<scp>VILLAGE</scp> — <scp>V</scp> irtual <scp>I</scp> mmersive <scp>L</scp> anguage <scp>L</scp> earning and <scp>G</scp> aming <scp>E</scp> nvironment: Immersion and presence
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract 3 D virtual worlds are promising for immersive learning in E nglish as a Foreign Language ( EFL ). Unlike E nglish as a Second Language ( ESL ), EFL typically takes place in the learners’ home countries, and the potential of the language is limited by geography. Although learning contexts where E nglish is spoken is important, in most EFL courses at the college level, EFL is taught by acquiring vocabularies, grammar and pragmatic features without contextual immersion. In this study, an immersive E nglish learning environment in a 3 D virtual world, O pen S imulator, was developed with two key learning artifacts, chatbot and time machine. A single‐factor, independent measures design was used to examines learners’ presence under four learning conditions: virtual learning environment without digital learning artifacts ( VE ), virtual learning environment with chatbot ( VEC ), virtual learning environment with time machine ( VETM ) and virtual learning environment with chatbot and time machine ( VECTM ). Three research questions emerging from the four learning conditions form the backbone of this study: (1) Does chatbot increase language learners’ presence in the immersive virtual E nglish learning environment? (2) Does time machine increase language learners’ presence in the immersive virtual E nglish learning environment? (3) Does the combined use of chatbot and time machine increase presence more than either learning artifact alone? The experimental results indicate that the chatbot and time machine increase the learners’ sense of immersion and presence. Best design practices should address how immersion and presence can be integrated into affordances of virtual worlds.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
score_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