Factors Affecting the Implementation of Extended Reality Technologies to Support Technical Education in Two-Year Colleges
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.
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 | 0,007 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».