Metaverse for Education: Developments, Challenges and Future Direction
Notice bibliographique
Résumé
Recent digital transformations have significantly impacted the current society, economy, and culture. This includes adoption of rapidly emerging technologies, such as artificial intelligence (AI), immersive technology (e.g., virtual, augmented, mixed and extended reality (VR/AR/MR/XR)), cloud services, and internet of things, in our day-to-day life. `Metaverse’ has emerged as a technology that incorporates many of these transforming technologies to deliver personalised immersive experience related to specific application areas. A potential major beneficiary of Metaverse is the educational ecosystem, where highly immersive learning experiences can be delivered to students, catering to their personal learning needs and train them on life skills such as empathy, ethical qualities, and communication skills. The present-day Metaverse allows physical engagement, enabling users to utilise limb movements to interact with the presented materials. However, ethical concerns and technical limitations impede the widespread implementation of the Metaverse in the real-world. This paper provides a comprehensive survey of the existing literature covering the architecture, type and components of Metaverse, followed by practical aspects of metaverse implementation. The paper is concluded by discussing on the open challenges and issues along with their mitigation strategies and future research directions after the detailed usecase of Metaverse in Education.
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 | 0,013 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,015 | 0,026 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,008 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,008 |
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 ».