Extended Reality in Computer Science Education: A Narrative Review of Pedagogical Benefits, Challenges, and Future Directions
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
Technologies such as XR (Extended Reality), in the form of VR (Virtual Reality), AR (Augmented Reality) and MR (Mixed-Reality), are being researched for their potential to support higher education. XR offers novel opportunities for improving understanding and engagement of computer science (CS) courses, abstract and algorithmic thinking and the application of knowledge to solve problems with computers. This narrative literature review aims to report the state of XR adoption in the university CS education context by studying pedagogical benefits, representative cases, challenges, and future research work. Recent case studies have demonstrated that VR innovations are supportive of algorithm and data structure visualization, AR in programming and circuit analysis contextualization, and MR in bridging the experimental practice on virtual with real hardware within computer labs. The potential of XR to enhance engagement, motivation, and complex content understanding has already been researched. However, ongoing obstacles remain such as the high cost of hardware, technical issues in practicing scalable content, restricted access for students with disabilities, and ethical considerations over privacy and data protection. This review also presents XR, not as a substitute for traditional pedagogy, but as an additive tool that, in alignment with well-defined curricular objectives, may enhance CS learning. If it overcomes these deficiencies and progresses appropriate inclusive evidence-based practices, XR has the potential to play a powerful role in the future of computer science education as part of the digital learning ecosystem.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 découle