The role of spatial ability in mixed reality learning with the HoloLens
Notice bibliographique
Résumé
The use of mixed reality in science education has been increasing and as such it has become more important to understand how information is learned in these virtual environments. Spatial ability is important in many learning contexts, but especially in neuroanatomy education where learning the locations and spatial relationships between brain regions is paramount. It is currently unclear what role spatial ability plays in mixed reality learning environments, and whether it is different compared to traditional physical environments. To test this, a learning experiment was conducted where students learned neuroanatomy using both mixed reality and a physical plastic model of a brain (N = 27). Spatial ability was assessed and analyzed to determine its effect on performance across the two learning modalities. The results showed that spatial ability facilitated learning in mixed reality (β = 0.21, P = 0.003), but not when using a plastic model (β = 0.08, P = 0.318). A non-significant difference was observed between the modalities in terms of knowledge test performance (d = 0.39, P = 0.052); however, mixed reality was more engaging (d = 0.59, P = 0.005) and learners were more confident in the information they learned compared to using a physical model (d = 0.56, P = 0.007). Overall, these findings suggest that spatial ability is more relevant in virtual learning environments, where the ability to manipulate and interact with an object is diminished or abstracted through a virtual user interface.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».