Asymmetric collaboration in virtual reality
Notice bibliographique
Résumé
It has been established that Virtual Reality (VR) possesses certain qualities for educational purposes. These include the ability to place the learner at the location or in the perspective that the desired knowledge exists (e.g., travelling to another planet or shrinking to miniature size to observe internal anatomy). VR is also considered to contribute with enriching the curricular content, promoting active forms of learning, performance assessment of high validity, and provide the opportunity to teach applied academic knowledge in life-like situations. In regards to teaching mathematics and geometry, three key affordances have been identified; interactive manipulation and construction of three-dimensional geometry, comprehension of spatial relationships, and rectification of abstract problems. Safety protocols and practical guidelines from classroom experimentation have also been formulated by various research projects. In this manuscript, asymmetrical immersive VR in education will be reviewed, as it is relevant for the narrative of learning situations where multiple students use the technology together. As an example, in mathematics, asymmetric VR could be used in contexts where unknown variables must be found in collaboration. The purpose of the narrative literature review is to gain a greater understanding of how asymmetric game mechanics has influence on communication and collaboration between learners. To map the dynamics of this type of learning activity, a taxonomy will be presented. Since VR is still under development in terms of hardware and software, it is important that the current and future technical possibilities are described in a conceptual manner, as well as conclude on optimal coupling between communication dynamics and collaboration mechanics.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».