyelerini otomatik olarak takip eder. Sunucudan öğrenenlerin öğrenme stillerini sınıflandırır ve çıkarır, ardından daha iyi bir öneri listesi oluşturmak için benzerlikleri hesaplamak için geliştirilmiş bir işbirlikçi filtreleme algoritması kullanır. Gupta¹¹ , yüz ifadelerini kullanarak çevrimiçi öğrenenlerin gerçek zamanlı katılımını tespit eden, öğrencilerin yüz etiketlerini analiz ederek duygularını sınıflandıran ve tespit sonuçlarına göre öğrencilerin öğrenme durumunu ayarlayan derin öğrenme tabanlı bir yöntem önerdi. Ancak, bu yöntemlerin hâlâ bazı sınırlamaları vardır.

Mevcut VR eğitim çözümleri sürükleyici bir deneyim sunsa da, dinamik ayarlama yeteneklerinden yoksunlar. Öğrencilerin öğrenme yolları genellikle sabit olur ve içerik ile zorluk seviyesi kişisel ilerleme ve geri bildirimlere dayalı olarak gerçek zamanlı optimize edilemez, bu da katılım eksikliğine yol açar. Aynı zamanda, geleneksel kişiselleştirilmiş öneri algoritmaları çoğunlukla tarihsel verilere veya basit ilgi etiketlerine dayanır ve öğrencilerin öğrenme davranışı, bilişsel durum ve duygusal geri bildirim gibi çok boyutlu verileri doğru analiz için entegre edemez. Öğrencilerin öğrenme süreçlerinin derinlemesine anlaşılmaması, tavsiye sisteminin bireysel farklılıkları etkili bir şekilde ele almasını engeller; bu da optimal olmayan bir öğrenme deneyimi ve yetersiz sonuçlara yol açar.

Bu nedenle, geleneksel kültürel eğitimde yetersiz dalma ve kişiselleştirme eksikliği sorunlarını ele almak için akıllı bir öğretim platformu önerilmektedir. Bu metodoloji, mekânsal görselleştirme ve bireyselleştirilmiş tempo metrikleri gerektiren lisans beşeri bilimler derslerine doğrudan uygulanabilir. Gelişmiş uzaysal render motorları ve ilgili uzaysal hesaplama teknolojileri, sanal öğrenme sahneleri geliştirmek için kullanılır. Sanal öğrenme ortamları, öğrenenlere belirli kültürel modülleri seçme özerkliği tanır. Sinirsel dikkat tabanlı Transformer modeli, zaman damgalı etkileşim günlüklerini işleyerek davranış kalıplarının kompakt bir temsili oluşturur. Öğrencilerin öğrenme davranışı özelliklerinin çıkarılmasına dayanarak, Sinirsel İşbirlikçi Filtreleme (NCF) modeli, öğrencilerin öğrenme ilgi alanlarını daha da araştırmak ve kişiselleştirilmiş öğrenme yolları oluşturmak için kullanılır. Derin Q-Ağı (DQN) modeli, öğrencilerin gerçek zamanlı geri bildirimlerini toplar ve öğrenme yolunu dinamik olarak ayarlayarak öğrencilerin öğrenme deneyimini ve öğrenme etkisini optimize eder.

Pratik dağıtım açısından, önerilen platform özel avantajlar sağlar, ancak evrensel olarak uygulanabilir değildir. Bağımsız grafik işleme birimleri ve sürükleyici mekânsal görselleştirme ekipmanlarından oluşan özel hesaplamalı donanımlarla donatılmış eğitim kurumları ile kültürel miras mimarisi ve arkeolojide mekânsal görselleştirmeden önemli ölçüde faydalanan müfredatlar için oldukça uygundur. Bu bağlamlarda, dinamik davranışsal takip bireysel tempo farklılıklarını etkili bir şekilde ele alır. Buna karşılık, bu yöntem şu anda gerekli teknolojik altyapıya sahip olmayan yetersiz fon alan eğitim ortamları için uygun değildir. Ayrıca, üç boyutlu daldırmanın geleneksel öğretim yöntemlerine kıyasla önemsiz pedagojik değer sağladığı son derece soyut, metin odaklı dersler için önerilmez.

Protokol

Shaanxi Uluslararası Ticaret ve Ticaret Üniversitesi kurumsal etik komitesi, araştırma protokolünü 2025-04A referansı altında onayladı. İşlem başlangıcından önce tüm katılımcılardan belgelenmiş bilgilendirilmiş onam alındı; böylece tüm insan deneklerin davranışsal takip ve veri anonimleştirme protokollerinden haberdar olması sağlandı. (Not: Algoritmalarla ilgili pedagojik gerekçeler, operasyonel özlüğü korumak için Tartışma bölümüne taşınmıştır.)

Adım 1: Sanal gerçeklik sahne inşası

Varlık Entegrasyonu
Kültürel unsurların dijital modellemesi, genel bir 3D modelleme yazılımı kullanılarak (kullanılan özel yazılımlar için Materyaller Tablosu'na bakınız) sürükleyici öğrenme ortamları oluşturmak için^{gerçekleştirilmiştir 12,13}. Dijital varlıklar üretildi, fiziksel tabanlı render dokuları atandı ve mikroskobik görüntüleme teknikleri kullanılmadan yüksek isabetli bir uzaysal render motoruna (Materyal Tablosu)^{aktarıldı 14,15}.

Render ve fizik yapılandırması
Dinamik aydınlatmayı optimize etmek için render motorunda donanım ışın izleme teknolojisi^{etkinleştirildi 16,17}:

(1)

P, sahnedeki ışık yoğunluğunu temsil eder. L, ışık kaynağının konumunu temsil eder. I_L, ışık kaynağının yoğunluğunu gösterir ve N ise sanal nesnenin yüzey normal vektörünü temsil eder.

Fizik motoru, nesne yönelimli programlama arayüzü (C++) aracılığıyla nesne dinamiklerini simüle ederdi. Kullanılan reaksiyon formülü şuydu:

(2)

F dinamik tepki kuvvetini, m sanal nesnenin kütlesini, v hızını, t ise zamanı temsil eder.

Akıcılığı sağlamak için, sahneyi optimize etmek için Detay Seviyesi (LOD) teknolojisi kullanıldı; bu da gereksiz hesaplamaları azalttı ve model ^18,19'un detay seviyesini dinamik olarak ayarlayarak render verimliliğini artırdı. GPU hızlandırma görüntü işleme için kullanıldı:

(3)

R yansıma katsayısını, M yüzey haritasını, C ise son render edilen rengi temsil eder.

Etkileşim uygulaması
Kullanıcı etkileşimleri, mekansal render motoruna özgü görsel düğüm tabanlı betik arayüzü kullanılarak yapılandırıldı. Mekânsal ses teknolojisi kullanılarak, öğrencilerin farklı konumlarda farklı ses efektlerini duyabilmeleri için ses uzayda simüle edildi. Ayrıca, dokunsal geri bildirim teknolojisi sayesinde, öğrenciler sanal sahnede karşılık gelen fiziksel dokunuşa fiziksel tepkiler^{alabilirler 20}:

(4)

F_{, dokunsal} geri besleme kuvvetini, k ise sertlik katsayısını temsil eder.

Dağıtım ve ekipman genel görünümü
Ortam, yirmi dört çekirdekli merkezi işlemci birimi, altmış dört gigabayt rastgele erişim belleği ve yirmi dört gigabaytlık özel bir grafik işlem birimiyle donatılmış özel bir uzaysal hesaplama donanımı üzerinde derlenmişti. Sanal sahneler, Materyaller Tablosu'nda detaylandırıldığı gibi, 1440 x 1600 piksel çözünürlüğe ve 90 Hz yenileme hızına sahip standart sürükleyici uzamsal görselleştirme ekranlarında konuşlandırıldı; bu da optimal görsel stabiliteyi ve hareket-foton gecikmesini en aza indirdi. Mekânsal sınırlar, görsel olarak tetiklenen hareket hastalığını azaltmak için seansları 45 dakikada sınırlandıracak şekilde yapılandırıldı.

Malzeme Tablosu, kullanılan özel teknolojileri özetlemektedir. Tüm belirlenmiş donanım ve hesaplama bileşenleri, standart ticari hazır ekipmandı ve tek bir özel tedarikçiye bağlı değildi. Mekansal render motoru ve ışın izleme dinamik aydınlatma sağlarken, 3D modelleme yazılımı tarihi alanları yeniden üretti. Şekil 1, görsel büyütme, ses modülasyonu ve hareket için modüler kontrol panelini detaylandıran sanal öğrenme sahnesine bir örnek vermiştir.

Kontrol Noktası 1: Tamamen render edilmiş VR ortamı, sabit 90 Hz yenileme hızında çalışır, hareketten fotona gecikmeyi en az tutarak, görsel istikrarı sağlar.

Adım 2: Davranış-Veri Çıkarımı (Transformer)
Veri kaydı
Öğrencilerin öğrenme davranışı verileri arasında tıklama sayıları, harcanan zaman, öğrenme ilerlemesi ve görev tamamlanma gibi VR sahneleriyle etkileşimler yer alıyordu. Tablo 1 , farklı VR senaryolarındaki öğrenciler için öğrenme etkinliği verilerini sunmaktadır. Bu etkileşimli bilgi için platformda zaman serisi temsili kullanılmıştır:

(5)

s_τ, öğrencinin t zamanındaki davranışını temsil eder ve T toplam zaman uzunluğudur. Her davranış yüksek boyutlu bir vektör oluşturur:

(6)

f_i, boyut i'deki özel özellik değerini, d ise toplam özellik boyut sayısını gösterir.

Dizi Modelleme
Transformer modeli,^{zaman serisi modelleme için 21,22} kullanılmıştır. Öz-dikkat mekanizması kullanılarak, öğrenci davranışları arasındaki korelasyonlar hesaplanarak davranışsal özellikler çıkarıldı. Bir öğrencinin öğrenme davranışı veri dizisinin göme matrisi X, sorgu (Q), anahtar (K) ve değer (V) olduğu varsayılmıştır. Matrisler ilk olarak eğilebilir ağırlık matrisleri W^Q, W^K ve W^V ile çarpılarak oluşturuldu:

(7)

Dikkat Hesaplaması
Transformer içindeki öz-dikkat^23,24 olarak hesaplandı:

(8)

Bunlar arasında, d_k anahtar vektörlerin boyutunu temsil eder ve bu boyut, kaybolan gradyanları önlemek için bir ölçeklendirme faktörü olarak kullanılmıştır. (8) formülü hesaplandıktan sonra, öğrenme davranışları arasındaki korelasyonu ölçmek için dikkat ağırlığı hesaplandı:

(9)

E_ij, öğrenme davranışları arasındaki ham dikkat enerjisi puanını temsil eder. Bu ağırlıkların ağırlıklı toplamı, mevcut anda bağlam vektörü elde edilmek için kullanıldı; bu vektörü öğrencinin potansiyel özellik vektörüdür:

(10)

Kontrol Noktası 2: Transformer modeli, sürekli gizli özellik vektörleri (c_t) çıkarır. 5000 etkileşim logundan oluşan izolete dayalı doğrulama veri setinde, model %89,4 ardışık tahmin doğruluğu elde etti ve 50 dönem sonra çapraz entropi kaybı 0,12'ye yaklaştı.

Adım 3: Kişiselleştirilmiş Öğrenme Yolu Oluşturma (NCF)
Özellik Fusion
NCF modeli, öğrencilerin potansiyel ilgi ve ihtiyaçlarını araştırmak için entegre edildi ve kişiselleştirilmiş öğrenme yolları^oluşturdu 25,26,27,28. NCF'de, her kültürel bilgi noktasına bir özellik vektörü v k atanmış ve Transformer tarafından çıkarılan potansiyel özellik vektörü v u ile bilgi noktası vektörü v_k yeni bir ortak özellik vektörü oluşturmak üzere birleştirilmiştir:

(11)

Ağ Mimarisi ve Hiperparametreler:
Ortak özellik vektörü, ^29,30'un işlenmesi için NCF'deki çok katmanlı perceptrona (MLP) girildi. Çok katmanlı perceptron, sırasıyla 64, 32 ve 16 nörondan oluşan üç gizli katmandan oluşan önceden belirlenmiş bir mimariye sahipti. Öğrenme oranı 0.001 olarak belirlendi ve parti sayı 256 idi. MLP'de birkaç gizli katmanın doğrusal olmayan dönüşümünden sonra, öğrencilerin bilgi puanlarına olan ilgisinin öngörülen değeri çıktı:

(12)

W₁, W₂, ... , W_L birden fazla gizli katmanın ağırlık matrislerini temsil eder. σ, doğrusal olmayan aktivasyon fonksiyonunu gösterir ve b₁, b₂, ... , b_L ilgili gizli katmanların önyargı terimlerini temsil eder. Çıktı ilgisi tahmin değeri ne kadar yüksekse, öğrencinin bu bilgi noktasına olan ilgisi o kadar artar.

Model Eğitimi
Ağ, Adam çözücü kullanılarak optimize edildi (bozulma hızı 0.01, öğrenme hızı 0.001, parti boyutu 256). Ortalama kare hata (MSE), kayıp^{fonksiyonu 31,32} olarak hizmet verir:

(13)

u, k öğrenci davranış vektörünün ve bilgi puanı vektörünün indeksini temsil eder. Kayıp fonksiyonunu en aza indirerek, model öğrenciler ve bilgi puanları için potansiyel özellik vektörlerini sürekli güncelleyerek tahmin doğruluğunu artırır. Geri yayılma algoritması, eğitim sürecinde^33,34 modelindeki ağırlık matrisini güncellemek için kullanıldı.

Yol Çıkışı
Özel yaklaşım, tahmin edilen ilgi değerlerine göre sıralamak ve öğrencilere en yüksek ilgi değerine sahip k bilgi puanını önermekti:

(14)

K_K, öğrencilerin en çok ilgilendiği k bilgi noktasını temsil eder. Bu önerilen bilgi puanları, öğrencilerin öğrenme ilgi alanlarını karşılamakla kalmaz, aynı zamanda kendilerine uygun ilerleme ve zorluk seviyesinde etkili bir şekilde öğrenmelerine yardımcı olur.

Şekil 2 , bu nesil sürecini görselleştiriyor.

Kontrol Noktası 3: NCF modeli, döngüsel olmayan bir dizi üretir. Tablo 2'de detaylandırıldığı gibi, top-K seçiminde değerlendirilen tavsiye hassasiyeti, K = 10 iken 0.82 normalize edilmiş naklatılmış kümülatif kazanç (NDCG) ve isabet oranı 0.88 vermiştir. Ortalama karşılıklı sıralama metriği 0.76'da stabil hale geldi.

Adım 4: Dinamik zorluk ayarlaması (DQN)
Durum ve eylem tanımı
DQN (DQN) getirilerek ve öğrencilerin gerçek zamanlı geri bildirimlerini kullanarak öğrenme içeriği ve zorluk seviyesini dinamik olarak ayarlayarak, öğrencilerin öğrenme etkileri optimize^{edilmiştir 35,36}. DQN modelinin durum uzayı birden fazla faktörden oluşur:

(15)

Bunlar arasında, t_s öğrencilerin mevcut öğrenme görevine harcadığı zamanı temsil eder, c_p öğrencilerin öğrenme yolunda seçimlerini (seçilmiş bölümler veya bilgi puanları), m_c öğrencilerin mevcut öğrenme görevini tamamlamasını ve e_f öğrencilerin duygusal geri bildirimini (belirli bir öğrenme görevine tercih ve katılım derecesi) temsil eder.

Ödül Hesaplaması
Güçlendirme öğrenme ajanı, 128 ve 64 nöronlardan oluşan iki gizli katmandan oluşan çok katmanlı bir perceptron mimarisi kullanıyordu (epsilon-açgözlü keşif stratejisi 1.0'dan 0.05'e düşüyordu). İlk olarak, her öğrenme eylemine karşılık gelen ödül değeri hesaplandı:

(16)

Bunlar arasında, ω, öğrenme performansını ve öğrenme katılımını kontrol eden bir ağırlık hiperparametresidir. P_görevi, öğrencinin mevcut öğrenme görevindeki performansını temsil ederken, E_kısmı öğrencinin mevcut öğrenme sürecine katılımını temsil eder.

Q-Değer güncellemesi ve eylem seçimi
Ödül değeri alındıktan sonra, model Q değerini güncellerek optimal eylemi seçti:

(17)

α, güncelleme adım boyutunu kontrol eden öğrenme oranını temsil eder ve γ İndirim faktörü, gelecekteki ödüllerin önemini belirler.

Platform, optimal ayarlama eylemini seçti:

(18)

Platform tarafından öğrencinin T zamanındaki öğrenme durumuna göre seçilen optimal ayarlama eylemidir.

Ayar şu protokollere göre gerçekleştirildi: (1) Yüksek öğrenme yeteneği için zorluk artırıldı; (2) İpuçları verildi/zayıf performans nedeniyle zorluk düşürüldü; (3) İçerik ilgi değişikliklerine göre kaydedildi; (4) Dengeli performans için parametreler korundu.

Kontrol Noktası 4: DQN ajanı, çatışmayı sürdürmek için optimal eylemleri (A_t) hesapladı. Bileşik duygusal geri bildirim metriği (e_f), test sırasında Cronbach'ın alfa güvenilirlik katsayısını 0.85 olarak korudu.

Platform arayüz ekranı
Şekil 3, bu makalede tasarlanan ve kişiselleştirilmiş yol üretimini destekleyen akıllı öğretim platformunun arayüzünü göstermektedir. Bu arayüzde öğrenciler kişiselleştirilmiş öğrenme yollarını görebilir ve ondan öğrenebilirler. Tamamlanan öğrenme yolu yeşil, tamamlanmamış kısım ise kırmızıyla işaretlenebilirdi. Öğrenciler, öğrenme yolunda ilerlemelerini görebilir ve buna göre bir sonraki adıma geçebilirlerdi. Deneysel kohorta standart Sistem Kullanılabilirlik Ölçeği kullanılarak etkileşim sonrası anketler uygulandı. Analiz, 100 üzerinden ortalama kullanılabilirlik puanı 84,5 oldu; bu da arayüzün ergonomisinin ve navigasyon netliğinin oldukça kabul edilebilir olduğunu gösteriyor.

Deneysel tasarım
Katılımcılar, Shaanxi Uluslararası Ticaret ve Ticaret Üniversitesi'nde zorunlu "Çin Geleneksel Kültürü'ne Giriş" dersine kayıtlı 120 lisans öğrencisi (62 kadın, 58 erkek; ortalama yaş 19,3 ± 1,1 yıl) idi. Hiçbiri VR tabanlı öğrenme konusunda daha önce deneyime sahip değildi. Öğrenciler, ön test puanına göre eşleştirildi ve bilgisayar tarafından oluşturulan bir dizi kullanılarak deneysel veya kontrol koşullarına rastgele çiftler halinde yerleştirildi, böylece başlangıç eşdeğerliği sağlandı.

Bu deneyin tasarımı, tasarlanmış akıllı öğretim platformunun öğrencilerin öğrenme ilgisini, akademik performansını ve kişiselleştirilmiş eğitimini artırmadaki etkinliğini doğrulamaktı.

Deneyde deneysel grup ve kontrol grubu oluşturuldu ve öğrenci seçimi aşağıdaki ilkelere uyuldu: (1) Deneysel gruptaki ve kontrol grubundaki öğrencilerin temel bilgi, öğrenme yeteneği, ilgi alanları vb. açısından benzerlikleri olmasını sağladı. (2) Geleneksel kültürü inceleyen ve benzer sınıflara sahip öğrenciler, kültürel eğitim içeriğinin tekdüzeliği ve deneyin karşılaştırılabilirliği için seçilebilirdi. (3) Öğrencilerin bireysel farklılıkları, deneysel grubun akıllı öğretim platformunun kişiselleştirilmiş ayarlama fonksiyonundan tam şekilde yararlanabilmesini sağlamak için dikkate alınabilir.

Öğrenciler seçildikten sonra gruplanır ve benzer akademik performansa, ilgi alanlarına ve geçmişe sahip öğrenciler sırasıyla deneysel ve kontrol gruplarına atanır; böylece çoklu boyutlarda eşleşme sağlanır ve deneyin güvenilirliği artırılır.

Deneysel ve kontrol gruplarının performansı karşılaştırılarak, bu makalede tasarlanan platformun öğrenciler üzerindeki etkisi değerlendirildi. Yapay zeka algoritmalarının pedagojik katkısını izole etmek için çalışmada üç farklı grup yer aldı: standart sınıf yöntemlerini kullanan geleneksel bir kontrol grubu, uyarlanabilir algoritmalardan yoksun sabit sanal ortamlarla etkileşime giren sadece VR tabanlı bir grup ve tamamen entegre akıllı öğretim platformunu kullanan deneysel bir grup. Deneysel gruptaki öğrenciler VR sahnesinde öğrenebilir ve her öğrenci, öğrenme davranışı özelliklerine göre akıllı öğretim platformu aracılığıyla kişiselleştirilmiş öğrenme yolları oluşturabilir, öğrenme içeriği ve zorluk süreci sırasında gerçek zamanlı geri bildirimlere yanıt olarak dinamik olarak ayarlanabilir. Kontrol grubu, sınıf açıklamaları, ders kitabı okuma ve videolar gibi geleneksel öğretim yöntemleriyle kültürel eğitim aldı. Kontrol grubu, eğitmen liderliğindeki dersler, atanan okumalar ve doğrusal multimedya sunumları yoluyla standartlaştırılmış kültürel eğitim aldı. Bu temel eğitim, deneysel müfredatla aynı bilgi içeriğini kullandı ve aynı zamansal hızı korudu.

Çalışmanın amacını netleştirmek için üç hipotez geliştirildi: (1) VR teknolojisinin sağladığı sürükleyici öğrenme ortamı, öğrencilerin öğrenme katılımını ve ilgisini önemli ölçüde artırabilir. (2) Transformer ve NCF'nin kişiselleştirilmiş öğrenme yolu çıktısı, öğrencilerin akademik performansını etkili bir şekilde iyileştirmiş ve farklı öğrenciler arasındaki bilgi ustalığı farklarını azaltmıştır. (3) Akıllı öğretim platformu, öğrencilerin gerçek zamanlı geri bildirimlerine göre öğrenme içeriğini ve zorluk seviyesini dinamik olarak ayarlayarak öğrencilerin öğrenme sonuçlarını daha da iyileştirebilir.

Deneysel süreç: (1) Deneysel ve kontrol gruplarındaki öğrenciler üzerinde deneysel öncesi kültürel bilgi testi yapıldı; bu test, iki grubun ilk kültürel seviyelerinin benzer olduğundan emin oldu ve deneysel hataları azalttı. (2) Deneysel gruptaki öğrenciler, oluşturulmuş VR sahnesi ve akıllı öğretim platformunu kullanarak bir aylık kültürel çalışma yaptı ve öğrenme içeriği akıllı öğretim platformuna göre dinamik olarak ayarlandı. Kontrol grubu geleneksel öğretim yöntemlerini kullandı. İlk pilotun lojistik kısıtlamaları nedeniyle müdahale dört hafta sürdü. Tam 16 haftalık bir dönem boyunca yapılan takip boyu yapılan uzunlamasına çalışma, 20. haftada gecikmeli bir tutma testiyle sonuçlandı. Değerlendirme, algoritmik olarak yönlendirilen grupta hedeflenen tarihsel kavramların geleneksel öğretim grubuna göre %22 daha fazla aklıda kaldığını gösterdi. Mevcut bulguları kısa vadeli kanıt olarak bağlamlandırmak için ön protokol detayları sınırlamalar bölümünde sunulmuştur. (3) Deneyden sonra, iki öğrenci grubuna öğrenme performansları ve görev tamamlanma süreçleri değerlendirilmek için aynı kültürel bilgi testi verildi.

Öğrenciler için değerlendirme göstergeleri arasında öğrencilerin akademik performansı, öğrenme görevi tamamlanma ve öğrenme ilerlemesi yer alıyordu. Betimleyici istatistikler kullanılarak, deneysel ve kontrol grupları için ilgili değerlendirme göstergeleri özetlendi. Akıllı öğretim platformunun değerlendirme göstergeleri arasında yanıt süresi de yer alıyordu.

Sonuçlar

Veri bölünmeleri, doğrulama ve tekrarlanabilirlik ayarları
Algoritmik eğitim aşamasında, 5.000 günlük davranışsal etkileşim veri seti 80:20 eğitim ve doğrulama setlerine bölündü. Doğrulama prosedürleri, özellik çıkarma tutarlılığını değerlendirmek için 5 katlı çapraz doğrulama şeması kullandı. Mutlak deneysel tekrarlanabilirliği sağlamak için, tüm ağ ağırlık başlatmaları, veri seti karıştırma dizileri ve pekiştirme öğrenme keşif kalıpları, tüm test ortamlarında sabit rastgele tohum (tohum = 42) kullanılarak kilitlendi.

Öğrenme etkisi analizi
"Çin Geleneksel Kültürü'ne Giriş" programına kayıtlı toplam 120 lisans öğrencisi, ön sınav puanlarıyla düşük, orta ve yüksek performans seviyelerine (her seviyede 40) ayrıldı ve stratlar içinde rastgele olarak deneysel veya kontrol gruplarına (alt grup başına n = 20) ayrıldı; böylece koşullar arasında temel eşdeğerlik sağlandı.

Prosedürel aşama doğrulaması ve iş akışı çıktıları
Akıllı platformun ana iş akışı aşamalarından geçen ilerleme, nihai eğitim sonuçları değerlendirmeden önce doğrulanmış ara çıktılar sağladı.

(1) VR Sahne İçe Aktarma: Dijital varlıklar içe aktarıldığında, mesh bütünlüğü ve malzeme gölgeleyicileri başarıyla derlenir ( Şekil 1'de görselleştirilir), bu da istemci tarafı render boru hattını 90 Hz'de stabilize eder. (2) Davranış-Günlük Yakalama ve Özellik-Vektör Üretimi: Gerçek zamanlı kullanıcı etkileşimleri yüksek boyutlu vektörler olarak başarıyla kaydedildi (Tablo 1), ve Transformer modeli, çapraz entropi kaybı 0.12'ye yaklaştığı doğrulanmış sürekli gizli özellik vektörleri () üretti. (3) Yol Önerisi: Oluşturulan yol arayüzü (Şekil 2), döngüsel bağımlılıklar olmadan, yüksek sıralama metrikleriyle doğrulanan ardışık bilgi düğümü dizileri üretirdi (NDCG = 0.82). (4) DQN Ayarlaması: Dinamik zorluk sistemi (Şekil 3), 1.200 bölüm içinde sağlam bir şekilde birleşen ayrık uyarlama eylemleri üretti.

Şekil 4A,B, deneysel grup (akıllı öğretim platformu kullanarak) ile kontrol grubu (geleneksel öğretim) arasındaki karşılaştırmalı öğrenme sonuçlarını görsel olarak özetler. Tüm performans katmanlarında, deneysel grup sınav sonrası puanlar ve görev tamamlama oranları tutarlı olarak daha yüksek göstermektedir. Özellikle, görev tamamlama farkı en çok düşük performanslı öğrencilerde belirgin—%93 karşı %74—bu da platformun geleneksel ortamlarda zorlanan öğrencileri dahil etme kapasitesini vurguluyor. Yüksek seviye gruptaki puanlar ve tamamlama oranlarının birleşmesi, platformun tüm öğrenenlere fayda sağladığını ancak adaptif iskeletesinin daha zayıf temel bilgiye sahip olanlar için en büyük marjinal kazançları sağladığını gösteriyor. Bilişsel Yük Teorisi açısından bakıldığında, dinamik modülasyon algoritmaları, genellikle karmaşık sürükleyici arayüzlerin neden olduğu gereksiz bilişsel aşırı yüklenmeyi önler ve yeni başlayan kullanıcıların tüm çalışma bellek kapasitesini yalnızca içsel öğretim materyallerine ayırmasını sağlar.

Tablo 3, bu gözlemler için çıkarımsal istatistiksel destek sağlar. İstatistiksel değerlendirmeler, başlangıç varyasyonlarını kontrol etmek için kovaryans analizini kullanır. Etki boyutları, öğretim etkinliğinin büyüklüğünü belirlemek için Cohen'in d metriğiyle nicelendirilir. Analiz, Cohen'in d değerlerini sırasıyla 1,25, 0,89 ve 0,65 olarak alçak, orta ve yüksek performans seviyeleri olarak ortaya çıkardı ve bu da büyük pratik önemi gösteriyor. Hesaplanan metrikler, test edilen tüm demografik gruplarda önemli eğitim artışlarını doğruluyor. Bağımsız örneklem t-testleri, gruplar arası tüm farkların oldukça anlamlı olduğunu (p < 0.001), üstelik %95 güven aralıklarının örtüşmediğini ve büyük ortalama farklarının olduğunu ortaya koymaktadır: test sonrası puan farkları 7.8 ile 11.1 puan arasında değişirken, görev tamamlama avantajları %11.8 ile 18.9 arasında değişirken. Levene testi, tüm karşılaştırmalar için varyans homojenliğini (*p* > 0.05) doğrulayarak t-testi sonuçlarının sağlamlığını doğrular. Bu bulgular, akıllı öğretim platformunun hem akademik başarıda hem de öğrenme katılımında istatistiksel ve eğitimsel anlamlı iyileşmeler sağladığını birlikte doğrulamaktadır.

Tablo 4, yapay zeka entegrasyonunun özel katkısını detaylandıran karşılaştırmalı bir ablasyon analizi sunmaktadır. Bağımsız VR grubu, düşük, orta ve yüksek performans seviyelerinde ortalama test sonrası puanlar 63.5, 75.0 ve 87.5 olarak elde etti. Kontrol grubu, geleneksel iki boyutlu öğretim medyası aracılığıyla aynı metin ve görsel müfredatları işleyerek temel içerik eşdeğerliğini sağladı. VR tabanlı ablasyon grubu, aynı sürükleyici ortamları kullandı ancak algoritmik ayarlamadan yoksun statik, doğrusal bir bilgi puanı ilerlemesi aldı. Bu sonuçlar geleneksel kontrol grubunu geride bırakıyor ancak tam entegre VR ve yapay zeka platformundan önemli ölçüde daha düşük kalıyor. Tablo 5, tam entegre DQN ayarlama mekanizmasını statik eşik başlangıç ve rastgele ayarlama politikası ile karşılaştıran bir ablasyon çalışmasını sunmaktadır. Sütunlar model mimarisi, kümülatif ödül, yakınsama olayı ve politika getirisi iyileştirmesini temsil eder. Entegre DQN modeli, toplam 84,5 ödül, 1200 yakınsama dönemi ve politika getirisinde %40 iyileşme sağlar. Statik eşik başlangaz 62.3 toplam ödül sağlar, 2000 bölüm sınırı içinde birleşmez ve %0 iyileştirme temel değeri olarak hizmet eder. Rastgele politika 41,2 toplam ödül üretir, yakınsamaz ve %32 negatif getiri gösterir. Bu, DQN'nin tetiklediği dinamik zorluk ayarlamasını en yüksek akademik başarıların ana katalizörü olarak doğrular.

Katılım ve etkileşim analizi
Öğrenci katılımı ve etkileşimi, akıllı öğretim platformu ile geleneksel öğrenme yöntemi arasındaki farkları nesnel olarak değerlendirmek ve akıllı öğretim platformunun öğrenci katılımı ve etkileşimini artırmadaki avantajları ve dezavantajları derinlemesine anlamak için analiz edilir. Analiz göstergeleri arasında öğrenme süresi, etkileşim sıklığı, bilgi ustalığı, öğrenme ilerlemesi ve aynı öğrenme görevi altındaki deneysel ve kontrol gruplarının katılım hissi yer alır. Deneysel grubun öğrenme süresi, öğrencilerin sanal sahnede geçirdiği zamandır ve platform tarafından otomatik olarak kaydedilir; etkileşim sıklığı, öğrencilerin platformla etkileşime girdiği kaç kez gerçekleşir. Bilgi ustalığı test puanlarıyla ölçülür, öğrenme ilerlemesi tamamlanan öğrenme görevinin yüzdesidir ve katılım duygusu öğrencilerin öz değerlendirmesi ve geri bildirimiyle ölçülür. Kontrol grubunun öğrenme süresi, sınıfta geçirilen süredir ve etkileşim sıklığı sınıf sırasında yapılan etkileşim sayısıdır. Bilgi ustalığı sınıf sınavlarıyla sağlanır; öğrenme ilerlemesi dersin ilerlemesine yansır; ve katılımcılık duygusu, öğrencilerin öz değerlendirmesi ve geri bildirimleriyle desteklenir.

Tüm katılım metrikleri bağımsız örnekler t-testleriyle karşılaştırıldı. Levene testi tüm ölçümler için varyans homojenliğini doğruladı (p > 0.05).

Tablo 6'ya göre, deneysel grup tüm değerlendirme göstergelerinde avantaj göstermiştir. Deneysel grup anlamlı şekilde daha uzun çalışma süresi (128 dakika ± 14 dakika vs. 89 dakika ± 18 dakika, t(118) = 11,23, p < 0,001), daha yüksek etkileşim sıklığı (67 ± 9 vs. 24 ± 7, t(118) = 18,76, p < 0,001), daha yüksek bilgi ustalığı (88 ± 6 vs. 72 ± 9, t(118) = 9,84, p < 0,001), yüksek öğrenme ilerlemesi (%96 ± %3 vs. %78 ± %7), yüksek öğrenme ilerlemesi (%96 %3 vs. %78 %7, t(118) = 10.55, p < 0.001) ve daha güçlü bir katılım hissi (4.8 ± 0.3 vs. 3.5 ± 0.6, t(118) = 14.32, p < 0.001). Bildirilen tüm farklılıklar istatistiksel olarak anlamlıdır (p < 0.001), bu da katılım ve etkileşimdeki gözlemlenen iyileşmelerin rastgele varyasyondan kaynaklanmadığını doğrulamaktadır. Yukarıdaki veriler, bu makalede tasarlanan akıllı öğretim platformunun, öğrencilerin katılımını ve etkileşimini sürükleyici, etkileşimli sanal öğrenme senaryoları aracılığıyla artırabileceğini ve böylece öğrenme performanslarını iyileştirebileceğini göstermektedir. Tablo 6'da bildirilen tüm farklılıklar istatistiksel olarak anlamlıdır (p < 0.001), bu da katılım ve etkileşimdeki gözlemlenen iyileşmelerin rastgele varyasyondan kaynaklanmadığını doğrulamaktadır.

Kişiselleştirilmiş öğrenme yolunun etkisi
Her iki grupta da düşük, orta ve yüksek puan alan öğrencilerin öğrenme ilerlemesi, öğrencilerin öğrenme etkilerini artırmadaki avantajlarını vurgulamak için beş aşamada (önizleme, resmi öğrenme, uygulama, değerlendirme ve özet) karşılaştırıldı. Bu karşılaştırma, bu makalede açıklanan akıllı öğretim platformunun kişiselleştirilmiş öğrenme yolunda farklı aşamalarda başarı grupları arasında öğrenme ilerlemesi farklılıklarını açıkça göstermekte olup, kişiselleştirilmiş öğrenme yolunun öğretim içeriğini öğrencilerin farklı ihtiyaç ve yeteneklerine göre nasıl uyarladığını doğrulamaktadır. Geleneksel öğretim yöntemlerine kıyasla, öğrencilerin kişiselleştirilmiş öğrenme ihtiyaçlarını daha etkili karşılayabilir ve böylece akademik performansı iyileştirir.

Şekil 5'te, farklı öğrenci sınıflarında kişiselleştirilmiş öğrenme yollarının (deneysel grup) öğrenme ilerlemesi, geleneksel öğretim yöntemlerinden (kontrol grubu) anlamlı derecede daha iyidir. Düşük puan alan grupta, deneysel grubun öğrenme ilerlemesi %12'den %89'a yükselirken, kontrol grubunun %14'ten %61'e yükseldi. Bu, kişiselleştirilmiş öğrenme yollarının düşük puan alan öğrencilerin öğrenme ilgisini etkili bir şekilde uyarabileceğini ve öğrenme içeriği ile zorluk seviyesini dinamik olarak ayarlayarak öğrenme ihtiyaçlarını daha iyi karşılayabileceğini, böylece öğrenme motivasyonunu ve ilerlemesini artırabileceğini göstermektedir. Orta puan alan grupta deneysel grup %21'den %94'e yükselirken, kontrol grubu %24'ten %86'ya yükseldi. Kişiselleştirilmiş öğrenme yolları, ortalama puana sahip öğrencilerin öğrenme engellerini daha iyi aşmalarına ve uygun zorluklar sunarak öğrenme ilerlemelerini hızlandırmalarına yardımcı olabilir. Yüksek puan alan grupta, deneysel grubun öğrenme ilerlemesi %33'ten %100'e yükselirken, kontrol grubununki %33'ten %95'e yükseldi. İki grup arasındaki fark küçük olsa da, kişiselleştirilmiş öğrenme yolları yine de avantajlar gösterir ve yüksek puan alan öğrencilerin gelişimini karşılamak için daha derinlemesine öğrenme içeriği sunabilir. Yukarıdaki analizlere dayanarak, akıllı öğretim platformu, kişiselleştirilmiş öğrenme yollarını öğrencilerin bireysel farklılıklarını hesaba katacak şekilde dinamik olarak ayarlayabilir, farklı puan seviyelerinde öğrenme sonuçlarını iyileştirebilir, öğrenme motivasyonunu teşvik edebilir ve öğrenme verimliliğini artırabilir.

Dinamik ayarlamanın etkinliği
Akıllı öğretim platformunun dinamik ayarlamalarının etkinliğini analiz etmek, platformun öğrencilerin gerçek zamanlı geri bildirimi ve performansına dayalı ayarlamalarının gerçekten öğrencilerin öğrenme sonuçlarını iyileştirip iyileştirmediğini değerlendirmek çok önemlidir. Bir öğrenme görevinde düşük, orta ve yüksek puan alan öğrenciler arasında beş öğrenme problemi için doğru orandaki değişiklikler analiz edilerek, akıllı öğretim platformunun uyum stratejisinin avantajları ve dezavantajları belirlenir ve bu da ayarlama mekanizmasına temel oluşturur.

Şekil 6A,B'ye göre, akıllı öğretim platformundaki dinamik uyum mekanizması, farklı sınıflardaki öğrenciler arasında önemli bir etkinlik göstermiştir. Düşük puan alan öğrencilerde, örneğin 5. soru gibi zor sorularda, düşük puan alan öğrencilerin doğruluk oranı ayarlamadan sonra %15 artmıştır. Bu, zor soruların zorluk seviyesini ayarlayarak, platformun düşük puan alan öğrencilerin daha zor içeriklerde başarılı olmalarına etkili bir şekilde yardımcı olabileceğini gösteriyor. Buna karşılık, orta puan alan öğrencilerin gelişimi nispeten mütevazıydı. Örneğin, Problem 1'de doğruluk oranı %72'den %75'e yükseldi; bu da platform ayarlamasının performanslarını iyileştirdiğini ancak düşük puan alan öğrencilerden daha küçük olduğunu gösteriyor. Yüksek puan alan öğrenciler için, düzeltmeden sonra da doğruluk oranları geliştirilebilir. Bu veriler, akıllı öğretim platformundaki dinamik uyum mekanizmasının en çok düşük puanlı öğrenciler için faydalı olduğunu, ancak orta ve yüksek puana sahip öğrenciler için ilerleme daha küçük olsa da öğrenme deneyimini optimize ettiğini göstermektedir. Bu doğruluk artışı sayesinde, öğrenciler zor sorunları çözmede başarı hissi kazanabilir ve bunları çözme konusunda özgüven kazanabilirler.

Platform tepki süresi analizi
Bu makalede sunulan akıllı öğretim platformunun yanıt süresi, performansı ve kullanıcı deneyimi değerlendirilmek için analiz edilmiştir. Daha kısa yanıt süresi, öğrenciler ile platform arasında daha akıcı etkileşim sağlar; platformun öğrenme içeriği ve zorluğunu gerçek zamanlı olarak ayarlamasını sağlar ve öğrencilerin öğrenme verimliliğini ve katılım duygusunu artırır. Yanıt süresi optimize edildiğinde, platformun gerçek zamanlı geri bildirim yeteneği gelişir, öğrencilerin deneyimi artar ve nihayetinde öğrencilerin öğrenme performansı da artar. Platform sorunsuz çalışırken ardışık 200 yanıt süresi toplanır ve analiz için frekans dağılımı histogramına çizilir.

Şekil 7'de, akıllı öğretim platformunun maksimum yanıt süresi 0,772 saniye, minimum yanıt süresi 0,238 saniye ve ortalama yanıt süresi 0,496 saniyedir. Bu kaydedilen metrikler, yol üretimi ve zorluk ayarlaması için sunucu tarafı algoritmik çıkarım gecikmesini temsil eder ve yerel istemci tarafı render boru hattından tamamen bağımsız olarak çalışır. İstemci tarafındaki hareket-foton gecikmesi, görsel istikrarı sağlamak ve siber hastalığı önlemek için kulaklık donanımında yerel olarak 20 ms'in altında tutulur. Bu, platformun sorunsuz çalıştığında öğrencilerin operasyonlarına hızlı yanıt verebileceğini ve akıcı, duyarlı bir etkileşimli deneyim sağladığını gösteriyor. Yanıt süresinin dağılımı normal dağılımla yaklaşık olarak uyumludur ve platformun iyi bir yanıt kararlılığına sahip olduğunu gösterir. Özellikle, ortalama yanıt süresi 0,5 saniyeden azdır, bu da platformun iyi bir yanıt fonksiyonuna sahip olduğunu gösterir. Bu, öğrencilerin öğrenme sürecini optimize etmeye yardımcı olur ve platform, öğrenciler çalışırken hızlı geri bildirim sağlar, bekleme süresini azaltır ve deneyimlerini geliştirebilir. Özetle, bu makalede tasarlanan akıllı öğretim, öğrencilerin katılım duygusunu ve öğrenme motivasyonunu yanıt süresi açısından geliştirmektedir. Şekil 4A,B'den Şekil 7'ye kadar elde edilen temsil sonuçlar, algoritmik müdahaleyi birden fazla pedagojik boyutta topluca doğrular. Şekil 4A, B ve Şekil 5, kişiselleştirilmiş dizi üretimiyle sağlanan makroskobik öğrenme iyileştirmelerini göstermektedir. Şekil 6A,B, gerçek zamanlı zorluk modülasyonundan kaynaklanan mikro düzeyde görev doğruluk kaymalarını detaylandırır. Şekil 7, platformun donanım uygulanabilirliğini doğrular.

Arıza-Vaka ve sorun giderme analizi
Temel takip değişkenlerinin fiziksel sensör tıkanması nedeniyle doğru şekilde başlatılamaması durumunda, dengesiz yol oluşturulmasına ve etkilenen kullanıcılar için görev tamamlanma oranlarının geçici olarak %45'e düşmesine yol açtı. Bu anormal sonuçlar, algoritmik mimarinin kesintisiz uzamsal veri akışlarına sıkı bağlılığını vurgular. Bu arıza modunu çözmek için önceden tanımlanmış bir sorun giderme protokolü oluşturuldu: otomatik takip kaynaklı sıfırlama ve gerçek zamanlı sensör yeniden kalibrasyon rutini, takip hizasını 1,5 saniye içinde hemen geri getirdi. Ayrıca, pekiştirme öğrenme katmanında beklenmedik politika bozulması, kullanıcı deneyimini korumak için önceki kararlı sinir ağırlıklarına otomatik olarak geri dönüşü tetikledi.

Bağımsız çoğaltma sonuçları
Güncellenmiş Protokol bölümünde detaylandırılan resmi adım adım prosedürlerin ardından, tekrarlanabilirliği test etmek için ayrı bir teknik ekip tarafından bağımsız doğrulama denemeleri yapıldı. Aynı hesaplama ortamı ve bağımsız ikincil bir çalışma istasyonu kullanarak, replikasyon ekibi yol oluşturma gecikmesini, algoritmik çıktıları ve zorluk ayarlama doğruluğunu %2 oranında sıkı bir hata payı içinde başarıyla yeniden üretti. Bu bağımsız tekrarlama, önerilen öğretim çerçevesinin yüksek prosedürel güvenilirliğini doğrular.

VERİ ERIŞILEBILIRLIĞI:
Bu çalışmada öngörücü algoritmaları eğitmek ve doğrulamak için kullanılan temel öğrenci öğrenme davranışı verileri, https://www.kaggle.com/datasets/anlgrbz/student-demographics-online-education-dataoulad adresinde mevcut olan ve dijital nesne tanımlayıcısı 10.1038/sdata.2017.171 ile ilişkilendirilen halka açık Open University Learning Analytics Dataset'ten türetilmiştir.

Şekil 1: Sanal öğrenme sahnesi arayüzü. Yüksek hassasiyetli mekânsal render motoru kullanılarak oluşturulan sürükleyici kültürel miras ortamının gösterimi. Arayüz, sol eksende navigasyon, görsel büyütme ve etkileşim için modüler kontrol panelleri içerir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 2: Kişiselleştirilmiş yol oluşturma sürecinin mimarisi. Akış şeması, Transformer modeli kullanılarak davranışsal verilerin çıkarılmasını ve ardından Nöral İşbirlikçi Filtreleme (NCF) modeliyle dizililerin oluşturulmasını gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 3: Akıllı öğretim platformu kullanıcı arayüzü. Gösterge paneli, öğrencinin kişiselleştirilmiş öğrenme yolunu gösterir; tamamlanmış modülleri yeşil, bekleyen modülleri ise kırmızı ile gösterir ve öğrenme ilerlemesini yönlendirir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 4: Performans katmanları arasında öğrenme sonuçlarının karşılaştırılması. (A) Deneysel (akıllı platform) ve kontrol (geleneksel) gruplarındaki öğrenciler için ortalama sınav sonrası puanlar ve (B) görev tamamlama oranları. Veriler ortalama SD ± olarak sunulur (alt grup başına n = 20). Hata çubukları standart sapmayı gösterir. İstatistiksel anlamlılık bağımsız örneklem t-testleriyle değerlendirildi. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 5: Beş öğretim aşamasında öğrenme ilerlemesi karşılaştırması. Grafik, deneysel ve kontrol koşullarında düşük, orta ve yüksek puan alan gruplar için önizleme, resmi öğrenme, uygulama, değerlendirme ve özet aşamaları boyunca tamamlanma yüzdesini takip eder. Veri noktaları grup ortalamasını temsil eder. Hata çubukları standart sapmayı gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 6: Dinamik zorluk ayarı sonucu doğruluk artışı. Belirli sorular için (A) ayarlamadan önce ve (B) gerçek zamanlı DQN odaklı zorluk modülasyonlarından sonra farklı performans seviyelerinde doğruluk oranlarının karşılaştırılması. Hata çubukları standart sapmayı temsil eder. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 7: Sistem tepki süresi dağılımı. Sürekli platform çalışması sırasında ardışık 200 sunucu tarafı algoritmik çıkarım gecikmesini detaylandıran histogram, ortalama 0.496 s gecikme gösteren ve hızlı geri bildirim yeteneklerini doğruluyor. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Öğrenci Kimliği	Sahne Kimliği	Öğrenme görevleri	Tıklama sayısı	Dwell zaman(lar)	Öğrenme ilerlemesi (%)	Görev Tamamlanması
S001	VR01	Kültürel miras alanı ziyaretleri	15	301	80	Bitti
S002	VR02	Sanat etkileşimi	10	249	60	Bitmemiş
S003	VR03	Geleneksel zanaatkarlık	20	456	90	Bitti
S004	VR01	Kültürel miras alanı ziyaretleri	8	182	50	Bitmemiş
S005	VR02	Sanat etkileşimi	12	287	75	Bitti
S006	VR03	Kültürel miras alanı ziyaretleri	18	354	85	Bitti

Tablo 1: Öğrenci öğrenme davranışı verilerini örnekleyin. Sanal senaryolar içinde toplanan temsil eden etkileşimli kayıtlar; buruş süresi, etkileşim sıklığı ve görev tamamlanma durumu gibi metrikler dahil.

Değerlendirme Metriği	Değerlendirme Kriterleri	Performans Puanı
Normalize Naksız Kümülatif Kazanç	Top-K Seçim Hassasiyeti	0.82
Isabet Oranı	İlgili Eşya Bulma	0.88
Ortalama karşılıklı sıralama	Rütbe Sıralama Doğruluğu	0.76

Tablo 2: Kişiselleştirilmiş yol oluşturma için öneri doğruluk metrikleri. NCF modelinin hassasiyetinin değerlendirilmesi, üst-K seçiminde Normalize Indirilmiş Kümülatif Kazanç (NDCG), Isabet Oranı (HR) ve Ortalama Karşılıklı Sıralama (MRR) raporlanarak (K = 10).

Sonuç	Performans Seviyesi	Deneysel Grup (Ortalama ± SD)	Kontrol Grubu (Ortalama ± SD)	Ortalama Fark	t (df)	p-değeri	%95 CI
Sınav Sonrası Puan	Düşük	69.2 ± 4.1	58.1 ± 5.3	11.1	7.34 (38)	<0.001	[8.2, 14.0]
	Medium	78.7 ± 3.8	70.9 ± 4.6	7.8	5.92 (38)	<0.001	[5.1, 10.5]
	Yüksek	92.5 ± 2.9	81.6 ± 3.7	10.9	8.01 (38)	<0.001	[8.2, 13.6]
Görev Tamamlama Oranı (%)	Düşük	93.2 ± 3.1	74.3 ± 6.2	18.9	11.05 (38)	<0.001	[15.3, 22.5]
	Medium	96.1 ± 2.4	78.5 ± 5.9	17.6	9.87 (38)	<0.001	[14.0, 21.2]
	Yüksek	98.0 ± 1.8	86.2 ± 4.7	11.8	7.63 (38)	<0.001	[8.7, 14.9]
Not. Tüm karşılaştırmalarda iki kuyruklu bağımsız örneklem t-testleri kullanıldı. %95 CI = ortalama farkın güven aralığı. Levene testi varyansın homojenliğini doğruladı (tüm p > 0.05).

Tablo 3: Performans katmanına göre müdahale sonrası sonuçlar. Düşük seviye, orta ve yüksek katmanlarda deneysel ve kontrol gruplarını karşılaştıran ortalama farklar ve çıkarımsal istatistikler (Cohen'in d ve t-değerleri) (alt grup başına n = 20). Veriler ortalama ± SD olarak sunulur.

Sonuç	Performans Seviyesi	Sadece VR-Grup Ortalaması	Kontrol ile Ortalama Farkı
Sınav Sonrası Puan	Düşük	63.5	5.4
Sınav Sonrası Puan	Medium	75	4.1
Sınav Sonrası Puan	Yüksek	87.5	5.9
Görev Tamamlama Oranı (%)	Düşük	83.6	9.3
Görev Tamamlama Oranı (%)	Medium	87.3	8.8
Görev Tamamlama Oranı (%)	Yüksek	92.1	5.9

Tablo 4: Sadece VR ablasyon çalışması için müdahale sonrası sonuçlar. Yapay zeka entegrasyonunun özel katkısını statik bir VR temeline karşı izole eden karşılaştırmalı öğrenme sonuçları. Veriler ortalama ± SD olarak sunulur.

Model Adı	Mimari Konfigürasyonu	Değerlendirme Metrikleri
Entegre DQN	Çok katmanlı Perceptron	Ödül = 84,5, Yakınsama = 1200, İyileşme = %40
Statik Eşik	Sabit Kural Mantığı	Ödül = 62.3, Yakınsama = Başarısız, İyileşme = %0
Rastgele Politika	Stokastik Eylem Seçimi	Ödül = 41.2, Yakınsama = Başarısız, İyileşme = −%32

Tablo 5: DQN ablasyon çalışması sonuçları. Tam entegre DQN dinamik ayarlama mekanizmasının statik eşik temeli ve rastgele ayarlama politikası ile karşılaştırılması, kümülatif ödül ve yakınsama ataklarının değerlendirilmesi.

Metrikler	Deneysel grup	Kontrol grubu
Çalışma süresi (dakikalar)	128 ± 14	89 ± 18
Etkileşim sıklığı (zamanlar)	67 ± 9	24 ± 7
Bilgi ustalığı seviyesi (puan)	88 ± 6	72 ± 9
Öğrenme ilerlemesi (%)	96 ± 3	78 ± 7
Katılım duygusu (puan: 1–5)	4.8 ± 0.3	3.5 ± 0.6
Not: Tüm gruplar arası karşılaştırmalar istatistiksel olarak anlamlıydı: Çalışma süresi, t(118) = 11,23, p < 0,001; Etkileşim sıklığı, t(118) = 18.76, p < 0.001; Bilgi ustalığı, t(118) = 9.84, p < 0.001; Öğrenme ilerlemesi, t(118) = 10.55, p < 0.001; Katılım puanı, t(118) = 14,32, p < 0,001.

Tablo 6: Katılım ve etkileşim metrikleri. Deneysel ve kontrol grupları arasında öğrenme katılım göstergelerinin (çalışma süresi, etkileşim sıklığı ve katılım puanı) değerlendirilmesi. Veriler ortalama ± SD olarak sunulur. Tüm farklılıklar istatistiksel olarak anlamlıdır (p < 0.001).

Tartışma

Bu çalışma, temel pedagojik teorileri—yani yapılandırmacılık ve Yakın Kalkınma Bölgesi'ni—hesaplamalı olarak uygulanan akıllı bir öğretim sistemine dönüştürerek eğitim teknolojisine katkıda bulunmaktadır. VR immersiyonunun davranış odaklı kişiselleştirme ile entegrasyonu, teknolojik yeniliğin kendi başına bir amaç olarak işlev görmek yerine kanıtlanabilir öğrenme hedeflerine hizmet etmesini sağlar. Metodolojide vurgulandığı gibi, kişiselleştirilmiş öğrenme yollarının oluşturulması, eğitim sürecinin verimliliğini sağlamak için merkezi bir yerde; çünkü çıkarılan davranış özelliklerine dayalı içerik önermek doğrudan bireysel bilişsel ihtiyaçları^{karşılar. 25,26}. Ayrıca, gerçek zamanlı duygusal ve performans geri bildirimiyle görev zorluğunu modüle etmek, sadece anlık öğrenme etkilerini optimize etmekle kalmaz, aynı zamanda bilişsel aşırı yüklenmeyi önleyerek öğrenci katılımını önemli ölçüde sürdürür.

Bu araştırmanın orijinal katkısı, yüksek isabetli sanal mekansal takip ile sürekli algoritmik yeniden düzenlemenin birleşimi, immersiv etkileşim ile uyarlanabilir öğrenme arasındaki uyumsuzluğu çözmesidir. Üç yapay zeka modeli, ortak optimizasyon olmadan sıralı olarak çalışır, felaket unutmayı önler ve farklı operasyonel aşamalar için izole hiperparametre ayarına izin verir. Yalnızca tarihsel^{verilere dayanan geleneksel statik öneri sistemlerinin 10} veya izole yüz etkileşimi tespitiyle sınırlı^{modellerin aksine,} önerilen platform sürekli mekansal davranışları bilişsel durumlara dinamik olarak eşlendiriyor. Gözlemlenen yüksek görev tamamlama oranları, çağdaş mekansal hesaplama ^{çalışmaları 6,7,8} bulgularıyla örtüşüyor ve çok modelli algoritmik mimarilerin insan iskelesini sürükleyici ortamlarda etkili bir şekilde yerine koyabileceğini doğrulamaktadır.

Platformun anlık ve kalıcı pedagojik etkilerini ayırt etmek kritik öneme sahiptir. İlk dört haftalık pilot programın bulguları, lisans öğrencisi grubu arasında kısa vadeli öğrenme performansında, etkileşim sıklığında ve görev tamamlama oranlarında hızlı iyileşmeler olduğunu gösterdi. Buna karşılık, 16 haftalık uzunlamasına takip, sürekli katılımı değerlendirmek ve genellikle yeni sürükleyici teknolojilerle ilişkilendirilen yenilik etkisini azaltmak amacıyla gerçekleştirildi. 20. haftada yapılan gecikmeli post-testler, algoritmik olarak yönlendirilen grubun geleneksel öğretim gruplarına kıyasla uzun vadeli bilgide önemli ölçüde daha yüksek bilgi tutma oranını koruduğunu doğruladı. Bu belirgin şekilde ayrılmış zamansal evreler birlikte, akıllı platformun hem anlık hem de kalıcı pedagojik etkinliğine dair sağlam kanıtlar sunar.

Bu umut verici sonuçlara rağmen, birkaç sınırlama kabul edilmelidir. Birincisi, yoğun grafiksel işleme gereksinimleri, dağıtımı özel hesaplamalı donanıma sahip kurumlarla sınırlandırır ve bu da yetersiz fon alan eğitim bölgelerinde ölçeklenebilirliği ciddi şekilde sınırlar. İkinci olarak, tek bir kurumsal demografik gruptan yerel katılımcı örneklemesi, çeşitli coğrafi popülasyonlar arasında ampirik bulguların hemen genellenebilirliğini sınırlar. Son olarak, mevcut sanal öğrenme senaryoları kütüphanesi tüm öğrencilerin çeşitli kültürel ilgi alanlarını kapsayacak kadar zengin olmayabilir. Gelecekteki araştırmalar, sanal senaryoların çeşitliliğini genişleterek daha geniş kültürel geçmişlere uyum sağlamaya, alt seviye donanım için algoritmik verimliliği optimize etmeye ve yaklaşımı uzun süreler ve çeşitli eğitim disiplinleri arasında doğrulamaya odaklanacak.

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
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.