Design of the Architecture of the Virtual Learning Community: VLC via Metaverse to Promote Digital Teacher’s Competency
Notice bibliographique
Résumé
The architecture of the virtual learning community via metaverse, or VLC via metaverse, to promote digital teacher’s competency is related to the application of the concepts of virtual learning community integrated with virtual reality technology to promote the competency of teachers in the digital age. This is also to equip these teachers with comprehensive digital competency in order that they can apply it in the instruction management in a more efficient manner. In addition, this competency is believed to encourage teachers to have a step-by-step thinking process and enable them to use information technology media more practically with more understanding and creativity. The objectives of this study are (1) to synthesize the conceptual framework of the VLC via metaverse to promote digital teacher’s competency, (2) to design the architecture of the VLC via metaverse to promote digital teacher’s competency, and (3) to study the results of the design of the architecture of the VLC via metaverse to promote digital teacher’s competency. The participants in this research are 7 experts from different institutions, all of whom are specialized in the design and development of instruction systems. The research tools include (1) the architecture of the VLC via metaverse, and (2) the assessment form on the suitability of the architecture of the VLC via metaverse. The results of this research show that (1) the overall suitability of the design of the architecture of the VLC via metaverse (overall elements) is at the highest level (Mean = 4.71, SD. = 0.57), and (2) the overall suitability of the design of the architecture of the VLC via metaverse is at the highest level (Mean = 4.70, SD. = 0.52).
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 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».