La création de récits d’anticipation en réalité virtuelle pour le développement de la compétence numérique et de la compétence en littératie médiatique multimodale des élèves au secondaire
Bibliographic record
Abstract
Le projet ma.réalité est une étude portant sur le potentiel des dispositifs technologiques en réalité virtuelle (RV) et en réalité augmentée à favoriser le développement de la compétence numérique et des compétences en littératie médiatique multimodale (LMM) chez les élèves et les professionnels et professionnelles de l’enseignement des arts et multimédia au secondaire. Basée sur les principes méthodologiques de la recherche-design en éducation (RDE) (McKenney et Reeves, 2014), cette étude vise à produire de nouveaux savoirs théoriques et pratiques au sujet de l’intégration des technologies de la RV en éducation artistique. Cet article présente un pan des résultats préliminaires de l’étude qui portent sur la compétence numérique et les compétences en littératie médiatique multimodale (Acerra et Lacelle, 2022) mobilisées par les élèves durant les deux premières phases de la recherche. Les données démontrent que la création d’environnements immersifs en réalité virtuelle engage des types de capacités chez les élèves qui relèvent de l’interaction entre divers modes sémiotiques sollicitant ainsi de manière unique les composantes technique, sémiotique et multimodale du cadre de compétence en littératie médiatique multimodale.
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 | 0.007 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 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; 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".