Adaptive and intelligent virtual reality through fuzzy cognitive maps for human-centered education

Abstract

This dissertation investigates how adaptive personalization, Fuzzy Cognitive Maps (FCMs), Flow Theory and gamification can be systematically integrated into immersive Virtual Reality (VR) learning environments to support human-centered programming education. It addresses a critical gap in current VR implementations, which predominantly follow static, one-size-fits-all designs that neglect learner diversity in prior knowledge, cognitive abilities, motivation and learning pace, resulting in suboptimal engagement and learning outcomes. First, a systematic literature review of 107 empirical studies (2012–2025) examines how personalization mechanisms, gamification strategies and different VR apparatus types (fully immersive and less immersive systems) have been employed in educational contexts. The review maps personalization techniques, identifies superficial or inconsistent uses of gamification, highlights methodological limitations and reveals the absence of comprehensive, theoretically grounded adaptive frameworks for immersive VR education. Building on these findings, the dissertation introduces a multi-layer conceptual framework for personalized and gamified VR applications in education, structured around user profiling, adaptive content configuration, interaction and gameplay design, feedback and progression and social integration. This framework is grounded in Flow Theory, cognitive and multimedia learning considerations. The framework is operationalized through FUZ-VIRAGE (Fuzzy Cognitive Map-based Virtual Reality Game for Education), a fully immersive VR learning environment for Java programming. FUZ-VIRAGE employs FCMs to model learner state and dynamically adapt task difficulty, feedback and motivational cues. It integrates meaningful gamification elements and aligns challenge–skill balance to elicit Flow and sustained engagement. The system is empirically evaluated with 140 university students, randomly and equally assigned to either an adaptive FCM-based VR condition or a non-adaptive control condition. A mixed-method design incorporates knowledge tests, in-game performance analytics (time on task, errors, hint requests) and standardized measures of intrinsic motivation, self-regulation, cognitive immersion, presence, user experience and satisfaction. Results show that the adaptive VR condition yields significantly higher learning gains (particularly in complex conceptual tasks), greater task efficiency, fewer errors and hint requests and consistently higher motivation, immersion and satisfaction scores. Overall, the dissertation delivers: (i) a comprehensive evidence base on personalization and gamification in VR education, (ii) a theoretically grounded, apparatus-aware framework for adaptive immersive learning, (iii) a concrete AI-driven implementation via FUZ-VIRAGE and (iv) robust empirical validation that demonstrates the effectiveness of FCM-based personalization and integrated gamification–Flow mechanisms in VR programming education, alongside practical design guidelines and directions for scaling, long-term retention studies and advanced adaptive algorithms.

Η παρούσα διατριβή διερευνά το πώς η προσαρμοστική (Adaptive) εξατομίκευση, οι Ασαφείς Γνωστικοί Χάρτες (Fuzzy Cognitive Maps, FCMs), η Θεωρία Ροής (Flow Theory) και η παιχνιδοποίηση (Gamification) μπορούν να ενσωματωθούν συστηματικά σε εμβυθιστικά (Immersive) μαθησιακά περιβάλλοντα Εικονικής Πραγματικότητας (Virtual Reality, VR), με στόχο την υποστήριξη ανθρωποκεντρικής εκπαίδευσης στον προγραμματισμό. Αντιμετωπίζει ένα κρίσιμο κενό στις υπάρχουσες εφαρμογές VR, οι οποίες στηρίζονται κυρίως σε στατικά διδακτικά μοντέλα γενικής εφαρμογής, που παραβλέπουν την ανομοιογένεια των εκπαιδευομένων ως προς τις προϋπάρχουσες γνώσεις, τις γνωστικές ικανότητες, τα κίνητρα και τον ρυθμό μάθησης, οδηγώντας σε περιορισμένη εμπλοκή και μη βέλτιστα αποτελεσματικά μαθησιακά αποτελέσματα.Αρχικά, πραγματοποιείται μια συστηματική ανασκόπηση της βιβλιογραφίας σε 107 εμπειρικές μελέτες (2012–2025), η οποία εξετάζει πώς έχουν αξιοποιηθεί μηχανισμοί εξατομίκευσης, στρατηγικές παιχνιδοποίησης και διαφορετικοί τύποι συστημάτων VR (πλήρως εμβυθιστικά και λιγότερο εμβυθιστικά) σε εκπαιδευτικά περιβάλλοντα. Η ανασκόπηση χαρτογραφεί τις τεχνικές εξατομίκευσης, εντοπίζει επιφανειακές ή ασυνεπείς εφαρμογές παιχνιδοποίησης, αναδεικνύει μεθοδολογικούς περιορισμούς και αποκαλύπτει την απουσία ολοκληρωμένων, θεωρητικά θεμελιωμένων προσαρμοστικών πλαισίων για την εκπαίδευση με τη χρήση εμβυθιστικής Εικονικής Πραγματικότητας. Βάσει των ευρημάτων αυτών, η διατριβή προτείνει ένα πολυεπίπεδο εννοιολογικό πλαίσιο για την ανάπτυξη εξατομικευμένων και παιχνιδοποιημένων εφαρμογών Εικονικής Πραγματικότητας στην εκπαίδευση. Το πλαίσιο δομείται γύρω από τη μοντελοποίηση του προφίλ του χρήστη, την προσαρμοστική διαμόρφωση του περιεχομένου, τον σχεδιασμό της αλληλεπίδρασης και της παιγνιώδους εμπειρίας, την παροχή ανάδρασης και προόδου. Το προτεινόμενο πλαίσιο εδράζεται επίσης στις αρχές της Θεωρίας Ροής. Παράλληλα, το προτεινόμενο πλαίσιο επιχειρησιακοποιείται μέσω του FUZ-VIRAGE (Fuzzy Cognitive Map-based Virtual Reality Game for Education), ενός πλήρως εμβυθιστικού μαθησιακού περιβάλλοντος Εικονικής Πραγματικότητας για τη διδασκαλία προγραμματισμού σε Java. Το FUZ-VIRAGE αξιοποιεί FCMs για τη μοντελοποίηση της μαθησιακής κατάστασης και την δυναμική προσαρμογή του βαθμού δυσκολίας των ανατεθειμένων εργασιών, της ανατροφοδότησης και των κινήτρων. Ενσωματώνει ουσιαστικά στοιχεία παιχνιδοποίησης και ευθυγραμμίζει τη σχέση πρόκλησης–δεξιοτήτων, με στόχο την επίτευξη ροής και τη διατήρηση υψηλής εμπλοκής. Το σύστημα αξιολογείται εμπειρικά με τη συμμετοχή 140 φοιτητών πανεπιστημίου, οι οποίοι κατανέμονται τυχαία και ισομερώς σε μία προσαρμοστική συνθήκη Εικονικής Πραγματικότητας βασισμένη σε FCMs και σε μία μη προσαρμοστική συνθήκη ελέγχου. Η μικτή μεθοδολογική προσέγγιση περιλαμβάνει δοκιμασίες γνώσεων, αναλυτικά δεδομένα επίδοσης εντός του συστήματος (χρόνος επίλυσης, σφάλματα, αιτήματα βοήθειας) και τυποποιημένα εργαλεία μέτρησης εσωτερικών κινήτρων, αυτορρύθμισης, γνωστικής εμβύθισης, παρουσίας, εμπειρίας χρήσης και ικανοποίησης. Τα αποτελέσματα δείχνουν ότι η προσαρμοστική συνθήκη Εικονικής Πραγματικότητας οδηγεί σε σημαντικά υψηλότερα μαθησιακά κέρδη (ιδίως σε σύνθετες εννοιολογικές εργασίες), μεγαλύτερη αποδοτικότητα, λιγότερα σφάλματα και αιτήματα βοήθειας, καθώς και σταθερά υψηλότερα επίπεδα κινήτρων, εμβύθισης και ικανοποίησης. Συνολικά, η διατριβή προσφέρει: (i) ένα ολοκληρωμένο σώμα τεκμηρίωσης σχετικά με την εξατομίκευση και την παιχνιδοποίηση στην εκπαίδευση μέσω Εικονικής Πραγματικότητας, (ii) ένα θεωρητικά τεκμηριωμένο και τεχνολογικά ευαίσθητο πλαίσιο για προσαρμοστική εμβυθιστική μάθηση, (iii) μια απτή, βασισμένη σε Τεχνητή Νοημοσύνη υλοποίηση μέσω του FUZ-VIRAGE και (iv) ισχυρή εμπειρική επιβεβαίωση της αποτελεσματικότητας της εξατομίκευσης με FCMs και των ενοποιημένων μηχανισμών παιχνιδοποίησης–Ροής στην εκπαίδευση προγραμματισμού σε Εικονική Πραγματικότητα, πλαισιωμένη από πρακτικές κατευθύνσεις σχεδιασμού και μελλοντικές προοπτικές για κλιμάκωση, διερεύνηση της μακροπρόθεσμης διατήρησης γνώσεων και ενσωμάτωση προηγμένων προσαρμοστικών αλγορίθμων.