《Computers & Education: X Reality》：GenAI avatars in VR: Role of presence, health, and technological factors
编辑推荐：
本研究针对VR教育环境中集成GenAI虚拟化身时，用户期望、存在感与持续参与度关系不明的问题，探讨了上述因素对学习体验的影响。研究人员开展了一项针对30名学生的AI素养活动，使用Classlet教育VR平台，让学生与配备RAG与非RAG的GPT虚拟化身互动，通过问卷、系统日志和对话编码进行分析。结果表明，科技期望过高的用户在遇到交互问题时更易放弃后续任务；存在感与感知功能性和自评健康关联更紧密，而非视觉逼真度；RAG增强的虚拟化身能生成更具情境相关性的回应。研究发现，管理用户期望、确保交互流畅性、注重可用性和舒适度对于提升VR与GenAI结合的沉浸式学习效果至关重要。
随着虚拟现实（VR）与生成式人工智能（GenAI）技术的融合日益深入，教育领域正迎来一场沉浸式、个性化学习的革命。想象一下，学生们戴上VR头显，就能置身于一个由AI驱动的虚拟学习环境中，与知识渊博的虚拟导师对话、完成任务。这些GenAI虚拟化身能够提供实时反馈，并根据学习者的个人需求调整内容，极大地增强了学习的互动性和吸引力。然而，在技术光鲜亮丽的表象之下，潜藏着一些亟待解答的关键问题。当学习者满怀期待地进入VR世界，他们的初始技术期望如何影响其持续参与的意愿？在虚拟环境中，那种“身临其境”的感觉（即“存在感”），究竟与系统的易用性、功能性更相关，还是与画面的视觉逼真度更相关？长时间佩戴头显可能带来的眩晕、不适等健康问题，又会对学习体验造成多大影响？更重要的是，拥有不同背景（如游戏经验、性别）的学习者，在与GenAI虚拟化身互动时，是否会展现出截然不同的行为模式？这些问题，正是本研究试图探索的核心。
为了系统性地回答上述问题，一项探索性研究得以开展，并发表在《Computers》期刊上。研究人员设计并实施了一项在高等教育环境中结合VR与GenAI的AI素养活动。他们使用了名为Classlet的专用教育VR平台，构建了一个包含线性任务序列和可选探索房间的虚拟场景。研究中，30名来自香港某大学的本科生参与者依次与两个GPT虚拟化身进行语音交互：其中一个采用了检索增强生成（Retrieval-Augmented Generation， RAG）技术以提供更基于知识的回应，另一个则为标准的非RAG版本。研究人员通过问卷调查（测量技术接受度、存在感、健康感知等）、记录系统日志（捕获交互次数、任务完成时间等），以及对参与者与AI的对话进行编码（评估情境相关性、连贯性等）这三种方法，收集了定量与定性数据，并运用了包括回归分析、曼-惠特尼U检验在内的统计方法进行综合分析。
研究结果揭示了多个层面的发现：
H1：可用性与功能性预测存在感
回归模型表明，在本次研究的样本中，存在感（PRESENCE）与感知到的健康状况、使用意向以及对技术的看法显著相关。具体而言，更好的健康舒适度、更高的使用意向以及对技术更积极的看法，共同预测了更强的存在感。这提示我们，在VR学习环境中，用户的“身临其境”感并非仅仅来自逼真的视觉效果，其与系统的可用性（是否流畅、易用）和用户自身的生理舒适度密切相关。
H2：存在感与可用性预测使用意向
另一个回归模型显示，用户继续使用该VR平台进行学习的意向（INTENT），受到感知易用性（AVGEASE）、性能期望（AVGPERF）和存在感（PRESENCE）的正向影响。有趣的是，在控制了其他变量后，更好的自我报告健康状况（HEALTH）反而与稍低的使用意向相关，这可能是因为感到不适的用户在任务中投入了更多坚持，但其内在使用意愿并未同步提升。此模型强调了除了技术本身的性能，用户体验中的沉浸感和易用性是驱动持续使用意愿的关键。
H3：健康舒适度、存在感与意向
健康（HEALTH）作为结果变量的回归模型进一步揭示了其与存在感和意向的复杂关系。更高的存在感分数与更好的报告健康状况强相关，而更高的使用意向在控制其他变量后，与较差的健康状况相关。这表明，沉浸感强的体验可能伴随着生理上的挑战，而决定是否继续使用，是用户体验（存在感、易用性）与生理代价（不适感）之间权衡的结果。
H4：科技期望与GenAI任务进展
研究观察到一个反直觉的现象：对技术抱有更高期望（AVGTECH分数更高）的参与者，在遇到交互问题时，更不太可能继续进行到第二个GPT虚拟化身的任务。这与期望违背理论（Expectancy Violation Theory， EVT）的预测一致，即当系统表现低于用户的高预期时（如语音识别错误、延迟），会引发更强烈的负面评价和退缩行为。
H5：RAG与非RAG GenAI虚拟化身对比
假设H5预测RAG驱动的虚拟化身会产生更具情境相关性的回应。数据分析支持了这一预测：配备RAG的虚拟化身产生了88%的情境感知回应，高于非RAG版本的85%。定性分析显示，RAG化身的回答更准确、结构化且概念丰富，能整合定义和检索到的知识来引导反思；而非RAG化身的回应则更具想象力和自发性，利用类比增强了叙事流畅性，但事实深度不足。
H6：亚群在参与度和错误模式上的差异
亚组比较揭示了不同用户群体的行为差异。例如，男性参与者倾向于进行更多的GenAI交互尝试、完成更多任务，但也触发了更多的GPT失败，显示出更具探索性但也更容易出错的行为风格。非每周玩游戏的学生在VR任务中得分高于每周玩游戏的学生，这可能与“专长逆转效应”有关，即新手更受益于结构化指导，而老手可能觉得指导冗余。此外，具有中等AI经验的学生报告了更强的享受感和行为控制感。
研究结论与讨论部分对上述发现进行了深入阐释，强调了其理论与实践意义。
本研究表明，在VR教育环境中集成GenAI虚拟化身时，用户的持续参与受到一个由期望、体验和舒适度构成的复杂网络的影响。首先，研究发现过高的技术期望可能是一把“双刃剑”，当交互质量无法匹配预期时，反而会导致更早的放弃。这为期望违背理论在HCI（人机交互）领域的应用提供了新的实证支持，提示设计者需要谨慎管理用户对新兴AI+VR技术的初始预期，或通过优化系统流畅性来减少违背。
其次，研究挑战了传统上认为存在感主要依赖于视觉沉浸感的观点。在本样本中，存在感与感知到的功能性和自报告健康状况关联更为紧密。这意味着，对于旨在通过GenAI虚拟化身促进学习的VR系统，优先保障交互的顺畅、反馈的清晰以及设备的物理舒适性（如文本可读性、头显适配），可能比追求极致的图形逼真度更能有效营造“身临其境”的学习氛围。
第三，研究突出了自适应对话的价值。尽管RAG仅带来了情境相关性3个百分点的微小提升，但它标志着向更精准、知识驱动的交互迈出了一步。结合定性反馈中用户对交互延迟和识别错误的抱怨，研究结论强调，对于维持用户参与度而言，对话的质量、及时性和情境适切性，可能与虚拟化身的外观真实感同等重要，甚至更为关键。
最后，亚组分析揭示了用户背景（如性别、游戏频率、AI经验）如何塑造其互动策略和体验。这指向了个性化设计的重要性。未来的VR学习系统可以依据用户的专长水平、互动风格甚至生理反应（如通过传感器监测不适迹象），动态调整任务难度、指导方式和虚拟化身的行为模式，以提供更具包容性和有效性的学习体验。
当然，本研究作为一项样本量有限（N=30）的探索性研究，其结论需要在更大规模、更多样化的群体中进行验证。未来的研究可以引入更直接的期望违背测量、标准化的认知负荷量表，以及更精细的语音交互日志分析，以更精确地揭示交互故障如何导致脱离。尽管如此，这项研究为理解并设计下一代沉浸式智能教育环境提供了宝贵的初步见解，强调了在追求技术前沿的同时，必须将用户体验的流畅性、舒适性和期望管理置于核心位置。
