Tipping the canoe: What can be learned from a postdigital analysis of augmented and virtual reality in networked learning?
Notice bibliographique
Résumé
In this paper, the authors use a postdigital lens to examine augmented (AR) and virtual reality (VR) as potentially effective tools for networked learning. The postdigital perspective suggests that the ‘digital’ is so pervasive that it is no longer considered novel or noteworthy; rather, it is so embedded in our day-to-day lives that it now evades notice. This examination draws upon the concepts of analogue and digital to explore ontological and epistemological characteristics of AR and VR as well as how media and materials may shift on a continuum or manifest both characteristics concurrently. Two vignettes are used to create a shared context and atmosphere from which to consider the pedagogical use of these technologies. One vignette describes a VR app that invites the learners into a canoe where they are immersed into a lesson about Indigenous constellations; the second describes an AR app in which the learners direct their smartphones up at the sky also to learn about constellations. While the learning goals are similar, the experiences are differently nuanced. The paper offers a discussion of considerations that may be useful in designing learning experiences with these technologies. The authors discuss the analogue and digital characteristics as well as the freedoms and constraints relative to sites of learning, activities, learner configurations, and representations of learning. A postdigital analysis benefits from ‘shifting work’; that is, much can be learned from shifting between analogue and digital. Such shifting may surface failures, depletion of resources, and the emergence of new entities. The value of examining the digital, analogue, ontology, and epistemology of AR and VR is that it helps to make the human-technology relationship more perceptible. In becoming more aware of the taken-for-granted aspects of learning technologies, it is possible to more effectively design for learning.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,029 |
| Communication savante | 0,014 | 0,019 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».