MétaCan
Menu
Retour à la cohorte
Enregistrement W2157706843 · doi:10.3991/ijac.v3i3.1373

Using Second Life for Just-in-Time Training: Building Teaching Frameworks in Virtual Worlds

2010· article· en· W2157706843 sur OpenAlexafffund
Gail Kopp, Martha Burkle

Notice bibliographique

RevueInternational Journal of Advanced Corporate Learning (iJAC) · 2010
Typearticle
Langueen
DomainePsychology
ThématiqueEducational Games and Gamification
Établissements canadiensSAIT PolytechnicUniversity of Calgary
Organismes subventionnairesSamsung Advanced Institute of TechnologyUniversity of Calgary
Mots-clésMetaverseContext (archaeology)Computer scienceTUTORTraining (meteorology)Work (physics)Knowledge managementVirtual realityVirtual worldInstructional simulationSpace (punctuation)Human–computer interactionEngineering

Résumé

récupéré en direct d'OpenAlex

This paper presents a framework for using virtual worlds in the construction of teaching platforms for just-in-time training. In the critical economic situation that many companies are currently living, the need to update skills without leaving the workplace has become urgent. Employees are demanding training for higher performances, knowledge and skills, without requesting time to attend university, or leaving their work behind. In this context, the use of virtual worlds has become the way knowledge is shared and accessed, as virtual groups become learning communities. The potential of Second Life as a space to learn and be trained are explored. The characteristics and capabilities of virtual worlds for teaching and learning are examined, the role of the virtual tutor is analyzed, and further areas of research and development are presented.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesIntégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,385
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,003
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,061
Tête enseignante GPT0,381
Écart entre enseignants0,321 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Advanced Corporate Learning (iJAC)Même sujetEducational Games and GamificationTravaux en français237 207