《Applied System Innovation》：Integration of AI Content Generation-Enabled Virtual Museums into University History Education
Shirong Tan,
Yuchun Liu and
Lei Wang
编辑推荐：
传统大学历史教育方法往往难以提供促进深度认知参与的沉浸式与交互式环境。为应对上述局限，研究人员开发了将人工智能生成内容与知识图谱（Knowledge Graph, KG）通过多层架构相整合的人工智能赋能虚拟博物馆系统。该系统架构采用三层框架：前端交互层（Uni
传统大学历史教育方法往往难以提供促进深度认知参与的沉浸式与交互式环境。为应对上述局限，研究人员开发了将人工智能生成内容与知识图谱（Knowledge Graph, KG）通过多层架构相整合的人工智能赋能虚拟博物馆系统。该系统架构采用三层框架：前端交互层（Unity/Unreal Engine）用于实时用户交互，核心服务层用于智能事件调度与响应控制（ChatGLM/Stable Diffusion），以及数据与模型层（My Structured Query Language/MongoDB）以提供结构化知识。为评估系统有效性，研究人员对83名大学生开展了为期四周的对照实验。使用人工智能虚拟博物馆的实验组显示出显著更高的后测平均分（84.5 ± 6.8），相较于对照组（71.6 ± 7.9），统计显著性达p < 0.001，而两组基线分数近乎相同（实验组与对照组分别为61.2和60.4）。相关性分析识别出情境模拟（r = 0.59）与深度探究任务（r = 0.54）为学习掌握的关键驱动因素。通过将高级系统工程与教育理论相结合，本研究结果为高保真、智能化数字教育平台提供了解决方案，提出了教育领域集成系统创新的验证模型。
本研究聚焦于人工智能内容生成（Artificial Intelligence Content Generation, AICG）技术与知识图谱（Knowledge Graph）深度融合，构建面向大学历史教育的智能化虚拟博物馆系统，旨在突破传统历史教学模式在沉浸感与交互性方面的固有瓶颈。
研究背景与问题缘起方面，当前大学层面的历史教育长期受制于历史实物接触受限与历史场景复原困难的双重困境。传统虚拟展示技术多停留于静态内容呈现与单向交互模式，缺乏针对学习者行为的实时反馈与自适应调整机制。与此同时，《中国近现代史纲要》作为中国高校必修课程，其内容覆盖面广、学生基数庞大，对教育创新构成了持续压力。AICG技术在语义理解、图像重建与场景生成方面展现出的效率与创意潜能，使其成为应对上述挑战的有效路径。然而，现有系统尚未实现AICG与知识图谱的协同联动，无法形成"感知—生成—反馈"的闭环机制，这构成了本研究试图填补的技术空白。
研究人员开展的研究工作围绕三个核心层面展开：系统架构设计、教学实验验证与技术性能优化。在系统架构层面，研究团队设计了三层软件架构——前端交互层基于Unity/Unreal Engine实现实时用户交互，核心服务层搭载ChatGLM（Chat General Language Model）与Stable Diffusion实现智能事件调度与响应控制，数据与模型层采用MySQL/MongoDB混合存储策略提供结构化知识支撑。在教学验证层面，研究采用随机对照试验设计，招募武汉科技大学83名本科生，将其分为实验组（n=41）与对照组（n=42），开展为期四周（2025年9月1日至28日）的教学干预。两组学生在基线认知水平上无统计学差异（t = 0.394, p = 0.691 > 0.05），由同一授课教师完成课前讲授与课后总结，确保实验一致性。技术性能方面，系统采用边缘服务器（NVIDIA RTX 3090）进行AI内容异步渲染，引入贝叶斯冲突解决框架（Bayesian Conflict Resolution）处理大语言模型（IVEN大语言模型，此处指代LLM输出）与知识图谱间的数据冲突，并基于检索增强生成（Retrieval-Augmented Generation, RAG）架构确保历史内容的学术严谨性。
研究得出的核心结论显示：实验组后测成绩（84.5 ± 6.8）显著高于对照组（71.6 ± 7.9），效应量Cohen's d达1.75，统计学显著性为p < 0.001；73.1%的实验组学生达到高分或中上水平，而对照组该比例仅为41.6%。相关性分析表明，情境模拟完成次数（r = 0.59, p < 0.001）与深度探究任务参与频次（r = 0.54, p < 0.001）与学习成效关联最为紧密。知识图谱增强架构将历史领域事实核查准确率从纯LLM的62%-68%提升至88%-92%以上，有效抑制了时间错置与实体误归属等"幻觉"现象。该研究发表于《Applied System Innovation》期刊，为智能数字教育平台的工程实现提供了经过验证的整合模型，对教育技术领域的系统创新具有重要示范意义。
研究所采用的关键技术方法包括：第一，基于建构主义学习理论（Constructivist Learning Theory）的 pedagogical 框架设计，将学习者定位为主动知识建构者，通过AI历史人物代理实现经验式学习；第二，检索增强生成架构，在AI生成响应前查询领域知识图谱获取经核验的三元组（Triples），并以"Knowledge-Override"协议强制LLM输出与符号实体匹配，否则触发基于检索的响应替代；第三，贝叶斯概率推理框架，为知识图谱设定高先验概率（P(fact) = 0.95），对未经验证的AI生成设定低先验概率（P(fact) = 0.40），通过计算后验概率（P(fact|source)）实现冲突仲裁，阈值设定为0.85；第四，样本队列来源于武汉科技大学本科历史课程学生群体，经机构审查委员会（Institutional Review Board, IRB）批准并获取书面知情同意。
研究成果部分可按以下维度展开：
系统架构与硬件部署方面，研究人员为适配多元教学场景配置了VR头戴显示器（VR-HMDs，4K分辨率/90Hz刷新率）、触控一体机及桌面/移动设备等多类型交互终端。系统采用解耦渲染架构，AI内容处理于外接边缘服务器完成，用户视场在AI响应生成期间保持静态或显示中性界面，以规避前庭-眼动冲突引发的眩晕症状。存储计算层面采用固态硬盘与非易失性内存 express（NVMe）技术降低3D资产加载延迟，通过独立磁盘冗余阵列（RAID）与云备份保障数据安全，GPU服务器与云端算力混合架构支持3D渲染、语义生成、语音合成与知识关联的并行处理。跨平台兼容性通过Unity 2022.3 LTS（支持OpenXR）、Unreal Engine及WebGL/WebGPU实现，覆盖Windows、Macintosh Operating System、Android、iPhone Operating System及主流VR操作系统，AI功能模块以标准化应用程序编程接口（Application Programming Interface, API）统一调度。
软件架构设计方面，前端交互层承担3D文物浏览、历史场景漫游及多模态语音/文本输入处理，通过统一事件监听机制捕获点击、导航路径与视角变化，转化为标准化交互事件传输至后端。核心服务层作为运营中枢，下辖事件管理与AICG调度模块（优先级排序与流水线触发）、知识图谱与响应模块（历史数据关联与反馈形态决策）、以及交互事件处理与响应模块（内容生成至知识关联的无缝工作流执行）。数据与模型层维护数字文物库（3D资产）、知识图谱数据库（关系型历史数据）及用户行为日志（原始交互数据留存用于响应优化与学习进度追踪），并向核心服务层提供标准化数据访问与模型调用API。
功能模块实现方面，智能交互模块整合大语言模型（Large Language Models, LLMs）促进支架式探究（Scaffolded Inquiry），通过提示工程（Prompt Engineering）框架处理自然语言输入以确保历史准确性。AI作为"知识渊博的引导者"运作于学生最近发展区（Zone of Proximal Development），提供情境辅助而非直接数据投喂。多模态语音与文本界面支持历史事件追溯、文物分析及情境决策模拟。内容呈现模块运用扩散模型（Diffusion Model）进行实时视觉生成，当学生查询特定未包含于3D资产的历史情境时，核心层执行本地化生成任务，弥合理论历史知识与视觉理解之间的鸿沟。知识图谱模块动态调整以适应用户交互，通过文物-事件-知识点映射延伸关联、细化层级，将历史信息呈现为互联网络而非孤立节点；系统采用"三重历史"结构化框架（外来帝国主义侵略史、中国人民抗争史、中国现代化努力史），可视化个体学习路径以支持感性体验、逻辑理解与概念建构的整合。
数字处理与教学单元设计方面，研究选取虎门大炮、三元里抗英令旗、西藏地方政府反对英国侵略的请愿书、五色共和旗等八件代表性文物，涵盖"觉醒—变革—新时代"三大历史阶段。物理文物通过3D重建模型、纹理增强与光照校正算法提升细节可见度；铭刻文献类文物依托高分辨率图像结合光学字符识别（Optical Character Recognition, OCR）与图文匹配模型实现自动文本识别和结构化存储。每件文物统一封装为3D模型、图像纹理、文本信息及历史标签的交互对象节点。
教学交互与场景设计方面，知识建构与探究式学习场景通过知识图谱整合碎片信息，分析文物、历史事件与语境意义间的关系，构建结构化知识网络。实践导向应用与反馈场景支持学生通过角色参与进行沉浸式历史情境重构，系统基于交互行为、任务完成状态生成个性化学习报告（含任务准确率、核心概念掌握度及未探索知识节点）。AI引导支持提供及时反馈以澄清历史逻辑，引导至相关文物文献并建议拓展路径；学习路径与知识图谱映射的可视化促进学生反思，增强自主探究效能。
系统有效性验证方面，评估标准基于布鲁姆认知领域（Bloom's Taxonomy）的分析（识别因果关联）与评价（判断来源可信度）层级，历史素养评估涵盖时序思维、来源分析、历史理解与因果推理四个维度。独立样本t检验显示干预效果统计显著；Pearson相关分析量化交互事件指标与学习成效的关联强度。定性数据通过实验组15名学生半结构化访谈（15-20分钟）获取，聚焦感知能动性与历史共情，两名独立研究者进行主题分析，Cohen's Kappa达0.84表明编码一致性良好。
讨论部分围绕教学效果与用户体验、AI贡献度分析及研究局限性三个维度展开。
教学效果与用户体验维度，系统定位为辅助教师的混合式学习工具，教师承担历史探究框架设计者、进度监控者及体验后综合讨论引导者角色。知识图谱充当自动化符号仲裁者，低贝叶斯置信度分数的响应实时推送至教师平板以便即时干预。实验组平均分从基线61.2提升至84.5，对照组仅达71.6，显著差异（p < 0.001）表明AICG与知识图谱的整合较传统方法更能促进高阶认知掌握。然而，高强度并发访问与复杂3D渲染导致响应延迟和帧率下降，引发部分参与者轻度身体不适，这与虚拟现实晕动症（Cybersickness）研究中"延迟与渲染不一致是生理应变主要驱动因素"的结论一致。优化方向包括：降低非关键背景元素计算负载、优化命令识别机制以减少延迟。此外，交互日志显示学生对经济史与社会史内容存在需求，数据与模型层的模块化设计允许无缝内容扩展，可利用知识图谱结构化特性丰富节点结构而不改变架构。
AI贡献度：静态VR与AI增强VR对比维度，传统静态VR系统中，学习者作为被动观察者沿固定路径阅读预设说明牌，探究深度受限于初始脚本；而AI增强VR通过ChatGLM和知识图谱实现动态探究模式——AI支持上下文对话（非脚本化问答与历史准确应答）、生成式可视化（Stable Diffusion按需创建场景）及自适应支架（基于交互日志调整历史关系复杂度）。实验组12.9分的提升主要归因于AI交互层对历史因果关系的处理能力，这是静态环境无法提供的。
研究局限性维度，样本量较小（83人）且限于武汉单一高校，可能限制结果向多元教育机构的可推广性；系统对高端VR硬件的依赖制约了在资源受限环境的普及。未来需开发轻量级AI模型以适配移动增强现实（AR），探索虚拟博物馆多用户社交互动，并整合自适应难度算法以基于实时学生表现日志调整探究任务。
研究结论部分翻译如下：研究人员开发并验证了一种利用AICG和知识图谱变革历史教育的AI虚拟博物馆。该系统在中国历史学生学习成效方面展现了积极影响，将学生成绩从61.2分提升至84.5分，73.1%达到高分水平。这些结果表明，系统集成的智能响应机制有效支持了复杂分析性思维。研究结果为大语言模型（ChatGLM）用于对话和生成模型（Stable Diffusion）用于场景重建整合为统一响应架构提供了工程层面基础。知识图谱的整合确保了AI生成内容保持历史准确性，解决了生成式AI应用中常见的幻觉问题。该系统展示了复杂多层系统如何应用于应对数字教育中领域特定挑战，验证了人机交互和实时行为日志用于优化系统性能的重要性。研究结果提供了初步证据，表明AI虚拟博物馆在中国历史学生学习成效方面具有积极影响。在四周试用期内，使用该系统的学生学习成效获得提升，73.1%达到高分水平。尽管发现令人鼓舞，但样本量有限和持续时间较短表明这些结果属于对系统潜力的探索性验证，而非对其教育影响的确定性衡量。此外，用户反馈指出了高频并发访问期间的硬件诱发晕动症和渲染延迟等挑战。有必要优化分层渲染管线并扩展知识图谱以纳入多元社会与经济历史模块，确保系统的可持续可扩展性，并使其演进为更具适应性的智能化教育生态系统。
