La réalité virtuelle comme moteur pour générer une expérience positive d’enseignement et d’apprentissage des sciences
Bibliographic record
Abstract
Cet article vise analyser l'exprience d'tudiants et tudiantes ainsi que d'enseignants et enseignantes ayant expriment un scnario pdagogique intgrant des applications en ralit virtuelle sur ordinateur (RVO) ou en ralit virtuelle immersive (RVI) avec casque dans des cours de sciences.Une approche mixte de recherche oriente par la conception a t dploye dans six collges et une universit.En mobilisant les cadres de l'exprience utilisateur, la thorie des attentes et de la valeur et la thorie de l'engagement, des entrevues de groupe ont t menes et des questionnaires ont t soumis un grand nombre de personnes enseignantes et tudiantes.Pour la RVO, l'exprience des enseignantes et enseignants est marque par les avantages pdagogiques qu'ils peroivent.Les tudiantes et tudiants, eux, mettent de l'avant les aspects affectifs de leur exprience tels que le plaisir et l'engagement affectif ainsi que l'aide l'apprentissage et la visualisation.Pour la RVI, l'aspect novateur et ludique de l'exprience est mis en avant, renforant la motivation tudiante.Les donnes des questionnaires ont confirm ces tendances, montrant des scores levs pour l'engagement affectif et la valeur affective, aussi bien pour la RVO que pour la RVI.En conclusion, la ralit virtuelle est un outil prometteur pour rejoindre les tudiants et tudiantes en sciences et les amener s'engager affectivement.
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 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 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".