Le potentiel didactique et pédagogique des technologies immersives en classe de Monde contemporain : opportunités et défis
Bibliographic record
Abstract
Les technologies immersives sont de plus en plus présentes dans le contexte éducatif. Même si certaines méta-analyses ont montré un résultat positif de certaines technologies immersives TI (Chen et al., 2020; Coban et al. 2022), nous devons encore explorer ses applications pratiques dans les classes. Les avantages pédagogiques ont été mentionnés à plusieurs reprises (Freina et Ott, 2015, Di Natale et al., 2020), mais ils peuvent être modérés par de nombreux défis dans la salle de classe. Dans cet article, nous avons proposé de faire la lumière sur deux études de cas d’exploitation pédagogique de la technologie immersive à l’aide de casques au niveau secondaire en univers social. Les expériences ont été documentées par des groupes de discussion avec les élèves et des entretiens individuels avec les enseignants. Le premier cas proposait d'explorer le conflit en Syrie sous différents angles, avec l'aide de vidéos à 360° et d’une application de visualisation de lieux dans le monde. Le second cas visait à amener les élèves à comparer la réalité passée et présente dans le contexte de Pékin, à partir de vidéos à 360° en réalité virtuelle. Les résultats ont montré que les TI ont un certain potentiel, mais que de nombreuses conditions doivent être mises en place pour en arriver à un usage pédagogique efficace.
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 | 0.011 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.010 | 0.008 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".