Exploring XR Games in English Instruction: A Systematic Review of Empirical Studies
Notice bibliographique
Résumé
Extended reality (XR) technologies (VR/AR/MR) have propelled a paradigm shift in the field of ESL teaching and learning. This study summarizes the evidence and development of XR games in ESL instruction in Chinese Mainland and reveals its overview and development trends and research implication. This paper presents a holistic review and analyses 17 articles published between 2013 and 2023 that are indexed in the Web of Science Core Collection. XR-powered game-based language learning was mostly applied at the tertiary education. They primarily focused on vocabulary, followed by general English, writing. Papers reviewed focused on AR than VR or MR. Concerning sample size, 8 articles reviewed reported large. The review unravels the trends, gaming characteristics and game engines of contemporary XR games. AR and VR technologies assisted language learning mainly by immersing learners in a virtual world with 3D images, videos and games. Terminal equipment, portable or mobile devices, tablets and computers are most widely used devices to augment a real environment. All the studies were identified to be self-developed to explore the design and development of XR-supported game-based learning environments. OpenSimulator, Unity 3D, ARIS, Java 1.7, Android SDK, Wikitude SDK, JigSpace, 3ds Max software are common game engines. The results reveal that integrating XR games benefited English learners in terms of cooperation, motivation, enthusiasm, engagement, immersion and presence, and the development of four English language skills and knowledge. Research recommendation for implementing XR games in ESL instruction for institutions, researchers, and educators is also discussed.
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 | 0,010 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,013 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».