Notice bibliographique
Résumé
Extended reality (XR), which encompasses virtual reality (VR), augmented reality (AR), and mixed reality (MR), offers powerful affordances for improving teaching and learning experiences in a post-pandemic world. Increasingly, many governments and institutions around the world are making major investments in XR technologies to prepare education systems for the future. However, many of these investments remain isolated pilot projects which, while they attest to the potential of XR in education, are unlikely to be scaled up due to lack of sustainability and collaboration. Based on literature and empirical evidence, I have identified major barriers to the wider adoption of XR in education, including the lack of (a) open content, tools, and skills; (b) sound pedagogy and instructional design; and (c) scalability and sustainability. As a potential solution, I introduce the Open XR for Education Framework (OXREF), an empirical framework that proposes a holistic solution to XR object creation, implementation, and deployment, while covering pedagogical, technological, and policy perspectives. The contribution of the OXREF is its ability to build fit-for-purpose XR experiences in a scalable, sustainable, and collaborative manner while promoting openness, accessibility, equity, and reuse. The novelty of the proposed framework is its use of open educational resources (OER), open educational practices (OEP), as well as free and open-source software (FOSS) tools and platforms. Its cloud-based infrastructure and open licenses support viable operationalization strategies that can be implemented by educational institutions and governments.
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 | 0,015 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,013 | 0,016 |
| Science ouverte | 0,006 | 0,011 |
| Intégrité de la recherche | 0,007 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,117 | 0,053 |
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 ».