AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

虚拟现实与增强现实

创建 2026-09-13 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

虚拟现实与增强现实（VR/AR） — 学习环境被体验所经由的显示与交互层：VR 是完全合成的空间，AR 与混合现实则是叠加在物理世界之上的数字内容。AI 从两个方向进入这一层。它创作这一层，因为 生成式 AI如今能把一段自然语言描述变成可运行的、基于浏览器的 AR 或 VR 学习工具，不再需要专门的开发者。它也栖居于其中，代理、教学代理与 检索到的知识在沉浸式环境中免手持地引导学习者。这一模态在屏幕之上所增添的是临场感与 具身性；它付出的代价是保真度、硬件，以及身体待在那里的耐受度。

值得思考的问题

  • 被建模的东西与呈现它的表面之间，界线在哪里？比较一个桌面病人模拟器与一次前往学生无法到访的 VR 实地考察。你预期哪些差异会改变学习，哪些可能只是新鲜感？
  • 一项试点发现，学生通过手势比通过滑块更强烈地报告感受到波长与振幅——但它测量的是感知而非成绩，29 名学生且无对照组。所报告的"感受"在采纳工具时该占多大分量？
  • 如果生成式 AI 让一位没有编程背景的教师在一个下午就搭出一个可用的 AR 模拟，那么验证 物理、判断保真度、决定它是否属于某门课程，会带来哪些新的责任？
  • 在一项对 AI 驱动护理模拟的综述中，AI 在结构化沟通上可与人类演员相当，但在触觉与情感复杂的情境上不行。你会如何安排练习顺序，让学习者在一些部分与 AI 演练、在另一些部分与人演练？
  • 一项课堂 VR 研究报告动晕极轻微，而针对残障学生的智能 VR 元分析估计值在统计上不显著。在一个项目投资头显之前，你想先测量什么？

引言

虚拟与增强现实是一种模态，而非一个模型：它是学习环境抵达学习者的那一层。这使它成为一个与 模拟 不同的轴，后者才是首先被建模的东西。两者常被混为一谈，因为沉浸式环境是模拟的常见交付载体，但它们独立变化——一个桌面病人模拟器是没有 VR 的模拟，而叠加在真实仪器上的 AR 是没有模拟的 VR。把这两个轴分开对设计很重要：决定让练习变得零风险，与决定让它变得具身，是两个不同的决定，二者带来不同的成本、不同的失效模式与不同的证据。VR/AR 是模拟的交付层，也是 游戏化学习的近亲；它把 具身与 情境的学习论述付诸实现，并坐落于 经验与 主动学习实践之中。

AI 如今从两端塑造这一模态。它创作沉浸式内容，因为 生成式 AI把一段结构化的自然语言提示转化为可运行的 AR 或 VR 制品，瓦解了过去把守生产的专门编程技能。它也栖居于环境之中，代理、教学代理与 检索到的领域知识在其中提供指导——免手持、实时、扎根于学习者戴着头显时无法查阅的来源。

这一模态所增添的

VR/AR 的理由建立在临场感与 具身性之上，而非信息传递。一个共享虚拟空间还能把共在性与地理解耦：一个建立在实时同步层上的 VR 课堂，让教师和学生无论身处何地都在同一个房间里、操作同一套 3D 科学材料，最多支持二十名参与者。在一场有 10 名学生的 Meta Quest 3 一小时课程中，它在系统可用性量表上报告了良好的 可用性和极轻微的 模拟 sickness，而其自身的弱点在于 UI 一致性——设计者还刻意避开了早先那种随参与者加入而帧率下降的点对点架构，这提醒我们临场感受工程所限。更受控的比较对"表面本身买到什么"给出了清醒的认识：一项 24 人参与的工程力学研究发现，混合现实应用与实体工具包都比课堂讲授提升了 参与度，然而复杂可视化在每种条件下对学习者都仍然困难。参与度是可靠的效果；理解则不是。

生成式 AI 作为创作层

过去界定谁能构建沉浸式工具的那道门槛已基本倒下。借助一个四要素提示结构——工具、显示、手部控制、优化——一位没有编码背景的 教师或学生就能生成一个基于浏览器、手控的 AR 物理模拟，它以单个 HTML 文件运行，除摄像头外别无所求，随后可以用自然语言描述出了什么问题来精炼它。这个手势来自触屏的熟悉经验：捏合与张开调节的是物理量而非缩放图片，所以垂直张开手指提高振幅，水平张开则拉长波长、并把灯移向光谱的红端。同一结构可以推广：指尖周围在房间中弥散的库仑场、双手作为对置电荷、以及在学习者自己手上画出的磁力右手定则——刻意以非镜像渲染，因为镜像会反转正在讲授的那条规则。

这项试点在同样程度上既令人鼓舞又只是初步的。在 29 名二年级医学影像学生的一门辐射物理学导论课中，全部 29 人都同意该手势帮助他们"感受"波长是什么（均值 4.52），振幅控制得分最高（4.59），93% 的人认为在空中控制波形很自然，86% 的人报告比常规学习更投入、更专注。然而，证据是纯感知的、单一班级的、且无对照组——因此诚实的解读是，提示工程已移除了生产门槛，使具身性这一根本问题变得可检验，而非已被回答。

沉浸式环境内部的 AI

第二个方向是 AI 停止创作、开始在头显内教学的地方，也是 检索落地变得承重的地方。一个面向高剂量率近距离治疗的代理式沉浸训练平台，构建了治疗室的数字孪生——解剖精确的病人模型、导管、后装机、施源器——使学员能够看到施源器相对于危及器官的空间朝向，而无需屏蔽室、活的放射源，或实体盆腔检查的隐私风险。一个扎根于 临床指南的知识感知助手，通过三级语音接口（头显麦克风 → 后端转录与意图分析 → 空间化语音）提供免手持指导，去除了精细操作期间对控制器的依赖。技术上它成功了：50 次蒙特卡洛运行的端到端延迟为 3–5 秒，52 对专家撰写的问答上上下文召回高于 0.93、答案相关性 0.87，且一个医学嵌入模型改善了答案完整性。

它的缺口界定了该模式当前的边界。评估是客观指标加上单一领域专家用户，而非学习者；没有自动化的 评估 或 自适应反馈；助手无法超越它所获得的文档，因此机构特定规程与罕见情境在其能力之外。换言之，沉浸式环境内部的教学智能仍然主要是指导，而非测量——而同一平台架构，配合把 模型推理卸载到本地 GPU 后端，正是免手持指导快到可用所依赖的东西。

对那份缺失测量迄今最清晰的尝试，来自一个职业设计工作室而非临床场景。在一门 12 周的室内设计课程中，一个配有 LLM 支持助手（渲染为数字人）的 VR 环境（头显加 3D 建模工具）与常规的 项目式教学作了比较，助手在每个阶段被赋予不同角色——资源推荐与任务分解、带知识图谱的分层提问、模拟设计效果与缺陷检测，然后是供教师使用的对话日志（Jin 等（2026））。在 63 份有效回答中，沉浸加代理条件产出了显著更高的设计能力（η²p = .138）与创造能力（η²p = .111）、认知（d = 0.90）与行为（d = 0.75）参与，以及动机（d = 0.74）与满意度（d = 0.69）——而报告的 认知负荷更低而非更高（d = −0.52），作者归因于助手削减了搜索与跨学科整合的努力。两点限制使这未能定案：观念新颖性与 情感参与没有变化，且每项结果都是 自陈，没有制品评分或头显日志。

与一项可比的设计教育部署的对比很有教益。一个使用 GenAI 加多用户 XR 流水线的建筑工作室发现，使用它的团队设计 自我效能信心下降，且在盲审小组评分中没有优势。两者的差别与其说在硬件，不如说在编排：职业研究在干预之前就固定了阶段结构、助手在每个阶段的角色以及评分量规，并把生产能力与观念新颖性分开测量。

同一模式的教师向版本更年轻、更脆弱。Liang 等（2026）让一位舞台灯光教师对着 VR 场景说出意图，以激光笔作为空间锚点，并让 大语言模型（LLM） 把它变成教师可审阅的空间标注、可执行的灯光演示与按需的术语解释。在 55 个提示与 531 个生成动作中，助手在表达性、欠明确的目标上最强（245 个视觉效果动作中 212 个被应用，86.5%），在灯具级请求上最弱——28 个被拒绝的动作中有 26 个可追溯到"左侧灯"这类方向性指称被模型解析到了错误的灯具——起约束作用的是对场景空间参照系的落地，而非可执行性。教师把建议当作一个 可控的精炼过程而非答案：147 个被拒绝或修改的动作中有 127 个（86.4%）随后跟了一个新提示，只有 1 个是手动调整。该研究最值得警惕的结果是表征性的——把专家推理外化的标注，并未与新手所理解的可靠对齐，因此沉浸式 AI 教学既带有上述教学案例的落地问题，也带有第二个问题：教师能力与学习者理解并非同一个目标。

证据显示了什么

VR/AR 最强的证据是比较性的且 学科特定的。一项对 33 项实验与准实验研究（N = 3,181）的 元分析，考察新兴 技术在把 英语作为外语教学中的应用，发现了小到中等的总体效应（g = 0.38），其中VR/AR 的效应最大，效应随教育层级上升，并偏向产出性技能（说、写）而非接受性技能。

反证同样信息丰富。在首项针对 残障学生的 AI 干预元分析——29 项研究、239 个效应量、中等总体效应 g = 0.588——中，智能 VR 系统产出 g = 0.528，统计上不显著，而计算机软件达到 0.959、机器人 0.509。存在发表偏倚，剪补法把总体估计降到 g = 0.269。其中的模式并不是沉浸式失败，而是它的效应小、异质、且对特定干预如何设计与比较敏感。

知识库中最明确的负面结果来自一次工作室部署，而非模态间的比较：在一个 27 名学生的建筑设计工作室中，使用 GenAI 加多用户 XR 流水线的团队，设计 自我效能信心的下降（β = −1.675）与结果期望的下降（β = −2.088）都超过按常规课程工作流工作的团队，而其汇报的专家小组评分无显著差异（Xiao 等（2026））。作者将其解释为随阶段变化的互补性以及真实的摩擦——GenAI 用于把试探性想法外化，XR 用于空间与尺度评估——叠加控制、维度保真、共享注意与运动舒适等问题，提醒我们沉浸式工具在增加能力的同时也增加了交互成本。

保真度、临场感与真实性差距

在沉浸式练习被用于人际与程序性技能之处，限制因素不是视觉保真度，而是感受上的真实性。一项对 AI 驱动护理模拟的 混合方法综述（19 项研究，N = 1,253）发现，AI 对认知知识与情感结果有效，但对复杂精神运动技能不一致，并点出了原因：一个真实性差距，涵盖情感共鸣、非言语线索识别，以及触觉与体格检查维度。其实际建议是一条分步模拟连续体——AI 很适合高度结构化的目标，如基础沟通与病史采集，而高级精神运动与情感复杂的情境应归于真人标准化病人与临床实习。技术不稳定使问题加重：语音识别延迟注入额外的 认知负荷与焦虑，这使稳定性与延迟成为设计杠杆，而非实施细节。

同一逻辑也解释了为何临场感并非自动是好的。动晕、UI 不一致、硬件成本与设备获取的不均衡，决定了谁根本能使用一个沉浸式环境，这正是该模态的 公平问题与 可及性 和 包容性学习 相连、而非与之分离的原因。

关联概念

关联文章

元数据

学科Medical Education, Stem Education
学习与教学具身学习, 职场学习
技术与方法生成式人工智能, 多模态人工智能, 模拟
公平、伦理与负责任使用可及性
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。