Immersive Digital Technologies: A New Horizon in Geography Education
Notice bibliographique
Résumé
In the rapidly evolving landscape of geographical education, the integration of immersive digital technologies is crucial. This article proposes a pedagogical shift where technologies such as virtual reality, augmented reality, and geographic information systems become conduits for grounding students in diverse geographical contexts. These tools immerse students in real-world scenarios, facilitating an experiential learning environment that is interactive and engaging. They enable exploration, analysis, and understanding of complex geographical processes from multiple perspectives, democratizing educational spaces by bringing marginalized places and communities into academic discussions. The adoption of new media in geography education must be navigated with a critical lens, however, to avoid reinforcing existing power structures. A critical pedagogical approach ensures that the integration of digital technologies promotes equity in both content representation and access. This article underscores the need for a balanced integration of immersive digital technologies in geography education—a fusion that enriches learning while promoting inclusivity and critical engagement with emerging media landscapes. Moreover, in settler-colonial states like Canada, the United States, and Australia, the inclusion of Indigenous voices, knowledges, and perspectives is vital for reconciliation and place-based geographies within the digital realm. The methodology involves a systematic exploratory review of academic publications on immersive digital technologies in geography education, followed by the development of a conceptual framework to advance the scholarly conversation and enable educators and students to address inclusivity and critical engagement.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».