Analyzing the Impact of Augmented Reality on Student Motivation: A Time Series Study in Elementary Education
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Sub-optimal learning outcomes have been observed, often attributed to monotonous educational processes that struggle to retain students' focus and stimulate active participation.This study investigates the potential influence of Augmented Reality (AR) on student motivation, utilizing a time series analysis approach.The primary objectives include assessing the impact of AR on student learning outcomes and identifying the most suitable model for elucidating this relationship.The central research question is: can the implementation of AR enhance student motivation in elementary education?A time series design with a quantitative methodology was employed, involving a cohort of 29 fourthgrade students in Indonesia.Data collection was conducted through a Likert scale questionnaire.Four trend models were tested: the Linear Trend Model, Quadratic Trend Model, Growth Curve Model, and S-Curve Trend Model.The analysis of the collected data, tabulated and analyzed based on the established time series, suggests a positive correlation between AR technology implementation and student motivation.An upward trend in learning motivation was observed following the consistent application of AR technology in educational activities.Among the tested models, the Quadratic Trend Model demonstrated the least error estimate, with MAPE at 1.39, MAD at 1.08, and MSD at 1.44, suggesting it as the most suitable for further analysis related to the predictive power of student learning motivation in this context.This study advocates for the utilization of AR technology as an alternative method in classroom learning activities.The integration of learning content with game-like elements within a realistic world was observed to elicit student interest and enthusiasm.This approach is particularly recommended for educators seeking to enhance their students' learning motivation.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle