Multiplayer VR: كيفية التنفيذ؟

مرحبا يا هبر! بعد أن فحصنا بعض الطرق لبناء مساحات افتراضية / ثلاثية الأبعاد متعددة المستخدمين في مقالة سابقة ، دعنا نعود إليها في سياق التدريب. كيف ، على سبيل المثال ، لتدريب نفس الفريق بشكل نوعي يتكون من أشخاص مختلفين تمامًا في نفس الشيء؟ التفاصيل تحت الخفض!



تعد المحاكاة والألعاب الخطيرة واحدة من أكثر أنواع التدريب فعالية - هذه حقيقة معترف بها عالميًا. هنا مثال من الصناعة الطبية.



ومع ذلك ، مع المحاكاة ، كل شيء ليس واضحا. تشمل العديد من الشركات الحديثة عدة أجيال في مقر الموظفين ، وكل منها يتعلم بطريقة جديدة. مثال جيد هو شركات الطيران - يمكن أن يتراوح عمر الموظفين من 20 إلى 60 سنة ، في حين أن إعادة التدريب المستمر هي أحد متطلبات الصناعة ؛ تجدر الإشارة إلى أنه غالبًا ما يكون من المطلوب تحليل وتدريب ليس شخصًا واحدًا ، ولكن فريقًا كاملاً ، على سبيل المثال ، التحقق من جودة العمل الجماعي.

مع كل هذا ، كما قلنا ، فإن إدخال تدريب VR / 3D في البنية التحتية الحديثة هو مهمة صعبة إلى حد ما. هنا يمكن أن تساعد المساحات متعددة المستخدمين ونهج معين لتصميمهم الموصوف في الجزء الأخير.

أي محاكاة تختلف جوهريًا عن اجتياز مجموعة من الاختبارات. والفرق الرئيسي هو درجة الانغماس في الموقف. غالبًا ما يكون هذا الاختلاف حرجًا. يمكن للشخص أن يعرف النظرية تمامًا من خلال تعلم الإجابات على أسئلة الاختبار - ويضيع في موقف حقيقي يختلف عما يتخيله. هذا هو السبب جزئيا ، في الواقع ، وجود مفهوم التعلم المختلط. هناك أشياء لا نستطيع أن نقول أن شخصًا تعلمها حتى جربها حقًا.

علاوة على ذلك ، فإن نطاق مثل هذه التدريبات المحتملة كبير جدًا ، ولا تتطلب جميعها نوعًا من المهارات العضلية / الانعكاسية البحتة ؛ غالبًا ما تتطلب مهارة تطبيق النظرية أيضًا أن تكون داخل موقف ، بدلاً من تحليلها من الخارج. أبسط مثال هو الإجراءات في حالات الطوارئ أو المواقف المجهدة الأخرى. (تأثير الجفل)

في هذا المثال ، الموقف المجهد هو مجموع المواقف المحددة ، لكل منها تعليمات واضحة. ولكن من الصعب جدًا تقييم ما إذا كان الإنسان يعرف حالة معينة من هذا المبلغ.

نحن نقدم آلية تسمح لك ببساطة بتشغيل أي مجموعة من المواقف في بيئة افتراضية متعددة المستخدمين ؛ ومع ذلك ، يبقى السؤال - كيف نقيم تصرفات المستخدمين في مثل هذه المحاكاة.

نفترض أن جمع بيانات التدريب له هدفان رئيسيان:

• تقييم كفاءات الطلاب ؛
• ساعده على تعلم الطريقة الأكثر فعالية. وبعبارة أخرى ، لبناء مسار تعلم فردي.

يعتبر التعلم التكيفي جزءًا لا يتجزأ من التعلم المدمج. يحلل النظام مستوى المعرفة ويختار المواد النظرية أو المسارات الفردية للطالب. هناك العديد من الخيارات لتحليل المعلومات على أساسها يقدم النظام توصية.

• بناءً على قواعد الانتقال

عندما يحل الشخص مشكلة ويرتكب أخطاء عدة مرات ، يختار النظام خيارًا داعمًا له يسد الفجوة في معرفة الشخص.

• المناهج المعرفية

نهج قائم على الذاكرة للتعلم التكيفي ، يكرر الشخص باستمرار المواد المكتسبة.

• بناءً على الرسم البياني للموضوع

يقوم المعلم أو الخبير بإنشاء رسم بياني للموضوع ، ويتم استخدامه لإنشاء مسار تعلم فردي.

نحن ندرس نهجين رئيسيين - استخدام مخطط الانتقال العام داخل الدورة ومع الرسم البياني للموضوع.

الطريقة الأولى سهلة التنفيذ - نحن ببساطة نعلق على التجربة الافتراضية ، مثل الدرس العادي ، التي تفتح عند الانتهاء بنجاح بعض المواضيع الأخرى.

والثاني أكثر إثارة للاهتمام ، حيث يمكننا ربط بعض الموضوعات من الدورة التدريبية بجزء منفصل من التجربة الافتراضية ، وتقييم معرفة الشخص حول هذا الموضوع ، بعد الحصول على بيانات حول معرفة الطالب بعدة مواضيع على أساس "مسار VR" واحد.

ولكن هناك خيار آخر ، وهو ، في رأينا ، هو الأكثر إثارة للاهتمام.

تخيل محاكاة معقدة نوعًا ما ، والتي تتضمن العديد من البرامج النصية العاملة في وقت واحد ، وهي متعددة المستخدمين. الهدف هو تقييم فعالية / معرفة ليس فقط شخص واحد ، ولكن الفريق بأكمله ؛ ومع ذلك ، لا نعلم على وجه اليقين ما إذا قمنا ببناء الدورة التدريبية نفسها. بالطبع ، لدينا مجموعات معينة من الكفاءات والتمارين ، وما إلى ذلك ، ولكننا أنفسنا لا نستطيع تقييم فعالية هذه المواد بدقة.

يمكننا تحديد بعض نتائج السيناريوهات الفردية ومحاولة تقييمها معًا. ولكن هناك خيار آخر - لتسجيل عمل كل طالب في الفضاء الافتراضي باستخدام بروتوكول xAPI - تم تطويره جزئيًا بدقة للعمل مع المحاكاة والألعاب الجادة.

في الوقت نفسه ، من المثير للاهتمام أن تسجيل "مسار" وسطى للمرور سيكون كافيًا لتطبيق طرق ML / Data Mining عليه. نحصل (خاصة على نتيجة "المسارات" العديدة) على ملف تعريف الطالب حيث يمكننا البحث عن مجموعة متنوعة من خيارات الارتباط من خلال الدورة التدريبية.

يمكنك تخيل الكثير من الخيارات للعمل مع هذا النوع من الإحصائيات التعليمية ، ومن الصعب جدًا سردها جميعًا ، وسوف تعتمد بشكل مباشر على هيكل الدورة التدريبية ومتطلباتها. أبسطها ، على سبيل المثال ، هو سيناريو معقد متغير ، حيث لا توجد طريقة صحيحة واحدة للقيام بالأشياء ، ولكن هناك قدر من الفعالية / العمل الجماعي ؛ في هذه الحالة ، يمكنك تسجيل العديد من المسارات "المثالية" وتحليل التناقضات مع مسار الطالب. خيار آخر هو افتراض أن الدورة بشكل عام غير مكتملة ، والانتقال إلى الفصول في الواقع الافتراضي ، يفتقد الطلاب بعض النقاط النظرية. سيكون من السهل تمييزه بمجرد ملاحظة جميع الأخطاء في خطوة معينة من السيناريو المعقد.

الحديث عن المزيد من الأشياء "البنية التحتية" ، والعمل مع هذه البيانات يتطلب:

1. وجود LRS. يفصل معيار xAPI بشكل صارم قاعدة بيانات لهذه الإحصائيات من LMS / تحليل / معالجة. ولكن نظرًا لأننا نتحدث عن كميات كبيرة جدًا من البيانات ، فإننا نفكر في مفهوم التخزين الموزع للسجلات التعليمية ، مع خيارات مختلفة للتحقق منها. على سبيل المثال ، يمكن استخدام متغير باستخدام blockchain ؛
2. بيئة غنية إلى حد ما لتصور هذه الإحصاءات والعمل معها. هناك عدد قليل من الأدوات التقليدية لبناء التقارير المرحلية هنا ؛ هناك حاجة إلى أدوات أخرى ؛ على سبيل المثال ، نحن نفكر في Elasticsearch + Kibana ، خيار آخر هو PowerBI.

في الوقت الحالي ، نواصل تطوير خيارات مماثلة للعمل مع إحصاءات من تطبيقات الواقع الافتراضي ، على الرغم من أن هذه الخيارات لا تزال ، من نواح عديدة ، خيارات تجريبية.

المؤلفين

Jedium هي شركة شريكة لشركة Microsoft تعمل في مجال الواقع الافتراضي المعزز والذكاء الاصطناعي. وضعت Jedium إطار عمل لتبسيط تطوير المشاريع المعقدة على الوحدة ، جزء منها متاح للجمهور على GitHub . تخطط Jedium لتجديد المستودع بوحدات إطار عمل جديدة ، بالإضافة إلى حلول تكامل مع Microsoft Azure.

Vitaliy Chashchin - مطور برامج مع أكثر من 10 سنوات من الخبرة في تصميم وتنفيذ تطبيقات خادم العميل ثلاثية الأبعاد - من المفهوم إلى التنفيذ الكامل والتكامل بين التطبيقات والحلول في مجال الواقع الافتراضي. مهندس النظم Jedium LLC ، ماجستير في تكنولوجيا المعلومات.

أليكسي سارافانوف

Marketing Manager في Jedium LLC.

سيرجي كودريافتسيف

الرئيس التنفيذي ومؤسس Jedium LLC.