Advancing Extended Reality Teaching and Learning Opportunities Across the Disciplines in Higher Education
Notice bibliographique
Résumé
The emergence of Extended Reality (XR) technologies in diverse fields, along with research demonstrating opportunities for innovation in teaching and learning, warrants further exploration. However, investigation into the supports required by instructors for experimentation, design, and deployment of XR technologies is needed. This study explores the benefits and challenges of XR technologies for teaching and learning, and reviews XR pedagogical initiatives at three universities. The research aims to discern strategies to promote and support XR initiatives in higher education, develop best practices for using and integrating XR technologies into university courses, and guide future research into XR technologies in higher education. To develop an empirical understanding of the opportunities and challenges faced by instructors using XR technologies, we performed a thematic analysis of sixteen semi-structured interviews to capture insights from instructors’ experiences. We found that instructors were cognizant of the many benefits associated with XR use in terms of experiential learning, making learning content more accessible, and the potential for its application. However, the findings also highlight the lack of guidance and support available to instructors in the implementation of these technologies in educational contexts. Our results provide recommendations for future institutional supports that could advance XR and expand the current teaching and learning opportunities available to instructors and students.
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 | 0,012 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,002 | 0,014 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,003 |
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 ».