基于迁移学习与知识图谱增强的VR动画资源推荐与创造力预测

为何更智能的VR课程至关重要

虚拟现实正在迅速改变学生学习动画的方式：他们不再只是观看视频或阅读手册，而是能走进一个三维工作室进行试验。但随着学校不断增加数百门VR课程，教师和学生面临一个新问题——如何在恰当的时机找到合适的活动。本研究提出了一个智能系统，不仅为每位学习者推荐量身定制的VR动画资源，还能预测其创造力的可能增长，帮助教师引导学生朝更具原创性和自信的作品迈进。

从资源过载到量身化学习

现代VR动画课程可能包含角色动作、特效、场景设计等各类教程。学生通常只接触到可用资源的一小部分，而新学员由于缺乏历史数据，传统推荐系统难以发挥作用。作者通过设计一个既理解每个资源内容又理解不同学习者需求的推荐引擎来应对这一点。系统不再仅依赖“喜欢这个的人也喜欢那个”式的共现关系，而是推理哪些概念彼此衔接，哪些活动最符合学生当前水平和目标。

教会系统什么才是真正的动画

为了做出遵循动画教学逻辑的推荐，研究者构建了一个该领域的结构化地图——知识图谱。在这张地图中，每个VR课程与角色动画、动作图形、所用工具、难度、交互类型以及适合的学习者类型等主题相连。条目之间编码了“先修”、“密切相关”和“属于更大主题的一部分”等关系。将该地图嵌入到数学空间后，系统能够判断哪些资源是真正相似或在逻辑上相互衔接，而非仅仅恰好流行。

借用其他课程的经验

由于VR动画项目规模仍相对较小，缺乏足够数据从头训练强大的推荐模型。作者因此采用迁移学习：先在大规模在线课程平台上有关计算机科学、设计和数字艺术等相关学科的数百万次交互数据上进行预训练，然后将模型慎重适配到较小的VR动画场景。一个专门的融合层学习如何结合多种信号——知识图谱信息、学生过往行为、资源属性以及时间与会话特征等上下文——以便系统即使面对几乎没有历史的新生也能给出合理建议。

预测并培养创造力

除建议下一步学习内容外，系统还跟踪每位学生随时间发展的创造力。研究者沿着七个维度衡量创造力，包括想法流畅性、灵活性、原创性、技术掌握、美学质量和解决问题能力等。利用详尽的VR交互日志和对学生项目的重复专家评分，他们训练了一个序列模型，学习学生如何探索工具、反复迭代设计和完成任务的模式。该模型能预测未来的创造力评分，并将预测结果反馈到推荐器中：当检测到学习者的原创性或解决问题能力停滞时，系统会提高挑战这些特定技能资源的优先级，并减少重复性操练类练习。

结果对学生与教师的意义

在真实课堂中的测试表明，这种双重系统较传统推荐方法明显更有效，尤其对新手和较少使用的资源更有优势。它提升了精确率、召回率和排序质量，并比更简单的模型更准确地预测创造力增长。使用该系统的学生表现出更高的学习收益，创作出更为多样和富有原创性的动画作品；教师则能减少手工整理材料的时间，将更多精力用于指导。从通俗角度看，这项研究表明，将关于学科的结构化知识与现代机器学习相结合，能够把拥挤的VR课程库转变为一条有引导、可演进的学习路径，积极支持学生成为更有技巧和更具创造力的动画作者。

引用: Yan, C., Mohamed, H.B. Transfer learning and knowledge graph enhanced VR animation resource recommendation with creativity prediction. Sci Rep 16, 12649 (2026). https://doi.org/10.1038/s41598-026-42774-8

关键词: 虚拟现实学习, 动画教育, 智能辅导, 个性化推荐, 创造力发展