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

Podsumowanie

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

Streszczenie

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

Wprowadzenie

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

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

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

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

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

Protokół

Komitet etyczny instytucjonalny Shaanxi University of International Trade & Commerce zweryfikował protokół badawczy pod numerem referencyjnym 2025-04A. Przed rozpoczęciem procedury uzyskano pisemną zgodę świadomie wyrażoną od wszystkich uczestników, zapewniając, że wszystkie osoby biorące udział w badaniu były świadome protokołów śledzenia zachowań i anonimizacji danych. (Uwaga: Pedagogiczne uzasadnienia dotyczące algorytmów zostały przeniesione do sekcji Dyskusja, aby zachować operacyjną zwięzłość.)

Krok 1: Budowa wirtualnej sceny

Integracja zasobów
Modelowanie cyfrowe elementów kulturowych zostało wykonane za pomocą ogólnego oprogramowania do modelowania 3D (patrz Tabela materiałów dla konkretnego użytego oprogramowania) w celu stworzenia środowisk uczenia się w trybie immersyjnym^12,13. Wygenerowano zasoby cyfrowe, przypisano im fizycznie oparte na renderowaniu tekstury i zaimportowano je do silnika renderowania przestrzennego o wysokiej wierności (Tabela materiałów) bez użycia mikroskopowych technik obrazowania^14,15.

Konfiguracja renderowania i fizyki
W silniku renderowania włączono technologię śledzenia promieni sprzętowych w celu optymalizacji dynamicznego oświetlenia^16,17:

    (1)

P oznacza intensywność światła w scenie. L oznacza pozycję źródła światła. I_L oznacza intensywność źródła światła, a N oznacza wektor normalny do powierzchni wirtualnego obiektu.

Silnik fizyczny symulował dynamikę obiektów za pomocą interfejsu programowania ukierunkowanego na obiekty (C++). Użyta formuła reakcji to:

  (2)

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

Aby zapewnić płynność, zastosowano technologię Level of Detail (LOD) w celu optymalizacji sceny, co zmniejszyło niepotrzebne obliczenia i poprawiło wydajność renderowania poprzez dynamiczne dostosowywanie poziomu szczegółowości modelu^18,19. Do przetwarzania obrazu wykorzystano akcelerację GPU:

   (3)

R oznacza współczynnik odbicia, M oznacza mapę powierzchni, a C oznacza ostateczny kolor przerenderowany.

Implementacja interakcji
Interakcje użytkowników zostały skonfigurowane za pomocą natywnego dla silnika renderowania przestrzennego interfejsu skryptowego opartego na węzłach wizualnych. Za pomocą technologii dźwięku przestrzennego dźwięk był symulowany w przestrzeni, aby uczniowie mogli słyszeć różne efekty dźwiękowe w różnych pozycjach. Ponadto, dzięki technologii sprzężenia zwrotnego dotykowego, uczniowie mogli otrzymywać fizyczne reakcje na odpowiednie dotyki fizyczne w scenie wirtualnej²⁰:

   (4)

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

Wdrożenie i przegląd sprzętu
Środowisko zostało skompilowane na dedykowanym sprzęcie do przetwarzania przestrzennego wyposażonym w dwudziestoczterordzeniowy centralny procesor jednostkowy, sześćdziesiąt cztery gigabajty pamięci RAM i dedykowany dwudziestoczterogigabajtowy procesor graficzny. Wirtualne sceny zostały wdrożone na standardowych wizualnych wyświetlaczach przestrzennych, jak szczegółowo opisano w Tabeli materiałów, z rozdzielczością 1440 x 1600 pikseli na oko i częstotliwości odświeżania 90 Hz, zapewniając optymalną stabilność wizualną i minimalizując opóźnienie między ruchem a fotonem. Granice przestrzenne zostały skonfigurowane, aby sesje były ograniczone do 45 min, aby zmniejszyć wywołane wizualnie zawroty głowy.

Tabela materiałów podsumowuje użyte technologie. Wszystkie wyznaczone komponenty sprzętowe i obliczeniowe były standardowym sprzętem komercyjnym i nie polegały na żadnym pojedynczym dostawcy z oprogramowaniem firmowym. Silnik renderowania

Wyniki

Podziały danych, walidacja i ustawienia dotyczące powtarzalności
W fazie szkolenia algorytmicznego, zbiór danych dotyczących interakcji behawioralnych, zawierający 5 000 logów, został podzielony na zbiory treningowe i walidacyjne w proporcji 80:20. Procedury walidacyjne wykorzystywały 5-krotną walidację krzyżową do oceny spójności ekstrakcji cech. Aby zapewnić absolutną powtarzalność eksperymentu, wszystkie inicjalizacje wag sieci, sekwencje mieszania zbiorów danych oraz wzorce eksploracji uczenia się wzmacniającego zostały zablokowane za pomocą stałego losowego nasiona (nasienie = 42) we wszystkich środowiskach testowych.

Analiza efektu uczenia się
Łącznie 120 studentów pierwszego roku studiów zapisanych na przedmiot “Wprowadzenie do tradycyjnej kultury chińskiej” zostało podzielone na warstwy niskie, średnie i wysokie zgodnie z wynikami przedtestetu (40 osób na warstwę) i losowo przydzielonych do grup eksperymentalnych lub kontrolnych (n = 20 na podgrupę), zapewniając równoważność początkową wśród warunków.

Walidacja etapu proceduralnego i wyniki pracy przepływu
Przejście przez główne etapy przepływu inteligentnej platformy przyniosło zweryfikowane dane pośrednie przed oceną ostatecznych wyników edukacyjnych.

(1) Import sceny VR: Po zaimportowaniu zasobów cyfrowych, integralność siatki i cieniowanie materiału zostało pomyślnie skompilowanie (zwizualizowane na Rysunek 1), stabilizując rurociąg renderowania po stronie klienta na 90 Hz. (2) Rejestrowanie zachowania i generowanie wektorów cech: Interakcje użytkowników w czasie rzeczywistym zostały pomyślnie zarejestrowane jako wektory wysokowymiarowe (Tabela 1), a model Transformera wydał zweryfikowane ciągłe wektory cech ukrytych () z utratą krzyżową zbieżną do 0,12. (3) Rekomendacja ścieżki: Wygenerowana interfejs ścieżki (Rysunek 2) wydał sekwencyjne tablice węzłów wiedzy bez zależności cyklicznych, zweryfikowane za pomocą wysokich metryk rangowania (NDCG = 0,82). (4) Regulacja DQN: System dynamicznej trudności (Rysunek 3) wydał dyskretne akcje adaptacyjne, zbieżne w sposób robustny w ciągu 1200 epizodów.

Rysunek 4A,B wizualnie podsumowuje porównawcze wyniki uczenia się między grupą eksperymentalną (używającą inteligentnej platformy dydaktycznej) a grupą kontrolną (tradycyjna instrukcja). Wśród wszystkich poziomów wydajności, grupa eksperymentalna wykazuje znacznie wyższe wyniki po-testowe i stopnie zakończenia zadań. Warto zauważyć, że różnica w zakończeniu zadań jest najbardziej wyraźna wśród uczniów o niskich wynikach - 93% w porównaniu z 74% - co podkreśla zdolność platformy do angażowania się uczniów, którzy zwykle mają problemy w konwencjonalnych ustawieniach. Zbieżność wyników i wskaźników zakończenia w grupie wysokiej dalsze sugeruje, że podczas gdy platforma przynosi korzyści wszystkim uczniom, jej adaptacyjne wsparcie przynosi największe zyski marginalne dla tych, którzy mają słabsze podstawy wiedzy. Patrząc przez pryzmat teorii ładunku poznawczego, dynamiczne algorytmy modulacji zapobiegają nadmiernej obciążeniu poznawczemu, które zazwyczaj wywołuje złożony interfejs immersyjny, zapewniając, że nowi użytkownicy poświęcają całą pojemność pamięci roboczej wyłącznie na materiały instruktażowe.

Tabela 3 dostarcza statystycznego wsparcia dla tych obserwacji. Ocena statystyczna wykorzystuje analizę kowariancji do kontroli różnic początkowych. Wielkości efektów są liczbowo określone za pomocą wskaźnika Cohena d, aby określić skalę skuteczności instruktażowej. Analiza wydała wartości Cohena d wynoszące 1,25, 0,89 i 0,65 dla niskiej, średniej i wysokiej warstwy wydajności, odpowiednio, co wskazuje na ogromne praktyczne znaczenie. Obliczone wskaźniki potwierdzają znaczne zyski instruktażowe wśród wszystkich przebadanych grup demograficznych. Niezależne testy t dla prób niezależnych ujawniają, że wszystkie różnice między grupami są wysoce istotne statystycznie (p < 0,001), z niepokrywającymi się przedziałami ufności 95% i dużymi różnicami średnich: różnice wyników po-testu wynoszą od 7,8 do 11,1 punktów, podczas gdy zalety zakończenia zadań wynoszą od 11,8 do 18,9%. Test Levene’a potwierdza jednorodność wariancji (*p* > 0,05) dla wszystkich porównań, potwierdzając solidność wyników testu t. Te wyniki łącznie potwierdzają, że inteligentna platforma dydaktyczna przynosi statystycznie i edukacyjnie znaczące poprawy zarówno w osiągnięciach akademickich, jak i zaangażowaniu w naukę.

Tabela 4 przedstawia porównawczą analizę ablacji szczegółowo opisującą konkretny wkład integracji sztucznej inteligencji. Grupa VR sama osiągnęła średnie

Dyskusja

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

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

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

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

Materiały

Lista materiałów użytych w tym artykule

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