A Systematic Overview of Reviews of the Use of Immersive Virtual Reality in Higher 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
Objectives: Immersive virtual reality (IVR) provides opportunities to learn within a nonphysical, digital world. The purpose of this critical review was to examine published systematic reviews regarding the benefits and challenges of IVR in higher education to inform best practices. Method: We followed the Preferred Reporting Items for Overviews of Reviews (PRIOR) to ensure transparency and to afford an evidence-based approach for synthesizing insights from a broad range of research. We analyzed and synthesized 10 reviews that include 332 studies with over 9,878 participants, following an integrated synthesis design process using thematic analysis and emergent coding. Results: Results confirmed the various benefits and challenges of IVR. The benefits include improved student learning and behaviours, while challenges include technology issues, behaviours that inhibit learning, and learning how to use IVR. Conclusions: IVR holds considerable potential in disciplines requiring practical applications such as simulation-based training and testing. However, further research into contexts such as participant age, gender, instructional design or learning theory, and longitudinal study is required. Finally, higher education stakeholders will benefit from budgeting time and costs, aligning IVR use with real-world applications, maintaining an adaptive mindset, and developing scaffolded instructional design. Implications for Theory and/or Practice: The primary benefits of student learning through IVR include enhanced skill acquisition, experiences, and learning outcomes. In addition, while immersive platforms housed in static rooms may present financial challenges, the emergence of—and increased investment into—untethered headsets and haptic controllers can reduce operational costs and increase student access to high-quality learning experiences.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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