IMPLEMENTASI METODE MAKE A MATCH DALAM PENDEKATAN SAINTIFIKMATA PELAJARAN PKN PADA SISWA KELAS IV SDN KEBONSARI 01 JEMBER
Notice bibliographique
Résumé
Pembelajaran dengan pendekatan saintifk memerlukan variasi berbagai metode pembelajaran agar proses pembelajaran lebih bermakna, salah satunya dengan menerapkan metode Make A Match. Implementasi Make A Match dalam Pendekatan saintifik bertujuan untuk membuat siswa lebih aktif dan kritis sehingga berdampak pada hasil belajar. Pada pembelajaran PKN aktivitas dan hasil belajar siswa kategori cukup. Rumusan masalah penelitian ini adalah bagaimanakah implementasi Metode Make A Match dalam Pendekatan Saintifik dapat meningkatkan aktivitas dan hasil belajar siswa. Penelitian ini bertujuan untuk meningkatkan aktivitas dan hasil belajar siswa. Jenis penelitian ini adalah penelitian tindakan kelas dengan 2 siklus tiap siklus meliputi perencanaan, tindakan, observasi dan refleksi. Pengumpulan data menggunakan metode observasi, wawancara, tes, dan dokumen. Hasil penelitian menunjukkan aktivitas pra siklus 48,55%, siklus I 71,44% dan siklus II 92,36%. Hasil belajar afektif siswa pra siklus 60,03%, siklus I 77,13%, dan siklus II 85,69%. Hasil belajar kognitif siswa pra siklus 64,73%,siklus I 73,15%, dan siklus II 83,10%. Hasil belajar psikomotorik siswa pra siklus 65,39%,siklus I 71,38%, dan siklus II 85,85%. Berdasarkan hasil tersebut dapat disimpulkan bahwa implementasi metode make a match dalam pendekatan saintifik sangat efektif dapat dilihat dari adanya peningkatan aktivitas dan hasil belajar siswa kelas IV A di SDN Kebonsari 01 Jember. Hendaknya guru bisa melakukan variasi-variasi metode pembelajaran.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,065 | 0,029 |
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 ».