How virtual reality, augmented reality and mixed reality facilitate teacher education: A systematic review
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
Abstract Background Virtual reality (VR), augmented reality (AR) and mixed reality (MR) have sparked recently in improving the effectiveness of teacher education. However, there is a lack of review regarding the utilisation of these technologies in this field. These three technologies, namely VR, AR and MR, can be collectively referred to as extended reality (XR) (as mentioned in reference Tang et al., 2022). Objectives Remarkably, the utilisation of XR‐based technologies in teacher education needs to be explored. Moreover, research questions related to the training objectives, methodological features, and the effects of XR‐based teacher education remain unanswered. Methods To this end, the present study conducted a systematic review to analyse 52 articles from six databases (including Web of Science, Scopus, IEEE Xplore, ERIC, ScienceDirect, and ACM Digital Library). Results The results indicate that XR technologies have been primarily used to train teachers' procedural knowledge, for instance, classroom management. Furthermore, most studies have primarily focused on pre‐service teachers (PSTs) rather than in‐service teachers and utilised small sample sizes, with VR emerging as the most frequently employed tool. Finally, the majority of the studies reported that XR‐based training affected teachers positively. Conclusions It urges researchers and developers to consider theory‐driven training design, which increases the potential to better understand what features of XR promote in‐service teachers' and PSTs' learning and how they do so. This article additionally conducts a SWOT (strengths, weaknesses, opportunities, and threats) analysis of XR‐based teacher education to offer more insightful recommendations and foster further discussion.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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