Use of Virtual Learning on Academic Performance of Js 1 Integrated Science Student in Secondary School in Port Harcourt Local Government Area
Notice bibliographique
Résumé
This paper examined the use of virtual learning on the academic performance of JS 1 Integrated Science Students in Secondary Schools in Port Harcourt Local Government Area of Rivers State, Nigeria. In discussing this, it examined the concept of virtual learning instruction, Synchronous and Asynchronous e-learning as compared to face-to-face traditional classroom learning and the advantages and disadvantages of virtual learning. Quasi experimental design was adopted. Population for the study comprised all JS 1 students in public secondary schools in Port Harcourt Local Government Area. Sample size of 200 students were selected from 2,910 JS 1 students in all the public secondary schools in Port Harcourt Local Government Area using the multi-stage sampling technique. Instrument for data collection was an objective Integrated Science performance test (OIPT). Two hypotheses were formulated and tested using Factorial Analysis of Variance (ANCOVA). Result of the analysis showed that there is no significant difference in student’s academic performance when virtual learning and expository methods are used in teaching Integrated Science in Junior Secondary class (f1.195 = 1.606, p > .05) and that there is no significant difference between the academic performance of female and male students when virtual learning and expository methods are used in teaching Integrated Science in JS 1 (F1, 195 = 717, p > .05). It was therefore recommended that: Teachers should try to apply the virtual learning instruction in the teaching of Integrated Science as this was found to impact on the students achievement positively and that male and female students should be equally engaged in the learning of Integrated Science where VLS is incorp+orated to eliminate the gender bias in sciences.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».