Accessibility in virtual reality: A multimodal user experience framework for considering hardware, embodied, and spatial access
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
Virtual reality (VR) systems and other emerging technologies have transformed how professional writers and teams interact with information and navigate digital environments (Caravella, Shivener, & Narayanamoorthy, 2022; Saker & Frith, 2020; Tham, 2024). In Meta's Horizons Workrooms , users interact with shared virtual whiteboards, chalk, and spatial audio (Shivener & Tham, in press). In BigScreenVR , collaborative meetings include shared computer screens, 3D audio, and facial gestures (Shivener & Caravella, 2025). These platforms allow for the integration of visual, auditory, and spatial elements in innovative ways, pushing the boundaries of digital writing and collaboration across various points of the writing process. Drawing on VR and UX theories, our pedagogies, and recent qualitative studies of writing in VR (Shivener & Tham, in press; Shivener & Caravella, 2025), this piece proposes three considerations that UX writing teachers must contend with before and as they integrate VR into a classroom: hardware, embodied, and spatial access. UX and multimodal composition teachers are well positioned to engage VR but must anticipate accessibility challenges that have complicated previous studies and pedagogies. In addition to the concerns themselves, we also outline potential example assignments and pedagogical methods for addressing these challenges. These practical guidelines inform lesson plans and experiences that are both engaging and equitable for a range of students, and provide a blueprint for teachers to include such technologies in UX classrooms in accessible ways.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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