《Knowledge-Based Systems》：Predicting Student Satisfaction in Metaverse Platform Using Deep Learning
编辑推荐：
元宇宙教育中VR教学满意度预测模型DHA-LSTM-FH Net通过整合深度高注意力网络与LSTM的调和分析，结合特征选择与数据增强技术解决数据不平衡问题，实验显示其预测精度达93.765%，但存在平台特定性局限。
沙伊克·沙明·塔兹（Shaik Shameen Taz）|B. 内拉尔达·库马尔·拉奥（B. Narendra Kumar Rao）
研究学者，莫汉·巴布大学（Mohan Babu University）计算学院，印度安得拉邦蒂鲁帕蒂（Tirupati），邮编517102
摘要
通过分析参与度、互动性和内容传递等因素，可以预测学生在元宇宙（Metaverse）平台上的满意度，从而提高教育效果。这样做的好处包括提供个性化的、沉浸式的学习体验和实时反馈。然而，现有的预测模型由于数据严重不平衡而存在过拟合问题，无法泛化到不同的内容类型。为了解决这些限制，本文提出了一种名为Deep High Attention Long Short-Term Memory Forward Harmonic Network（DHA-LSTM-FH Net）的强大模型，用于预测元宇宙中虚拟现实（VR）教学中的学生满意度。该模型利用来自元宇宙平台的数据，包括虚拟空间、增强现实（AR）/VR设备、学习材料以及学生信息。首先收集VR会话的交互日志和学生档案作为输入数据，并通过softmax归一化确保数据一致性。接着使用递归特征消除（Recursive Feature Elimination, RFE）和弹性网络（Elastic Net）等技术选择关键特征，然后应用基于局部密度的合成少数样本过采样技术（Local Density-based Synthetic Minority Over-Sampling Technique, LD-SMOTE）来处理数据不平衡问题。DHA-LSTM-FH Net通过结合深度高注意力神经网络（Deep High Attention Neural Network, DHA-Net）和长短期记忆网络（Long Short-Term Memory, LSTM）以及谐波分析方法来实现学生满意度预测。实验结果显示，该模型的精确度达到93.765%，召回率为95.755%，F1分数为94.750%，Cohen’s Kappa值为0.838，优于基线方法。不过，该模型是在特定VR/元宇宙平台上训练的，因此在应用于不同的元宇宙环境或内容类型时性能可能会下降。
引言
计算机科学的进步极大地改变了人们的日常生活，彻底改变了通信、社交互动和经济活动。从最终用户的角度来看，技术发展经历了三个主要阶段：个人计算机的兴起、互联网时代的到来以及移动设备的普及。当前，第四波技术浪潮的特点是沉浸式和空间技术的发展，尤其是增强现实（AR）和虚拟现实（VR）[1]。这些新兴技术有望塑造下一个无处不在的计算时代，有可能改变教育、商业、娱乐和远程工作等关键领域。这种新兴范式被称为“元宇宙”（Metaverse）。“元宇宙”一词由“meta”（意为虚拟或超越的）和“verse”（表示宇宙或世界）组成。最初，“元宇宙”指的是在线虚拟世界，但在后疫情时代，它已经演变为连接在线和线下世界的桥梁[3]。如今，元宇宙代表了一个连续的、沉浸式的、多用户数字生态系统，将现实世界与虚拟体验融合在一起[4]。在在线教育领域，元宇宙为克服传统2D网络教育平台的固有局限性提供了有希望的解决方案。尽管技术取得了进步，但教育的核心结构仍然基本保持不变，仍然高度依赖教科书、教室和内容传递[5]。然而，在元宇宙学习环境中，学生可以通过虚拟形象与同伴更深入地互动，以3D模型的形式创作作品，并通过虚拟社交网络进行协作，从而促进更加互动和社区化的学习体验，支持数字协作教育的发展[6,7]。
虚拟现实（VR）是一项快速发展的技术，它创建了交互式的计算机生成模拟，让用户感受到仿佛置身于真实环境中的感觉。通过集成先进的计算机图形、运动追踪和沉浸式显示系统，VR在教育中使学习者能够在不离开教室的情况下与真实世界环境互动[8]。虽然VR在娱乐和游戏领域广受认可，但其应用远不止于此。它已成为房地产、工程、医疗保健以及教育等领域的重要工具[1,9]。在教育中，VR使学生能够与真实环境和概念化环境互动，提供超越传统教学限制的沉浸式体验。VR的多功能性使其成为涵盖广泛学科的宝贵教育资源，已被应用于医学、生物学、化学、物理学、天文学、数学、心理学、建筑学、历史学和工程学等学科[10,11]。VR在教育中的多功能性体现在科学、历史、建筑学和考古学等多个领域。虚拟现实的一个主要优势在于它能够通过沉浸式、体验式学习来传递信息，而不仅仅是传统的描述性方法。学生可以直接接触那些通过教科书或传统教学工具难以展示的内容。从探索考古遗址到可视化肉眼看不见的科学现象，VR为互动和沉浸式学习开辟了新的途径[12]。
预测学生满意度已成为深度学习（Deep Learning, DL）的一个重要应用领域，为提高学术表现和支持个性化学习体验提供了机会[13,14]。深度学习的兴起以及大数据科学的发展极大地推动了许多领先公司的成功。其应用范围远远超出了学术领域，涵盖了医疗保健、网络安全、机器人技术和零售等多个领域。在图像分类、动作检测、自然语言处理（NLP）、信号处理和语言交流等各种任务中，深度学习系统已经超越了传统方法和人类基准[15,16]。它们的优势在于能够在复杂的数据集上执行高级分类和预测任务[13,17]。深度学习是机器学习（Machine Learning, ML）的一个子领域，利用多层人工神经网络（Artificial Neural Networks, ANN）使模型能够自动从输入数据中学习层次化的特征表示[18,19,20,21,22,23]。这种能力在处理大量未标记或高维数据时尤为宝贵，能够提供更深入的洞察和更准确的预测[24,25]。像CLIP这样的技术凸显了从传统ML系统向更动态的DL框架的转变，推动了机器学习和理解能力的边界[26]。这些进步在教育领域具有深远的影响，因为基于深度学习的人工智能（AI）系统正在被整合到教育元宇宙平台中，以创造更加互动和沉浸式的学习体验。然而，这种演变也带来了新的挑战，需要认真应对[27]。
在元宇宙中的VR教学环境中预测学生满意度面临诸多挑战，包括准确的数据收集、学生参与度的差异、技术限制（如延迟）、保持沉浸式学习体验的需求以及支持多样化学习偏好的需求。此外，VR平台的动态性和持续演变特性使得开发一致且可靠的预测模型变得更加复杂。这些挑战凸显了需要一个高效且强大的预测框架来处理元宇宙教育环境中生成的复杂交互数据。为了解决这些问题，本文提出了一种名为DHA-LSTM-FH Net的创新技术，用于预测元宇宙中基于VR的教学的学生满意度。该方法首先从元宇宙教育平台收集VR会话的交互日志及相关学生信息，该平台整合了虚拟环境、AR/VR设备、学习材料和用户数据。随后应用Sigmoid函数确保数据的一致性和可比性，再使用弹性网络（Elastic Net）和递归特征消除（RFE）等技术选择最关键的特征。为了扩展和多样化数据集，采用了LD-SMOTE数据进行数据增强。最后，使用名为DHA-LSTM-FH Net的深度学习模型来预测元宇宙中基于VR的教学的学生满意度。该模型通过结合DHA-Net和LSTM以及谐波分析技术实现。
本研究的主要贡献如下：
- ?
Deep High Attention Long Short-Term Memory Forward Harmonic Network用于预测元宇宙中VR教学的学生满意度： 该模型结合了DHA-Net和LSTM，并应用谐波分析技术来预测元宇宙中VR教学的学生满意度。同时使用弹性网络（ElasticNet）和递归特征消除（RFE）等技术选择最关键的特征。
元宇宙教育平台整合了3D虚拟环境、AR/VR硬件、数字学习材料和学生信息，提供沉浸式和互动式的学习体验。学生使用AR/VR设备在虚拟空间（如教室和实验室）中参与学习，这些设备支持与教育内容的互动和协作。所有学生活动都通过访问日志进行跟踪，捕捉参与模式和交互数据，使教育者能够监控学生的学习情况并调整教学方法。该平台还管理学生档案、组织作业，并整合教学计划、模拟和互动练习等学习资源，支持多样化的教育目标。通过结合这些组件，系统实现了个性化学习、数据驱动的洞察力和适应性反馈。图1展示了整个系统模型，说明了从数据收集到预测分析和满意度输出的流程。
本文的其余结构如下：第2节探讨了当前预测元宇宙中VR教学环境中学生满意度的方法；第3节详细描述了DHA-LSTM-FH Net模型；第4节介绍了实验设置并分析了结果；第5节总结了论文的主要观点并提出了未来研究的方向。
参考文献片段
文献综述
拉赫曼（Rahman, H.）等人[2]开发了一个名为Virtual Chemistry Classroom for Chemical Bonding（VC3B）的沉浸式VR平台，旨在通过游戏化学习方法增强学生对化学键合和公式的理解。这种方法有效提高了学生的参与度，并在实际教育场景中展示了实用性。然而，该模型无法处理更复杂和高级的化学原理。
提出的Deep High Attention Long Short-Term Memory Forward Harmonic Network用于预测学生满意度
本研究的主要目标是设计一种强大且准确的预测方法，即DHA-LSTM-FH Net，用于预测元宇宙教育平台中基于VR的教学的学生满意度。该方法利用来自元宇宙教育平台的数据，该平台包括虚拟空间、AR/VR设备、学习材料和学生相关信息。第一步是收集VR会话的交互日志及相应的学生数据。
结果与讨论
本研究中介绍的DHA-LSTM-FH Net模型被评估其预测学生满意度的能力，并强调了各种性能指标及其与现有方法的比较。
结论
在元宇宙中的VR教学环境中预测学生满意度需要使用数据模型来评估学生的参与度和情绪。现有模型面临多样化的学习风格、技术可访问性、参与度一致性、平台可用性和数据准确性等挑战。为了解决这些问题，开发了一种名为DHA-LSTM-FH Net的强大模型来预测元宇宙中基于VR的教学的学生满意度。该模型利用来自元宇宙平台的数据，包括虚拟
作者贡献声明
沙伊克·沙明·塔兹（Shaik Shameen Taz）： 负责撰写初稿、方法论和概念设计。B. 内拉尔达·库马尔·拉奥（B. Narendra Kumar Rao）： 负责可视化、资源整理和数据管理。
利益冲突声明
作者声明他们没有已知的利益冲突或个人关系可能影响本文的研究结果。
