基于虛擬協作學習的任務分配方法設計與應用

摘 要：協作學習因其效率高和效果好，在實踐教育中得到廣泛應用。虛擬現實（VR）憑借其具有沉浸感和交互性的優勢，進一步促進了協作學習的發展。任務分配作為協作學習的初始步驟，在VR環境中尤為關鍵，但目前針對此方面的研究仍不足。為此，總結了一個適用于VR協作學習的任務分配策略，開發了一個VR多人協作教育系統并運用該策略自動分配任務。通過開展對比實驗驗證了該策略的可行性和模型的正確性。結果表明，與傳統的協作學習相比，VR協作學習的學習效果更好。同時，相較于采用自主協商和基于Agent策略來分配VR協作任務，所提出的策略展現出了更高的學習效率和更好的學習效果，為這一問題的持續深入研究提供了參考價值。

關鍵詞：虛擬現實；協作學習；任務分配；人機交互；Unity 3D；線上教學

中圖分類號：TP391 文獻標識碼：A 文章編號：2095-1302（2025）03-0-05

0 引 言

協作學習通過團隊合作和個體自主學習的結合，促進了學習者知識的提升和團隊合作能力的發展，已成為教育領域的常規學習模式[1]。隨著信息與通信技術的發展，學習模式已經從傳統課堂演變到計算機支持和虛擬仿真交互的協作學習[2]。盡管在線協作學習降低了時間和空間的成本，但對學習者的生理和心理層面的影響可能導致學習效率下降。虛擬現實（VR）技術，憑借其沉浸性、交互性和想象性的特點，提供了一種能夠有效解決上述問題的方案，使學習者能夠身臨其境地參與遠程互動，突破時空限制[3]。VR在遠程協作學習中的應用是教育技術和學習科學領域的一個重要研究方向。

學習任務的有效分配是協作學習成功的關鍵，能夠激發學習者的自主學習興趣，并通過互助機制提高學習效率，進而實現學習目標[4]。隨著學習進程的深入，任務難度和學習目標的提升要求更復雜的交互過程，傳統的任務分配方法，如教師指導或學生自行分配，可能會成為提高效率的瓶頸。因此，考慮任務的多樣性和學習者的能動性，探索有效的任務分配策略對于增強團隊協作和共學效果至關重要。

針對復雜的VR協作學習環境，個性化任務分配是提升學習成效和效率的核心策略。考慮到每位學習者的獨特學習風格和能力，為他們量身定制學習任務能夠產生更好的學習成果。這種方法不僅考慮了學習者的差異性，也優化了學習過程，確保每位學習者都能在合適的挑戰中發揮最大的學習潛能。

近年來，探索協作學習中有效的任務分配策略成為研究的熱點。人本意愿導向的分配方法因其靈活性和適應性而受到關注。文獻[5]的研究發現，與計算機或組織單位分配相比，自主選擇任務的方式能提高工作滿意度并增強任務認同感。然而，這種方法可能因主觀偏見和缺乏量化標準而導致效率低下和資源分配不均衡。

隨著計算機科學的進展，閾值劃分、簡單算法及其他技術被應用于協作任務的分配。例如，文獻[6]利用遞減閾值和順序貪婪算法解決多空中機器人任務分配問題，而文獻[7]開發了基于能量差異系數的調度算法，優化異構多核處理器的能耗限制調度問題。此外，基于Agent的策略被也廣泛用于協作學習任務分配[8-10]，提升了分配的客觀性和效率。然而，面對復雜和動態變化的任務，這些方法往往缺乏必要的靈活性和適應性。

近年來，大數據和人工智能（AI）算法在任務分配領域得到了廣泛應用，為處理復雜任務分配問題提供了更有效的解決方案。深度學習算法通過分析大量歷史數據和預測需求來制定分配決策，顯著提升了分配的精確度和對復雜任務的處理能力。這一方法已在多個研究中被證明能有效解決任務調度問題[11-12]。盡管如此，這些高精度的任務分配策略高度依賴于大規模數據訓練的模型，其實施成本較高，因而其普適性和成本效益是值得深入考慮的因素。

上述研究方法用于解決任務分配中的共性問題，已經取得了良好的效果，但是應用于VR協作學習時需要考慮更多獨特問題。尤其在虛擬空間中開展協作學習時，個體之間的互動效應被放大，任務的合理分配必然受到更多因素的干擾。而現有研究并未重視學習者與任務之間的相互作用，在分配任務時未能考慮匹配性的差異，無法利用好學習興趣與合作互動來提高個體與團隊的學習效率。針對上述不足，本文首先研究了將VR技術用于協作學習所帶來的改變，歸納出了一個適用于VR協作學習的理論模型。而后，基于該模型設計了一個雙向任務選擇的分配策略（Two-Way Task Selection Strategy， TWTS）。該策略是能夠兼顧學習者的意向與任務要求的任務分配策略，能夠提高學習者在VR協作學習中的學習效果和效率。

1 VR協作學習模型

VR的沉浸式特性增強了沉浸感，能夠使學習者感覺到自己身處虛擬環境中[13]。這種增強的沉浸感可以提高學習者的自我效能，使他們更有信心參與到模擬現實場景的任務中[14]，這對于VR協作學習質量的提升有一定幫助。此外，VR引人入勝的環境有助于提高學習動機，保持學生的興趣和參與度[15]。VR中的協作互動，通過共享的虛擬空間，促進了團隊合作和提高了實際解決問題的技能[16]，有效地保障了VR協作學習的順利開展。然而，虛擬現實學習會帶來更多的認知負擔，為了確保沉浸式體驗不會讓學習者感到不適[17]，平衡這些優勢以管理認知負荷是必要的，這正是VR協作學習不同于傳統協作學習的地方。

很多因素在傳統的協作學習中都能發揮作用，但是上述沉浸感、自我效能、學習動機、協作互動和認知負荷5個要素尤其適用于VR協作教學，能起到關鍵性的作用。在協作學習中，臨場感增強了協同操作的體驗，自我效能提升了完成復雜任務的信心，學習動機能夠激發參與協作的主動性，協作互動能夠近一步強化團隊的合作，管理認知負荷能降低協作交互的負擔。在VR協作學習中，這5個要素的選取與整合對于創建一個有效、具有吸引力且平衡的學習環境至關重要。因此，將沉浸感、自我效能、學習動機、協作互動和認知負荷作為影響因素，構建了如圖1所示的虛擬協作學習的理論模型。

2 適用于VR協作學習的任務分配策略

從上述理論模型可知，沉浸感、自我效能、學習動機、協作互動以及認知負荷對于虛擬環境中的協作學習起到了關鍵的作用，因此為了優化團隊協同，有必要基于這些因素為團隊協同開發一種任務分配策略。適用于VR協作學習的任務分配策略如圖2所示，總體上被分為3個階段。首先，由指導教師分析VR協同任務，并將其劃分為若干個相對獨立的子任務。接著，分別計算出學習者對任務的匹配度和任務對學習者的匹配度，并得出雙向任務選擇模型。最后，計算得出各個子任務的分配結果，并指派給各個學習者。

2.1 Stage1：分解任務

使用者應充分熟悉所要開展的虛擬現實協同實驗，明確拆分的目的（達成教學目標或實現培訓目的等），并根據知識結構將該實驗的復雜協同任務拆分為若干個簡單的子任務。這些子任務將被分配給不同的學習者。由于任務分解的不同會影響學習者的學習效果和協同效率，因此本方法的使用者對于所要開展的實驗必須具備足夠的專業性和經驗。

2.2 Stage2：雙向任務選擇

目前，常見的學習任務分配方法[18-19]以任務完成的最短時間或任務執行的最高效率等為優化目標。然而，它們通常只從單個方向考慮問題，而實際需要考慮的因素更多。先前研究忽略的學習者自身的特質、學習者的興趣、學習基礎、學習風格和參與度等因素都會影響個體運用知識的能力以及學習小組完成任務的效率。因此，本文采用學習者和任務之間的雙向選擇來高效地實現對兩者的匹配，從而在確保完成任務的同時，學習者能夠獲得更好的學習效果。

首先分別計算出學習者對任務的匹配度和任務對學習者的匹配度的數值，而后將這些結果代入雙向任務選擇模型的公式，最終計算出任務分配結果。

2.2.1 計算學習者對任務的匹配度

在協作學習中，通常會將一個復雜的任務劃分為若干個簡單的子任務，再將子任務分配給團隊中的學習者。學習者往往偏向于選取感興趣的或擅長的子任務。可見，學習者對任務的匹配度與他們對任務的偏好度有關。因此，首先量化學習者對任務的偏好度，而后再根據偏好度計算出他們的任務匹配度。該量化方式參考了文獻[20]的設計。

首先，學習者填寫任務意向表來為每個子任務按意向度排序。序列越小表示學習者對該子任務的意向度越大。之后，根據每位學習者的意向度序列計算出每位學習者對各子任務的匹配度σij，計算公式如下：

（1）

式中：σij表示第i個學習者對第j個任務的匹配度；Tij表示第i個學習者對第j個子任務的意向度序列；n表示子任務的總數。

2.2.2 計算任務對學習者的匹配度

任務與學習者的匹配還應當考慮到學習基礎和信譽度。學習基礎反映該學習者完成任務的能力，而信譽度則用于衡量學習者在曾經執行過的任務中的表現和信用程度。因此，在計算任務對學習者的匹配度時需要考慮這兩個因素。首先分別計算出這兩個因素的數值；而后調用公式計算出任務對學習者的匹配度。

（1）計算學習者的信譽度

在虛擬環境中，信譽作為用戶間社會交互和知識共享的關鍵中介，對知識組織和創新效率起著至關重要的作用。由于虛擬協作學習缺乏面對面交流，學習者傾向于與信譽高的成員互動，因而高信譽學習者更適合承擔任務。量化虛擬環境中的信譽是一個挑戰，早期研究采用用戶評價來衡量信譽，但這種方法易受主觀偏見影響[21]。相對而言，學習者的過往學習經歷提供了一種更客觀的信譽度量方式。本研究結合用戶相互評價和學習經歷，提出了一個全面的信譽度量方法。

首先，由每位學習者為除自己以外的其他組員的信譽度打分（0～100分）。評價的信譽度越大表示該學習者對另一位學習者越信任，認為他能較好地完成任務。之后根據每位學習者對同一位學習者的信譽度評價獲得該學習者的主觀信譽度εi。計算公式如下：

（2）

式中：εi表示第i位學習者的主觀信譽度；Eij表示第j個學習者對第i個學習者的信譽度評價。

接著，獲取每位學習者的過往學習情況。過往學習情況分數反映該學習者學習情況的好壞，分數越高表示該學習者的學習情況越好，信譽度也越高。之后運用平均信譽度模型[22]計算出每位學習者的客觀信譽度ηi，計算公式如下：

（3）

式中：ηi表示第i位學習者的客觀信譽度；Sij表示第i位學習者的第j次過往學習情況分數；S0表示學習者的信譽度初始值（通常為50）。

最后，將獲得的主觀信譽度εi與客觀信譽度ηi取平均值，獲得該學習者的信譽度μi，計算公式如下：

（4）

式中：μi表示學習者最后獲得的信譽度。

（2）計算學習者的學習基礎

學習基礎包括學習者在執行操作任務時所具備的專業知識基礎和實踐能力。在協作學習中，個人的團隊協作能力也應該作為對學習者的學習基礎進行考核的內容。因此，設計一個在開始協作學習前填寫的問卷，用于調查學習者的專業知識、實驗操作和團隊協作狀況，并通過計算出問卷的成績來獲得學習者的學習基礎得分，計算公式如下：

（5）

式中：τi表示第i位學習者的學習基礎；xi表示第i位學習者的專業知識表現成績；yi表示第i位學習者的動手能力表現成績；zi表示第i位學習者的團隊協作表現成績；hi表示第i位學習者的VR操作表現成績。

（3）計算任務對學習者的匹配度

在獲取了學習者的學習信譽度和學習基礎后，可以計算出任務對學習者的匹配度。本文認為學習者的學習基礎與學習者的信譽度在任務與學習者匹配的過程中具有相同的重要性，即二者具有相同的權重，所以任務對學習者的匹配度λi的計算公式如下：

（6）

式中：λi表示任務對第i個學習者的匹配度。

2.2.3 雙向任務選擇模型

根據學習者對任務的匹配度σij和任務對學習者的匹配度λi，可以建立一個使雙方匹配度最大的數學模型。引入決策變量xij，xij=1時表示第i位學習者與第j個子任務匹配，xij=0時表示第i位學習者與第j個子任務匹配失敗，由此建立雙向任務選擇的模型如下：

（7）

式中：ω1和ω2表示雙方匹配度的權重，考慮到雙方匹配度同樣重要，因此設置ω1=ω2=0.5；m表示學習者個數；n表示任務個數，由于本文暫時不考慮不同任務之間對學習者匹配度的差異，因此不同任務對同一學習者的匹配度相同，即λij=λi。xij為決策變量，xij=1表示第i位學習者與第j個任務匹配，反之則不匹配。通過求解出雙向任務選擇模型的最大值可以獲得任務與學習者之間的最佳匹配方式，提高協作小組整體的學習效果。

2.3 Stage3：計算任務分配結果

在得到雙向任務選擇模型后，根據模型計算出最優的結果，并根據最優的結果將各子任務分配給各學習者，學習者獲得任務分配結果后完成各自的任務。

3 基于TWTS策略的VR協作學習系統

3.1 系統整體框架

本研究的虛擬學習系統采用Unity3D引擎和SteamVR框架開發。每個參與者都使用HTC Vive一體機開展協作實驗。他們需要佩戴一個頭戴式顯示器，手持一對HTC Vive控制器。開展協作學習的虛擬環境由圖形工作站（CPU：AMD Ryzen 5600，RAM：16 GB，GPU：NVIDIA GeForce RTX3060）渲染生成。

該系統由軟硬件支持、資源支持、空間設計支持和評估設計支持4大部分構成。軟硬件支持涉及開發過程中使用的設備、程序和插件。資源支持包括場景所需的各種素材。空間設計支持涵蓋界面、功能和交互設計，還可以進一步細分為場景和交互設計。評估設計支持分為主觀和客觀評估。主觀評估使用計算自我效能感問卷、指令媒介動機調查問卷和內部環境問卷。客觀評估則通過考核測評和交互數據，綜合評價學生虛擬協作學習的效果。

3.2 系統實現

為了評估TWTS策略的可用性，基于該策略開發了一個VR多人協作教育系統（Multi-Player Collaborative VR Learning System，MultiCoVR）來獲取學習者在協作學習期間產生的交互數據和學習感受。這套系統運行于頭戴式VR交互設備，支持自由選擇任務模式和雙向選擇任務模式，用于研究實施TWTS策略的差異。此外，還開發了一個被稱為WebML（Web-Based application for online Multiplayer Learning）的基于網頁在線多人學習的應用程序作為比較對象，研究不同的VR交互方式下協作學習的差異。MutiCoVR主要分為3個模塊，包括了從準備階段到學習階段的預準備、學習以及實驗數據采集模塊。預準備模塊主要負責學習前的先驗知識調查、意向度選擇和任務獲取。學習模塊主要用于介紹如何使用系統學習、開展虛擬學習、獲取實驗進程和提示等。數據采集模塊主要負責收集學習者在系統學習時產生的操作數據，如交互時長、交互次數、錯誤操作次數和任務提示次數等。系統運行的場景如圖3所示。

3.3 實驗評測

本文基于VR協作環境設計了MultiCoVR系統，基于Web技術開發了WebML系統來開展化學實驗。化學實驗的內容為制備氧化石墨烯。將參與者隨機平均分成4組（每組40人），每組由兩人搭檔開展實驗。將使用WebML開展協作學習的組稱為WebML組，選用MultiCoVR通過自主選擇任務開展虛擬協作學習的組稱為MultiCo組，使用了基于TWTS策略的MultiCoVR開展虛擬協作學習的組稱為MultiCo（TWTS）組，使用了基于Agent策略的MultiCoVR開展虛擬協作學習的組稱為MultiCo（Agent）組。這4組參與者的學習內容是一致的，但是學習環境和任務分組方式有所不同。

實驗流程如圖4所示。首先，通過讓4組的參與者填寫化學實驗測試問卷開展實驗前測。然后，讓他們閱讀實驗指導書來學習開展本次實驗所需掌握的專業知識，包括原理、藥品以及操作步驟。接著，4組參與者分別以各自任務分配方式來獲取任務。收集所有參與者在實驗過程中產生的交互數據。然后，在實驗后測中讓所有參與者填寫體驗問卷，并完成化學實驗測試。最后，收集來自于調查問卷和實驗交互的主客觀數據并加以分析，研究VR技術和任務分配方式對協作學習產生的影響。客觀數據包括了化學實驗所用時間、實驗操作失誤次數、實驗過程中交互次數以及學習前后的內容掌握度。而主觀數據來自于參與者根據自身在實驗環境中的交互感受填寫的量表。

通過統計所有參與者的前測結果、后測結果和綜合成績，得到對實驗數據的描述性統計見表1。

試驗結果表明，相比于其他任務分配策略，TWTS策略在VR協作學習環境中可以提高學習者的學習效率和學習效果，幫助學習者更好地完成學習任務。

4 結 語

本研究根據VR技術和任務分配的特點構建了一個VR協作學習模型，基于該模型提出了一個適用于虛擬協作學習的任務分配策略（TWTS），該策略能夠兼顧學習者主觀感受和任務的客觀要求，并充分考慮個人與團隊之間的關系，運用該策略開展虛擬協作學習能夠改善學習體驗并提高學習效果。

然而，本研究有兩個問題仍需要解決：一是所設計的學習系統較為復雜，增加了學習者的學習負擔；二是系統中小組的組成人數被設定為僅允許兩人，使得協作的自由度在一定程度上受到了限制。

參考文獻

[1] BORES-GARCIA D， HORTIGUELA-ALCALA D， FERNANDEZ-RIO J， et al. Research on cooperative learning in physical education： systematic review of the last five years [J]. Research quarterly for exercise and sport， 2021， 92（1）.

[2]鄭玲，劉革平，謝濤，等.協作學習中虛擬現實技術對學習效果的影響——2007—2019年國際實證論文的元分析研究[J].中國遠程教育，2021（4）：9.

[3] MARTíN-GUTIéRREZ J， MORA C E， A?ORBE-DíAZ B， et al. Virtual technologies trends in education [J]. Eurasia journal of mathematics， science and technology education， 2017， 13（2）： 469-486.

[4]何文濤，梁晨，龐興會，等.協作學習活動設計的困境與出路[J].電化教育研究，2021，42（3）：103-110.

[5] TAUSCH A， KLUGE A. The best task allocation process is to decide on one’s own： effects of the allocation agent in human-robot interaction on perceived work characteristics and satisfaction [J]. Cognition， technology amp; work， 2022， 24（1）： 39-55.

[6] LI T， SHIN H S， TSOURDOS A. Threshold bundle-based task allocation for multiple aerial robots [J]. IFAC-PapersOnLine， 2020， 53（2）： 14787-14792.

[7] CHEN J， HAN P， ZHANG Y， et al. Scheduling energy consumption-constrained workflows in heterogeneous multi-processor embedded systems [J]. Journal of systems architecture， 2023， 142： 102938.

[8] AYALA G， YANO Y. A collaborative learning environment based on intelligent agents [J]. Expert systems with applications， 1998， 14（1/2）： 129-137.

[9] WANG J， SUN Y H， FAN Z P， et al. A collaborative e-learning system based on multi-agent [C]//Internet and Network Economics： First International Workshop， WINE 2005. Berlin Heidelberg： Springer， 2005： 455-463.

[10] YANG S， WANG L， LIU J. Algorithm for agent collaborative learning task allocation based graph framework [C]//2009 International Conference on Business Intelligence and Financial Engineering. Beijing， China： IEEE， 2009： 215-218.

[11] GAO H， WU Y， XU Y， et al. Neural collaborative learning for user preference discovery from biased behavior sequences [J]. IEEE transactions on computational social systems， 2023.

[12] CHEN J， LI T， ZHANG Y， et al. Global-and-local attention-based reinforcement learning for cooperative behaviour control of multiple UAVs [J]. IEEE transactions on vehicular technology， 2024， 73（3）：" 4194-4206.

[13] GRASSINI S， LAUMANN K， RASMUSSEN S M. The use of virtual reality alone does not promote training performance （but sense of presence does） [J]. Frontiers in psychology， 2020， 11： 1743.

[14] ZHENG J， WU C Z， LI F， et al. Research status of the application of virtual reality technology on self-efficacy [C]//2021 3rd International Conference on Machine Learning， Big Data and Business Intelligence （MLBDBI）. [S.l.]： IEEE， 2021： 608-611.

[15]劉哲雨，郝曉鑫，曾菲，等.反思影響深度學習的實證研究——兼論人類深度學習對機器深度學習的啟示[J].現代遠程教育研究，2019（1）：87-95.

[16]王凝.大學生參與小組合作學習效果及影響因素的分析[J].現代教育科學，2016（4）：5.

[17] ZAMBRANO J， KIRSCHNER F， SWELLER J， et al. Effects of group experience and information distribution on collaborative learning [J]. Instructionalscience， 2019， 47： 531-550.

[18]肖磊，許瑞超，何軒章，等. 面向效用優化的動態閾值在線任務分配算法[J]. 杭州電子科技大學學報（自然科學版），2023，43（1）：56-61.

[19]王強，植賜佳，徐佳.基于聲譽系統的軟件眾測任務分配機制[J].南京理工大學學報，2022，46（5）：561-570.

[20] WANG J， WANG F， WANG Y， et al. Allocating heterogeneous tasks in participatory sensing with diverse participant-side factors [J]. IEEE transactions on mobile computing， 2018， 18（9）： 1979-1991.

[21]劉迎春，謝年春，李佳.虛擬學習社區中基于用戶行為的知識貢獻者信譽評價研究[J].現代情報，2020，40（3）：117-125.

[22]嚴俊.眾包任務優化分配與工作者信譽模型研究[D].武漢：武漢理工大學，2017.