Regards sur les technologies immersives en éducation et en formation
Bibliographic record
Abstract
Les technologies immersives sont de plus en plus utilisées dans l'enseignement de plusieurs domaines. Or, il est essentiel de considérer certains aspects liés à la dimension pédagogique tels que les stratégies de scénarisation et la mesure de leur efficacité. Ce numéro propose une diversité de travaux explorant l'utilisation des technologies immersives dans l'éducation et la formation. Ces technologies permettent de créer des environnements d'apprentissage captivants, favorisant la compréhension approfondie et améliorant la rétention des connaissances. Néanmoins, des défis subsistent, tels que l'accessibilité à l'équipement, la formation des enseignants, la sélection de contenus pertinents et les préoccupations éthiques et de sécurité. Les avancées technologiques offrent de nouvelles possibilités pour une interaction intuitive et une personnalisation des expériences d'apprentissage. Les 14 articles présentés dans ce numéro contribuent à la réflexion sur l'utilisation des technologies immersives en éducation et en formation, dans l'espoir de susciter de nouvelles idées et initiatives innovantes pour des formations enrichissantes.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.013 | 0.012 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
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".