Notice bibliographique
Résumé
<p class="apa">The dominant complexities of English teaching in Indonesia are about limited development of teaching methods and materials which still cannot optimally reflect students’ needs (in particular of how to acquire knowledge and select the most effective learning models). This research is to develop materials with complete task-based activities by using CALL at junior high school in Indonesia. In order to entirely develop comprehensive materials, the first step is to do need analysis especially identifying task based learning model which fulfils students’ expectation, creates and develops pre task and task cycle (consisting of task, planning, and reporting) into CALL integration of learning module. The results of the students’ needs show that they like to have appropriate materials for their level, related to real life, variety of media and sources of learning chiefly incorporated to computer which optimizes interactive, contextual, and authentic materials. Therefore, the design of its prototype consists of three main steps. First, pre-task activity, it is designed in observing and questioning stage which is done by providing English comics with thematic situations. Second, main task activities, it is designed in exploring and associating stage which are done by presenting real life situations by utilizing videos, songs, and stories which elaborate exercises, role play, and discussion sections. Finally, post task activity, it is designed in communicating stage and it is intended to provide follow-up activities in wider contexts. The evaluation of the final product is done by validating the materials by means of a group discussion with English teachers.</p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».