Realidad virtual como herramienta para la enseñanza activa y el aprendizaje experiencial. Una revisión sistemática
Bibliographic record
Abstract
La realidad virtual (RV) ha emergido como una herramienta innovadora en la educación, facilitando la enseñanza activa y el aprendizaje experiencial. El artículo tiene como objetivo evaluar la efectividad de la RV en la enseñanza activa y el aprendizaje experiencial, identificando sus beneficios, limitaciones y factores determinantes en el ámbito educativo. Se realizó una revisión sistemática siguiendo la metodología PRISMA. Se consultaron bases de datos como PubMed, Scopus y Web of Science (2010-2025). Se incluyeron estudios empíricos (ensayos clínicos, observacionales) sobre el impacto de la RV en el aprendizaje. La calidad metodológica se evaluó con ROB-2 y Newcastle-Ottawa. De 1,200 estudios identificados, 85 cumplieron los criterios de inclusión. Fueron seleccionados 22 artículos para la revisión sistemática. Los hallazgos indicaron que la RV mejora la retención de información, la motivación y la comprensión conceptual frente a métodos tradicionales. Se concluye que la RV potencia el aprendizaje experiencial y la enseñanza interactiva. Se requieren estudios adicionales para evaluar su accesibilidad y sostenibilidad en distintos contextos educativos.
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 | 0.039 | 0.078 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.008 | 0.007 |
| Science and technology studies | 0.002 | 0.007 |
| Scholarly communication | 0.012 | 0.010 |
| Open science | 0.003 | 0.008 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.013 | 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".