Un processus et des principes pour le développement de jeux sérieux en réalité virtuelle immersive
Bibliographic record
Abstract
La réalité virtuelle, qui implique un environnement généré par un système informatique donnant une impression de réalité, de présence et d'engagement (Pellas et al., 2020), a connu des développements dans le domaine de l’éducation (Freina et Ott, 2015; Jensen et Konradsen, 2018). Les avantages qu’elle présente, notamment pour la visualisation des concepts abstraits, pour la réalisation de tâches expérimentales difficiles ou impossibles à réaliser dans la réalité ainsi que pour la motivation, l’engagement et le transfert des apprentissages la rendent particulièrement utile pour l’apprentissage des sciences (Dalgarno et Lee, 2010; Lewis et al., 2021; Shin, 2017). En nous ancrant dans une démarche adaptée de l’analyse de la valeur pédagogique (Rocque et al., 1998), du modèle ADDIE, de l’art de la conception des jeux sérieux (Ryerson University, 2018) et d’un modèle de conception d’applications en réalité virtuelle (Vergara et al., 2017), nous avons développé de manière itérative différents jeux sérieux en réalité virtuelle en sciences au collégial (biologie, chimie et physique) pour finalement les mettre à l’essai en classe à l’automne 2022. Cet article vise à partager le processus expérimenté pour le développement, les résultats de chacune des étapes de ce processus ainsi que les principes qui en sont ressortis. Le tout sera utile aux acteurs du milieu de l’éducation désirant développer des jeux sérieux en réalité virtuelle.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.004 |
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; both teacher heads agree on what is shown here.
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".