Transforming education and research with extended reality technologies: How virtual reality can shape the future of data interactions in earth and environmental sciences
Notice bibliographique
Résumé
Virtual Reality (VR) technologies offer powerful tools to enhance information dissemination, introduce novel perspectives, and foster immersive learning experiences, while preserving the three-dimensional (3D) nature of data and its spatial and temporal relationships. Despite being available in various forms for over sixty (60) years, VR technology has seen limited mainstream adoption. Recent advances in computing power, improvements in VR development software, and the expansion of content creation tools have significantly enhanced the VR's accessibility and practicality. As a result, VR is emerging as a viable medium for collaborative scientific inquiry, pedagogy, and public engagement. Numerous academic disciplines, including medicine, education, and psychiatry, are at the forefront of utilizing VR in innovative and impactful ways that bolster the research processes, education, and scientific communication. Earth and environmental sciences have demonstrated a range of promising VR applications, particularly through immersive, data-driven simulations that enable scientists to analyze and interpret complex systems. These simulations also function as effective communication tools by presenting concepts in intuitive ways to non-experts, thereby deepening their understanding of the research questions at hand. However, many VR applications in earth and environmental sciences remain disconnected from routine workflows in research, education, and outreach, which limits their broader integration and sustained use. This review synthesizes a broad body of academic literature to identify effective practices, explore persistent challenges, and provide a comprehensive overview of VR implementation across disciplines, with a particular focus on earth and environmental sciences. Our thesis is that VR's realism, variable-isolation capabilities, and cost-effectiveness can be conducive to a major paradigm shift in research and education.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,010 |
| Communication savante | 0,012 | 0,013 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».