The Future Classroom: Analyzing the Integration and Impact of Digital Technologies in Science Education
Notice bibliographique
Résumé
The present study is a systematic and bibliometric literature review aimed at evaluating the incorporation of digital technologies in science education and their subsequent impacts. The review exclusively utilizes the Scopus database and covers literature from January 2019 to December 2023. The primary focus is on empirical studies that investigate the use of digital technologies in science education and their effects on educational outcomes such as student engagement, motivation, and academic performance. Notably, the key findings reveal a significant increase in the number of publications during this period, indicating a growing interest in the role of digital technologies in enhancing science education. The review corroborates the transformation of science education through digital technologies such as augmented reality (AR), virtual reality (VR), and blended learning environments, which have made learning more interactive, personalized, and accessible. However, challenges such as the digital divide, resistance from educators, and the need for continuous professional development persist. These challenges emphasize the importance of strategies to enhance digital literacy among educators and promote equitable access to technology. The review recommends the development of comprehensive training programs for educators, ensuring that all students have access to the necessary digital tools, and maintaining robust data protection measures. By addressing these issues, the integration of digital technologies in science education can be optimized, resulting in enhanced educational outcomes and better preparation of students for a technology-driven world.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 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 ».