Multiplayer VR: bagaimana cara mengimplementasikan?

Halo, Habr! Setelah kami memeriksa beberapa cara untuk membangun ruang virtual / 3D multi-pengguna dalam artikel sebelumnya, mari kita kembali kepada mereka dalam konteks pelatihan. Bagaimana, misalnya, melatih tim yang sama secara kualitatif yang terdiri dari orang yang sama sekali berbeda dalam hal yang sama? Detail di bawah potongan!



Simulasi dan permainan serius adalah salah satu jenis pelatihan yang paling efektif - ini adalah fakta yang diakui secara universal. Ini adalah contoh dari industri medis.



Namun, dengan simulasi, semuanya tidak begitu jelas. Banyak perusahaan modern memasukkan beberapa generasi di kantor pusat karyawan, dan masing-masing belajar dengan cara baru. Contoh yang baik adalah maskapai penerbangan - usia karyawan dapat bervariasi dari 20 hingga 60 tahun, sementara pelatihan ulang terus-menerus adalah salah satu persyaratan industri; Perlu dicatat bahwa sering kali diperlukan untuk menganalisis dan melatih tidak hanya satu orang, tetapi seluruh tim, misalnya, memeriksa kualitas kolaborasi.

Dengan semua ini, seperti yang telah kami katakan, memasuki pelatihan VR / 3D ke dalam infrastruktur modern adalah tugas yang agak sulit. Di sini ruang multi-pengguna dan pendekatan spesifik untuk desain mereka yang dijelaskan pada bagian terakhir dapat membantu.

Simulasi apa pun pada dasarnya berbeda dari melewati serangkaian tes. Perbedaan utama adalah tingkat pencelupan dalam situasi tersebut. Perbedaan ini sering menjadi kritis. Seseorang dapat dengan sempurna mengetahui teori dengan mempelajari jawaban untuk menguji pertanyaan - dan tersesat dalam situasi nyata yang akan berbeda dari apa yang dia bayangkan. Ini sebagian mengapa, pada kenyataannya, konsep blended learning ada. Ada beberapa hal yang tidak dapat kita katakan bahwa seseorang mempelajarinya sampai dia benar-benar mencobanya.

Selain itu, jangkauan pelatihan yang mungkin seperti itu sangat besar, dan tidak semuanya memerlukan semacam, misalnya, keterampilan otot / refleks murni; keterampilan menerapkan teori juga sering kali mengharuskan berada di dalam situasi, bukan menganalisisnya dari luar. Contoh paling sederhana adalah tindakan dalam situasi darurat atau situasi penuh tekanan lainnya. (Efek mengejutkan)

Dalam contoh ini, situasi penuh tekanan adalah jumlah dari situasi tertentu, untuk masing-masingnya ada instruksi yang jelas. Tetapi sangat sulit untuk menilai apakah situasi tertentu dari jumlah ini diketahui manusia.

Kami menyediakan mekanisme yang memungkinkan Anda menjalankan serangkaian situasi di lingkungan virtual multi-pengguna; namun, pertanyaannya tetap - bagaimana kita mengevaluasi tindakan pengguna dalam simulasi semacam itu.

Kami berasumsi bahwa pengumpulan data pelatihan memiliki dua tujuan utama:

• Menilai kompetensi siswa;
• Bantu dia belajar cara paling efektif. Dengan kata lain, untuk membangun jalur pembelajaran individu.

Bagian integral dari blended learning adalah pembelajaran adaptif. Sistem ini menganalisis tingkat pengetahuan dan memilih materi teoretis atau lintasan individu untuk siswa. Ada beberapa opsi untuk menganalisis informasi berdasarkan sistem yang membuat rekomendasi.

• Berdasarkan aturan transisi

Ketika seseorang memecahkan masalah dan membuat kesalahan berkali-kali, sistem memilih opsi pendukung untuknya yang menutup celah dalam pengetahuan orang tersebut.

• Pendekatan kognitif

Pendekatan berbasis memori untuk pembelajaran adaptif, seseorang terus-menerus mengulangi materi yang dipelajari.

• Berdasarkan grafik topik

Guru, atau ahli, membuat grafik topik, dan digunakan untuk membuat jalur pembelajaran individu.

Kami sedang mempertimbangkan dua pendekatan utama - menggunakan skema transisi umum di dalam kursus dan dengan grafik topik.

Pendekatan pertama cukup sederhana untuk diimplementasikan - kami hanya melampirkan pengalaman virtual, seperti pelajaran biasa, bahwa setelah berhasil menyelesaikan beberapa topik lebih lanjut terbuka.

Yang kedua lebih menarik, karena kita dapat mengikat beberapa topik dari kursus ke bagian yang terpisah dari pengalaman virtual, dan mengevaluasi pengetahuan seseorang tentang topik ini, setelah memperoleh data tentang pengetahuan siswa tentang beberapa topik berdasarkan satu “jalur VR”.

Tapi ada opsi lain, dan, menurut kami, itu yang paling menarik.

Bayangkan simulasi yang agak rumit, yang mencakup beberapa skrip yang berfungsi secara bersamaan, dan multi-pengguna. Tujuannya adalah untuk mengevaluasi efektivitas / pengetahuan tidak hanya satu orang, tetapi seluruh tim; namun, kami tidak tahu pasti apakah kami membangun kursus pelatihan itu sendiri. Tentu saja, kami memiliki serangkaian kompetensi, latihan, dll., Tetapi kami sendiri tidak dapat secara akurat menilai efektivitas materi-materi ini.

Kami dapat menandai beberapa hasil dari masing-masing skenario, dan mencoba untuk mengevaluasinya bersama-sama. Tetapi ada opsi lain - untuk merekam aksi setiap siswa di ruang virtual menggunakan protokol xAPI - yang dikembangkan, sebagian, tepatnya untuk bekerja dengan simulasi dan permainan serius.

Pada saat yang sama, sangat menarik bahwa merekam “lintasan” bagian tengah akan cukup untuk menerapkan metode ML / Data Mining. Kami mendapatkan (terutama pada hasil beberapa "trek") profil siswa di mana kami dapat mencari berbagai pilihan korelasi dengan kursus pelatihan kami.

Anda dapat membayangkan banyak pilihan untuk bekerja dengan statistik pendidikan semacam ini, cukup sulit untuk mendaftar semuanya, mereka akan bergantung langsung pada struktur kursus pelatihan dan persyaratan untuk itu. Yang paling sederhana, misalnya, adalah skenario kompleks variabel, di mana tidak ada satu cara yang benar untuk melakukan tindakan, tetapi ada beberapa ukuran efektivitas / kerja tim; dalam hal ini, Anda dapat merekam beberapa trek "ideal" dan menganalisis perbedaan dengan trek siswa. Pilihan lain adalah asumsi bahwa kursus umumnya dibentuk secara tidak sempurna, dan beralih ke pelajaran di VR, siswa kehilangan beberapa poin teoretis. Akan mudah untuk membedakannya hanya dengan mencatat semua kesalahan pada langkah tertentu dari skenario yang kompleks.

Berbicara tentang lebih banyak hal “infrastruktur”, bekerja dengan data semacam itu membutuhkan:

1. Kehadiran LRS. Standar xAPI secara kaku memisahkan database statistik tersebut dari LMS / analisis / pemrosesan. Tetapi karena kita berbicara tentang jumlah data yang cukup besar, kami mempertimbangkan konsep penyimpanan terdistribusi catatan pendidikan, dengan berbagai opsi untuk verifikasi mereka. Misalnya, varian menggunakan blockchain dimungkinkan;
2. Lingkungan yang cukup kaya untuk memvisualisasikan statistik seperti itu dan bekerja dengannya. Ada beberapa alat tradisional untuk membangun laporan kemajuan di sini, alat lain diperlukan; misalnya, kami mempertimbangkan Elasticsearch + Kibana, opsi lain adalah PowerBI.

Saat ini, kami terus mengembangkan opsi serupa untuk bekerja dengan statistik dari aplikasi VR, walaupun, tentu saja, dalam banyak hal ini masih merupakan opsi eksperimental.

Penulis

Jedium adalah perusahaan mitra Microsoft yang bekerja di bidang virtual, augmented reality dan kecerdasan buatan. Jedium telah mengembangkan kerangka kerja untuk menyederhanakan pengembangan proyek kompleks tentang Unity, yang sebagian tersedia untuk umum di GitHub . Jedium berencana untuk menambah repositori dengan modul framework baru, serta solusi integrasi dengan Microsoft Azure.

Vitaly Chashchin - Pengembang perangkat lunak dengan lebih dari 10 tahun pengalaman dalam desain dan implementasi aplikasi client-server tiga dimensi - dari konsep hingga implementasi penuh dan integrasi aplikasi dan solusi di bidang realitas virtual. Arsitek Sistem Jedium LLC, MSc dalam bidang TI.

Alexey Sarafanov

Marketing Manager di Jedium LLC.

Sergey Kudryavtsev

CEO dan pendiri Jedium LLC.