A novel ethical analysis of educational XR and AI in literature
Notice bibliographique
Résumé
This review paper aims to search the landscape of Extended Reality or XReality technology in light of Artificial Intelligence or AI. Through an examination of the Web of Science or WoS, a total of 29 studies were selected for review. We extracted information on the XReality with AI trends in the studies and further classified the pedagogical impact of the studies using the E3XReality framework suggesting that XReality technology may fall into three levels (three Es for XR hence E3XR): 1) Ethics (making sure we do and receive no harm in learning), 2) Educational effectiveness (making sure learning is effective to our goals and outcomes), and 3) Eudaimonia (making sure learning is both effective and ethical). Using open and axial coding, we find that a survey of perceptions or review of the literature was most often made, followed by the study of technical and pedagogical interventions. VR followed by MR was noted the most in the reviewed studies and surprisingly no mention of AR in the silo was made. The use of AI with XReality was mostly done to provide actionable insight, followed by insight and control. The analysis of studies against the conceptual framework E3XReality suggested that current work is largely at the education state and more work is needed to transition to a more sophisticated state of Eudaimonia. Further, several challenges were obtained from the 29 reviewed studies. The contribution of this paper is to offer an extensive synthesis of challenges as well as future recommendations for using XReality with AI 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 | 0,087 | 0,205 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,025 | 0,018 |
| Études des sciences et des technologies | 0,005 | 0,018 |
| Communication savante | 0,017 | 0,026 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».