Direct Problem-Based Learning (DPBL): A Framework for Integrating Direct Instruction and Problem-Based Learning Approach
Notice bibliographique
Résumé
Direct instruction approach has been widely used in higher education. Many studies revealed that direct instruction improved students’ knowledge. The characteristics of direct instruction include the subject delivered through face-to-face interaction with the lecturers and materials that sequenced deliberately and taught explicitly. However, direct instruction resulted in low creative thinking and teamwork skills among students. Therefore, problem-based learning activities were adapted to reform and create an innovation of a direct instruction approach in developing the new situation.Objective: This study aimed at exploring lecturers’ and students’ perspectives towards Direct Problem-Based Learning (DPBL) activities as a new approach for activities in the classroom.Design: A quasi-experimental design was used.Participants: Third-year students (N = 276) who signed up for Computer Networks subject from Dian Nuswantoro University, Indonesia and five lecturers were involved.Findings and Results: Learning outcomes were significantly positively (Sig. p=.00). Creative thinking skills score increased 8.4%, Teamwork skills score increased 11.5%, and knowledge score increased 25.9% of DPBL approach. The majority of students have difficulties in the direct instruction approach 4.71(.472). Whereas, 1.99(.655) students have low difficulty in DPBL approach. Expert participants agreed that DPBL approach can enhance creative thinking and teamwork skills 4.70(.50).
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 | 0,007 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,012 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».