MétaCan
Menu
Retour à la cohorte
Enregistrement W4411712271 · doi:10.1145/3734188

ScriptAR: No-Code Development of Augmented Reality Educational Games

2025· article· en· W4411712271 sur OpenAlexaff
Robert Holford, Michaelah Wales, Steven Bednarski, A. A. Bullock, Robin Harrap, Zack MacDonald, T.C. Nicholas Graham

Notice bibliographique

RevueProceedings of the ACM on Human-Computer Interaction · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueAugmented Reality Applications
Établissements canadiensWestern UniversityRegional Municipality of WaterlooUniversity of WaterlooQueen's University
Organismes subventionnairesnon disponible
Mots-clésAugmented realityComputer scienceCode (set theory)Human–computer interactionMathematics educationPsychologyProgramming language

Résumé

récupéré en direct d'OpenAlex

There are significant barriers to the real-world adoption of educational games, including failing to match local curriculum, learning objectives, cultural norms, or student abilities. Ideally, teachers should be able to customize educational games for their classroom, but modification tools are too difficult and time-consuming to use, or not present at all. To address this problem, we present ScriptAR , a no-code tool that helps in the creation and modification of short educational stories without the need to program. ScriptAR supports easy transition from a narrative idea to the technical realization of a game using a simple spreadsheet interface. Feedback from ten teacher candidates and six elementary school students indicate that ScriptAR allows people with little technical background to rapidly develop augmented reality educational games that can be tailored to local curriculum and classroom environments.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,480
Score d'incertitude au seuil0,607

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0030,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,056
Tête enseignante GPT0,353
Écart entre enseignants0,297 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the ACM on Human-Computer InteractionMême sujetAugmented Reality ApplicationsTravaux en français237 207