論文の概要: Review Ecosystems to access Educational XR Experiences: a Scoping Review
- arxiv url: http://arxiv.org/abs/2403.17243v1
- Date: Mon, 25 Mar 2024 22:44:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-27 17:15:36.152009
- Title: Review Ecosystems to access Educational XR Experiences: a Scoping Review
- Title(参考訳): Ecosystems to access Educational XR Experiences: a Scoping Review
- Authors: Shaun Bangay, Adam P. A. Cardilini, Sophie McKenzie, Maria Nicholas, Manjeet Singh,
- Abstract要約: 本稿では,新たなレビューエコシステムを構築するためのベストプラクティスを明らかにする。
これは、これらのレビューの形式と形式、および経験に関する情報を共有するメカニズムに焦点を当てている。
教育用XR(eduXR)レビューエコシステムを開発するための戦略と機会には、品質指標などの特性を測定する方法が含まれる。
- 参考スコア(独自算出の注目度): 0.4177651846674218
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Educators, developers, and other stakeholders face challenges when creating, adapting, and utilizing virtual and augmented reality (XR) experiences for teaching curriculum topics. User created reviews of these applications provide important information about their relevance and effectiveness in supporting achievement of educational outcomes. To make these reviews accessible, relevant, and useful, they must be readily available and presented in a format that supports decision-making by educators. This paper identifies best practices for developing a new review ecosystem by analyzing existing approaches to providing reviews of interactive experiences. It focuses on the form and format of these reviews, as well as the mechanisms for sharing information about experiences and identifying which ones are most effective. The paper also examines the incentives that drive review creation and maintenance, ensuring that new experiences receive attention from reviewers and that relevant information is updated when necessary. The strategies and opportunities for developing an educational XR (eduXR) review ecosystem include methods for measuring properties such as quality metrics, engaging a broad range of stakeholders in the review process, and structuring the system as a closed loop managed by feedback and incentive structures to ensure stability and productivity. Computing educators are well-positioned to lead the development of these review ecosystems, which can relate XR experiences to the potential opportunities for teaching and learning that they offer.
- Abstract(参考訳): 教育者、開発者、その他のステークホルダーは、カリキュラムトピックを教えるためにバーチャルおよび拡張現実(XR)エクスペリエンスを作成し、適応し、利用する際に課題に直面します。
これらのアプリケーションのユーザによるレビューは、教育成果の達成を支援する上で、それらの妥当性と有効性に関する重要な情報を提供する。
これらのレビューをアクセスしやすく、関連性があり、有用なものにするためには、教育者による意思決定をサポートするフォーマットで簡単に提供し、提示する必要がある。
本稿では、インタラクティブな体験のレビューを提供するための既存のアプローチを分析し、新しいレビューエコシステムを構築するためのベストプラクティスを明らかにする。
これは、これらのレビューの形式と形式、および経験に関する情報を共有し、どのレビューが最も効果的かを特定するメカニズムに焦点を当てている。
また、レビュー作成とメンテナンスを推進し、新たな体験がレビュアーから注目を集め、必要に応じて関連情報が更新されることを保証するインセンティブについても検討する。
教育用XR(eduXR)レビューエコシステムを開発するための戦略と機会には、品質指標などの特性の測定方法、レビュープロセスにおける幅広い利害関係者の関与、フィードバックとインセンティブ構造によって管理されるクローズドループとしてシステムを構築すること、安定性と生産性を確保することが含まれる。
コンピューティング教育者は、XR体験と彼らが提供する教育と学習の潜在的な機会を関連付けることができる、これらのレビューエコシステムの開発を導くために、よく考えられている。
関連論文リスト
- Human-Centered Design for AI-based Automatically Generated Assessment Reports: A Systematic Review [4.974197456441281]
本研究は,ユーザ中心・直感的デザインによる教師の認知的要求を減らすことの重要性を強調した。
テキスト、視覚支援、プロットなどの多様な情報提示フォーマットや、ユーザビリティを高めるためのライブやインタラクティブ機能などの高度な機能の可能性を強調します。
このフレームワークは、教師が技術強化された評価結果に取り組み、データ駆動による意思決定を容易にし、教育と学習プロセスを改善するためのパーソナライズされたフィードバックを提供することの課題に対処することを目的としている。
論文 参考訳(メタデータ) (2024-12-30T16:20:07Z) - User-Centered Course Reengineering: An Analytical Approach to Enhancing Reading Comprehension in Educational Content [0.0]
本研究は,教育内容の充実と学習成果の充実を支援するための分析的枠組みを提案する。
本手法は,読者とコンテンツ間のデジタル読解トレース-インタラクションの分析から得られた知見に基づいて,文書の内容と構造に適応する。
本フレームワークでは,インタラクティブなダッシュボードを通じて適切なコンテンツリビジョンレコメンデーションを受け取ることができる。
論文 参考訳(メタデータ) (2024-12-16T16:26:20Z) - Personalised Feedback Framework for Online Education Programmes Using Generative AI [0.0]
本稿では,埋め込みを組み込むことでChatGPTの機能を拡張したフィードバックフレームワークを提案する。
本研究の一環として,オープンエンドおよび複数選択質問に対する有効率90%と100%を達成できる概念解の証明を提案し,開発した。
論文 参考訳(メタデータ) (2024-10-14T22:35:40Z) - Leveraging Large Language Models for Actionable Course Evaluation Student Feedback to Lecturers [6.161370712594005]
コンピュータサイエンス科の75科以上で742名の学生が回答した。
各コースについて,授業評価項目と動作可能な項目の要約を合成する。
本研究は, 授業環境における教師に対して, 実感的, 行動的, 適切なフィードバックを生み出すために, 生成的AIを使用する可能性を強調した。
論文 参考訳(メタデータ) (2024-07-01T13:29:55Z) - Evaluating and Optimizing Educational Content with Large Language Model Judgments [52.33701672559594]
言語モデル(LM)を教育専門家として活用し,学習結果に対する様々な指導の影響を評価する。
本稿では,一方のLMが他方のLMの判断を報酬関数として利用して命令材料を生成する命令最適化手法を提案する。
ヒトの教師によるこれらのLM生成ワークシートの評価は、LM判定と人間の教師の嗜好との間に有意な整合性を示す。
論文 参考訳(メタデータ) (2024-03-05T09:09:15Z) - In-Memory Learning: A Declarative Learning Framework for Large Language
Models [56.62616975119192]
本研究では,人間ラベルデータに頼らずにエージェントが環境に整合できる新しい学習フレームワークを提案する。
このプロセス全体がメモリコンポーネント内で変換され、自然言語で実装される。
フレームワークの有効性を実証し、この問題に対する洞察を提供する。
論文 参考訳(メタデータ) (2024-03-05T08:25:11Z) - Integrating AI and Learning Analytics for Data-Driven Pedagogical Decisions and Personalized Interventions in Education [0.2812395851874055]
本研究では,革新的な学習分析ツールの概念化,開発,展開について検討する。
学生のストレスレベル、好奇心、混乱、扇動、トピックの嗜好、学習方法などの重要なデータポイントを分析し、学習環境の総合的なビューを提供する。
この研究は、パーソナライズされたデータ駆動型教育を形成する上で、AIが果たす役割を浮き彫りにする。
論文 参考訳(メタデータ) (2023-12-15T06:00:26Z) - Investigating Fairness Disparities in Peer Review: A Language Model
Enhanced Approach [77.61131357420201]
我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。
我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。
我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
論文 参考訳(メタデータ) (2022-11-07T16:19:42Z) - KnowledgeCheckR: Intelligent Techniques for Counteracting Forgetting [52.623349754076024]
KnowledgeCheckRに統合された推奨アプローチの概要を提供します。
その例としては,将来的に繰り返される学習内容の識別を支援するユーティリティベースのレコメンデーション,セッションベースのレコメンデーションを実装するための協調フィルタリングアプローチ,インテリジェントな質問応答を支援するコンテントベースのレコメンデーションなどがある。
論文 参考訳(メタデータ) (2021-02-15T20:06:28Z) - Code Review in the Classroom [57.300604527924015]
教室設定の若い開発者は、コードレビュープロセスの潜在的に有利で問題のある領域の明確な図を提供している。
彼らのフィードバックは、プロセスはプロセスを改善するためにいくつかのポイントで十分に受け入れられていることを示唆している。
本論文は,教室でコードレビューを行うためのガイドラインとして利用することができる。
論文 参考訳(メタデータ) (2020-04-19T06:07:45Z) - Knowledge-guided Deep Reinforcement Learning for Interactive
Recommendation [49.32287384774351]
インタラクティブレコメンデーションは、アイテムとユーザ間の動的インタラクションから学び、応答性と精度を達成することを目的としている。
本稿では,知識指導型深層強化学習を提案する。
論文 参考訳(メタデータ) (2020-04-17T05:26:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。