Bibliographic record
Abstract
Les technologies immersives intègrent de plus en plus le milieu de la formation professionnelle. Parmi celles-ci, la réalité virtuelle est celle qui présente un des potentiels des plus intéressants par sa capacité à immerger des apprenants dans des situations et des environnements d’apprentissage virtuels où la charge cognitive, les gestes et la prise de décisions ressemblent à ceux qui devraient être posés dans la pratique. Cette modalité devient d’autant plus pertinente lorsque les écoles ou les centres ne disposent pas de tous les équipements sur leur lieu de formation. C’est le cas de la Marine royale canadienne (MRC), qui doit former ses techniciens à l’entretien et à la réparation d’équipements sur des navires qui, eux, peuvent être en mer, ou tout simplement postés de l’autre côté du pays. Cet article résume les étapes de conception pédagogique et technique de simulations virtuelles destinées à la formation des techniciens de la MRC. Les auteurs y discutent des facteurs favorisant l’intégration de cette technologie ainsi que des forces et des limites de la réalité virtuelle dans ce type d’usage à partir d’un cas d’usage réel.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.008 |
| Scholarly communication | 0.008 | 0.008 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.021 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".