Supervisi Klinis Untuk Meningkatkan Kemampuan Literasi Digital Guru SMK Negeri Maniis Purwakarta
Notice bibliographique
Résumé
Kegiatan pembelajaran di sekolah pada saat ini harus mulai menyesuaikan dengan tuntutan era 4.0. Penyesuaian tersebut diantaranya mengimplementasikan kemampuan literasi digital. Tujuannya membuat pembelajaran menjadi lebih menarik minat belajar siswa. Penelitian ini bertujuan untuk: (1) meningkatkan kemampuan guru dalam membuat soal menggunakan aplikasi kahoot dan (2) meningkatkan kemampuan siswa dalam mengerjakan soal yang dibuat guru dengan mengakses soal tersebut melalui browser web menggunakan smartphonenya (android). Metode penelitian yang digunakan adalah penelitian tindakan sekolah, yaitu melaksanakan pembinaan bagi sekelompok guru di suatu sekolah, melalui beberapa siklus, mengunakan sistem spiral refleksi model Kemmis dan Mc Taggart yang dimodifikasi. Strategi/Metode/Teknik Pembinaan yang digunakan pada siklus I dan siklus II adalah model supervisi klinis. Hasil penelitian menunjukkan bahwa setelah dilaksanakan supervisi menggunakan model supervisi klinis, kemampuan guru dalam membuat soal kemudian di share ke seluruh siswa menggunakan aplikasi kahoot menunjukkan adanya peningkatan, dari siklus I ke siklus II. Siklus II mengakhiri pembinaan, dengan indikator skor guru minimal 80.00 sudah diatas 85%. Kata kunci: Supervisi akademik, kemampuan, Literasi digital
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 | 0,002 | 0,005 |
| 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 | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,012 |
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 ».