La création de récits d’anticipation en réalité virtuelle pour le développement de la compétence numérique et de la compétence en littératie médiatique multimodale des élèves au secondaire
Notice bibliographique
Résumé
Le projet ma.réalité est une étude portant sur le potentiel des dispositifs technologiques en réalité virtuelle (RV) et en réalité augmentée à favoriser le développement de la compétence numérique et des compétences en littératie médiatique multimodale (LMM) chez les élèves et les professionnels et professionnelles de l’enseignement des arts et multimédia au secondaire. Basée sur les principes méthodologiques de la recherche-design en éducation (RDE) (McKenney et Reeves, 2014), cette étude vise à produire de nouveaux savoirs théoriques et pratiques au sujet de l’intégration des technologies de la RV en éducation artistique. Cet article présente un pan des résultats préliminaires de l’étude qui portent sur la compétence numérique et les compétences en littératie médiatique multimodale (Acerra et Lacelle, 2022) mobilisées par les élèves durant les deux premières phases de la recherche. Les données démontrent que la création d’environnements immersifs en réalité virtuelle engage des types de capacités chez les élèves qui relèvent de l’interaction entre divers modes sémiotiques sollicitant ainsi de manière unique les composantes technique, sémiotique et multimodale du cadre de compétence en littératie médiatique multimodale.
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 | 0,007 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,004 |
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 ».