Usage des technologies immersives (réalité virtuelle, augmentée et vidéo 360) dans l’enseignement supérieur
Bibliographic record
Abstract
Les applications pédagogiques qui font usage des technologies immersives sont de plus en plus présentes dans les établissements d’enseignement supérieur. Nous croyons ainsi qu’il est pertinent de faire le point sur l’impact de ces technologies virtuelles sur le transfert de connaissances aux apprenants ainsi que sur les limites et les risques inhérents à leurs usages. Cette revue de littérature a pour objectif de dresser l’état actuel des connaissances en technologies virtuelles modernes appliquées à l’éducation supérieure. Nous nous intéressons particulièrement à la réalité virtuelle (RV) et à la vidéo 360 qui font usage d’un casque autonome « head-mounted display » (HMD), ainsi qu’aux applications en réalité augmentée (RA) qui emploient des lunettes assistées comme périphérique. Les résultats permettront d’identifier les attributs et mécanismes reliés aux applications virtuelles, et de décrire leurs avantages et leurs limites pour l’apprentissage. Nous avons eu recours à la méthode EPPI (Evidence for Policy and Practice Information and Co-ordinating), pour effectuer cette revue de littérature. Le sommaire des données recueillies est regroupé dans cinq thèmes : 1) conception et intégration de la dimension pédagogique; 2) théories et concepts; 3) méthodologies d’évaluation; 4) motivation et 5) collaboration.
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 | 0.006 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.007 | 0.009 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 0.003 |
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".