IMMERSIVE LEARNING THROUGH AUGMENTED REALITY: REDEFINING SKILL DEVELOPMENT IN TVET
Notice bibliographique
Résumé
The integration of Augmented Reality (AR) in Technical and Vocational Education and Training (TVET) offers significant potential to transform conventional teaching into immersive, skill-focused learning experiences. Yet, the absence of structured pedagogical models constrains its effective implementation in skills-based contexts. Guided by the Design and Development Research (DDR) methodology, this study was conducted in three phases: needs analysis, model construction, and usability evaluation. A total of 120 TVET instructors and nine expert panels from accredited Malaysian training institutions participated. Data collection employed surveys, focus group discussions, and validation workshops, while data analysis applied Thematic Analysis, Interpretive Structural Modelling (ISM), and the Fuzzy Delphi Method (FDM). Results revealed six critical pedagogical elements: interactivity, simulation, performance feedback, remote expert guidance, annotation, and practice-based assessment, achieving expert consensus levels above 80%, with overall agreement reaching 92.3%. The validated AR-T Model encompasses 24 instructional activities categorised under three domains: Content, Instructional Activities, and Assessment. Usability testing confirmed the model’s practicality and contextual relevance in enhancing engagement, instructional clarity, and hands-on competency development. The findings not only contribute a novel structured framework for AR integration in TVET pedagogy but also underscore the urgency of policy support, infrastructural readiness, and continuous professional development for instructors. This research provides critical implications for curriculum developers and policymakers in embedding immersive technologies into skills training, thereby aligning with Industry 4.0 workforce demands.
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 | 0,002 | 0,000 |
| 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 | 0,000 | 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 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 ».