Cross-Platform Conversion Framework for XR in Technician Education
Notice bibliographique
Résumé
The Cross-Platform Conversion Framework for XR in Technician Education presents a structured, replicable process for adapting immersive learning content across multiple platforms and devices. Developed through the Resource Collaborative for Immersive Technologies (RECITE), an NSF Advanced Technological Education (ATE) project, this framework addresses one of the most persistent challenges in extended reality (XR): ensuring accessibility, interoperability, and sustainability of educational content across heterogeneous XR ecosystems. The framework introduces a four-layer software architecture: Content Abstraction, Interaction Logic, Platform Translation, and Deployment Packaging, supported by a five-stage development process that integrates pedagogical design with technical implementation. All development and testing were conducted in Unity to maintain WebGL compatibility and ensure browser-based accessibility. To make the workflow actionable, RECITE developed an accompanying online XR Conversion Tool that guides users through each stage of the process, generating tailored conversion guides for developers, educators, and instructional designers. This white paper provides both conceptual and practical guidance for implementing cross-platform XR experiences in technician education. It is published under a Creative Commons Attribution-ShareAlike 4.0 International license (CC BY-SA 4.0) and aligns with Web Content Accessibility Guidelines (WCAG) 2.1 and Section 508 compliance standards.
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 | 0,002 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».