KETERAMPILAN BERPIKIR KRITIS: MODEL BRAIN-BASED LEARNING DAN DAN MODEL WHOLE BRAIN TEACHING
Notice bibliographique
Résumé
Penelitian ini bertujuan untuk mengetahui perbedaan keterampilan berpikir krtitis siswa dengan menggunakan model pembelajaran Brain-Based Learning dan model Whole Brain Teaching pada muatan IPA kelas V SDN 3 Senggreng Kecamatan Sumberpucung. Jenis penelitian ini adalah Pra-Eksperimental Design dengan rancangan The Static Group Pretest-Posttest Design. Sampel yang digunakan adalah seluruh kelas 5A sebagai eksperimen 1 dan kelas 5B sebagai eksperimen 2. Instrumen penelitian yang digunakan berupa tes untuk menguji berpikir kritis siswa. Hasil analisis data menunjukkan bahwa keterampilan berpikir kritis dengan menggunakan model Whole Brain Teaching lebih tinggi dibandingkan menggunakan model Brain-Based Learning. Data yang diperoleh menggunakan analisis Uji-t. Dari hasil Uji-t diketahui bahwa sebesar 2,127 dan 2,122, lebih besar ttabel (> 2,020) dan nilai signifikasi 5% menunjukkan bahwa nilai 0,039 dan 0,040 (< 0,05), oleh karena itu hipotesis alternatif diterima. Dengan demikian terdapat perbedaan model Brain-Based Learning dan model Whole Brain Teaching pada keterampilan berpikir kritis IPA kelas V SDN 3 Senggreng Kecamatan Sumberpucung. Diharapan dengan menggunakan model berbasis otak ini, siswa akan lebih mudah memahami materi dan dapat menyelesaikan permasalahan dalam kehidupan sehari-hari.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,002 |
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 ».