A Critical Analysis of Immersive Environments: A Methodology for Museum Education
Notice bibliographique
Résumé
Abstract Due to the COVID‐19 pandemic, museum professionals have adopted various technological resources that have expanded museums into new virtual spaces. These virtual spaces do much more than simply communicate information to visitors and attract them to visit the museum physically: they offer new teaching and learning contexts. The emergence of these new learning contexts calls for the development of new methodologies to analyse them. This article focuses on developing a coding rubric to analyse complex interactive, immersive museum environments systematically. To achieve this, I adapted and tested Gillian Rose's (2022, Visual methodologies: an introduction to researching with visual materials ) critical analysis approach to visual content to explore the museum educational possibilities of virtual reality, using immersive environments by the Louvre and the Victoria and Albert Museum as case studies. I developed a comprehensive coding grid, adjusting Rose's (2022, Visual methodologies: an introduction to researching with visual materials ) principles and modalities to the unique characteristics of virtual reality experiences as identified by Fegely and Cherner (2021, Journal of Information Technology Education: Research ) and Lee and Cherner (2015, Journal of Information Technology Education: Research ). The findings reveal numerous opportunities to leverage virtual reality's distinct features, depending on the subject matter, the virtual teaching environment, and the pedagogical strategies employed. The research and analytical grid promise to make a valuable contribution to the fields of museum education and museology because they provide a structured means to scrutinise and evaluate the educational possibilities inherent in virtual reality experiences while also deepening our understanding of the intricate dynamics between users and museum artworks as well as objects within immersive environments. [Correction added on 8 October 2025, after first online publication: Abstract has been updated in this version].
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 tête enseignante, 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 ».