MétaCan
Menu
Retour à la cohorte
Enregistrement W4294974859 · doi:10.23919/ilrn55037.2022.9815929

VR-Based Context Priming to Increase Student Engagement and Academic Performance

2022· article· en· W4294974859 sur OpenAlexaff
Dan Hawes, Ali Arya

Notice bibliographique

Revue2022 8th International Conference of the Immersive Learning Research Network (iLRN) · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueVirtual Reality Applications and Impacts
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésPrime (order theory)Session (web analytics)Context (archaeology)AnimationComputer sciencePriming (agriculture)MultimediaHuman–computer interactionAffect (linguistics)Virtual realityPsychologyComputer graphics (images)World Wide WebMathematics

Résumé

récupéré en direct d'OpenAlex

Research suggests that virtual environments can be designed to increase engagement and performance on many cognitive tasks. This paper compares the effect of specifically designed 3D environments intended to Prime these effects within Virtual Reality (VR). A 27-minute seminar “The Creative Process of Making an Animated Movie” was presented to 51 participants within three VR learning spaces: two Prime and one No Prime. The Prime conditions included two situated learning environments; an animation studio and a theatre with animation artifacts vs. the No Prime: theatre without artifacts. A 20-question multiple-choice content test, User Experience (UX), and affective (anxiety and positive affect) surveys were completed prior to and immediately after the learning session. Increased academic performance was observed in both Prime conditions compared to the control. UX and affective surveys related to the immersive VR experience were positive, but there were no significant differences observed between the Prime and No Prime conditions in either case.

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)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,330
Score d'incertitude au seuil0,959

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0030,004
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,162
Tête enseignante GPT0,397
Écart entre enseignants0,235 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations3
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2022 8th International Conference of the Immersive Learning Research Network (iLRN)Même sujetVirtual Reality Applications and ImpactsTravaux en français237 207