La réalité virtuelle comme moteur pour générer une expérience positive d’enseignement et d’apprentissage des sciences
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
Cet article vise analyser l'exprience d'tudiants et tudiantes ainsi que d'enseignants et enseignantes ayant expriment un scnario pdagogique intgrant des applications en ralit virtuelle sur ordinateur (RVO) ou en ralit virtuelle immersive (RVI) avec casque dans des cours de sciences.Une approche mixte de recherche oriente par la conception a t dploye dans six collges et une universit.En mobilisant les cadres de l'exprience utilisateur, la thorie des attentes et de la valeur et la thorie de l'engagement, des entrevues de groupe ont t menes et des questionnaires ont t soumis un grand nombre de personnes enseignantes et tudiantes.Pour la RVO, l'exprience des enseignantes et enseignants est marque par les avantages pdagogiques qu'ils peroivent.Les tudiantes et tudiants, eux, mettent de l'avant les aspects affectifs de leur exprience tels que le plaisir et l'engagement affectif ainsi que l'aide l'apprentissage et la visualisation.Pour la RVI, l'aspect novateur et ludique de l'exprience est mis en avant, renforant la motivation tudiante.Les donnes des questionnaires ont confirm ces tendances, montrant des scores levs pour l'engagement affectif et la valeur affective, aussi bien pour la RVO que pour la RVI.En conclusion, la ralit virtuelle est un outil prometteur pour rejoindre les tudiants et tudiantes en sciences et les amener s'engager affectivement.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle