Factors Affecting the Implementation of Extended Reality Technologies to Support Technical Education in Two-Year Colleges
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
Advancements in computer technology have revolutionized extended reality (XR) experiences, including augmented reality (AR), virtual reality (VR), mixed reality (MR), and 360° photography and videography. These technologies have found widespread adoption in various educational contexts, from K-12 schools to universities. However, community and technical colleges in the United States have been slower to adopt these innovative instructional modalities. This study was conducted in two phases to investigate factors influencing the adoption of XR technologies at two-year institutions. In the first phase, Advanced Technician Education (ATE) program participants were surveyed (n = 44) on barriers to adoption of XR at two-year institutions. In the second phase, participants from two-year colleges (n = 18) were interviewed guided by the Consolidated Framework for Implementation Research (CFIR) to identify their perceptions and the challenges faced in implementing XR-enabled instruction. Most survey respondents (20.5%) reported a lack of XR knowledge as a reason for not integrating XR into their curricula, followed by the cost of XR hardware and content (10.3%). Lack of knowledge about XR was rated as a “moderate” barrier and hardware and content costs were both rated as “significant” barriers for XR implementation. The qualitative findings identified enhanced visualization, experiential learning, high student engagement, and institutional support for technology implementation as facilitators to XR adoption. In contrast, limited availability of XR educational content, restricted development opportunities of XR content, integration challenges of XR technologies with existing learning management systems, resource constraints, and training needs of educators were reported as hindering the implementation of XR technologies at two-year colleges.
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 | 0,012 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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