STEAM-GAAR Field Learning Model to Enhance Grit
Notice bibliographique
Résumé
The STEAM-GAAR Field Learning Model to Enhance Grit is a learning model using STEAM education (Science, Technology, Engineering, Art and Mathematics) integrated with gamification (G), animation (A), augmented reality (AR) and space utilization (Field) to promote the factors that enhance a learner’s grit. The purpose of this research is to: (1) synthesize a STEAM-GAAR Field Learning Model to Enhance Grit; (2) evaluate the STEAM-GAAR Field Learning Model to Enhance Grit. The sample is made up of ten specialists–two instructional model design specialists, two STEAM education specialists, two gamification specialists, two animation specialists, and two augmented reality (AR) specialists–selected by purposive sampling. The instrument used in the study was an evaluation form with regard to the Model. The statistics used in the study were arithmetic mean and standard deviation. The results show that: (1) a STEAM-GAAR Field Learning Model to Enhance Grit contains four elements. The first element relates to input factors including 1) Expected Learning Outcomes (ELO), 2) Learning Objectives, 3) Teacher Analysis, 4) Student Analysis, 5) Content Analysis, 6) Environment Analysis, and 7) The Learning Management Plan. The second element relates to the STEAM-GAAR Field Learning Process, including 1) Investigate by Game, 2) Discover by AR-Game, 3) Connect by Animation and Game, 4) Create by Game Animation and AR and 5) Reflect by Knowledge Exchange Field. The third element relates to evaluating learning achievement and grit, conducted via teachers’ observation and an evaluation form. And the final element relates to an analysis of feedback; (2) All ten specialists agreed that the STEAM-GAAR Field Learning Model to Enhance Grit developed through this study demonstrates the highest level of appropriateness ( x= 4.65, S.D. = 0.57).
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 | 0,001 |
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 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 ».