Extended reality for education: Mapping current trends, challenges, and applications
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
The advancements in 5G technology and Artificial Intelligence (AI) have accelerated the integration of immersive technologies such as Extended Reality (XR) into educational practices. There is a notable scarcity of studies focusing specifically on the applications and impact of XR in academic settings. Most existing research has concentrated on AR and VR, leaving a gap in understanding the full potential of XR. Addressing these gaps and challenges is crucial for harnessing the full potential of XR in education. This study aims to map and analyze the applications, trends, and educational challenges of XR technology. This study conducts a bibliometric analysis covering XR's application in education from 2018 to 2023, analyzing 32 articles from Scopus sources. Key findings highlight XR's annual growth in research publications, with significant contributions from the United States, China, and Canada. XR enriches education by facilitating immersive simulations, real time interaction with virtual objects, and spatial manipulation in three dimensions. It fosters presence and embodiment in virtual environments, supports practical training through realistic simulations, enhances multi-sensory engagement, promotes collaborative learning environments, and improves accessibility for diverse learners. The main challenges of XR technology include high costs, technical hurdles, regulatory issues, infrastructure limitations, and the need for digital literacy and skills. Addressing these challenges, collaborative efforts among educators, researchers, and industry stakeholders are required. Such collaboration is crucial for harnessing the full potential of XR technology to revolutionize education and prepare learners for a dynamic future.
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 | 0,001 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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