Un processus et des principes pour le développement de jeux sérieux en réalité virtuelle immersive
Notice bibliographique
Résumé
La réalité virtuelle, qui implique un environnement généré par un système informatique donnant une impression de réalité, de présence et d'engagement (Pellas et al., 2020), a connu des développements dans le domaine de l’éducation (Freina et Ott, 2015; Jensen et Konradsen, 2018). Les avantages qu’elle présente, notamment pour la visualisation des concepts abstraits, pour la réalisation de tâches expérimentales difficiles ou impossibles à réaliser dans la réalité ainsi que pour la motivation, l’engagement et le transfert des apprentissages la rendent particulièrement utile pour l’apprentissage des sciences (Dalgarno et Lee, 2010; Lewis et al., 2021; Shin, 2017). En nous ancrant dans une démarche adaptée de l’analyse de la valeur pédagogique (Rocque et al., 1998), du modèle ADDIE, de l’art de la conception des jeux sérieux (Ryerson University, 2018) et d’un modèle de conception d’applications en réalité virtuelle (Vergara et al., 2017), nous avons développé de manière itérative différents jeux sérieux en réalité virtuelle en sciences au collégial (biologie, chimie et physique) pour finalement les mettre à l’essai en classe à l’automne 2022. Cet article vise à partager le processus expérimenté pour le développement, les résultats de chacune des étapes de ce processus ainsi que les principes qui en sont ressortis. Le tout sera utile aux acteurs du milieu de l’éducation désirant développer des jeux sérieux en réalité virtuelle.
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 | 0,011 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,011 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».