PENINGKATAN KEMAMPUAN GURU-GURU MATEMATIKA SMP DALAM MELAKSANAKAN ASSESSMENT FOR LEARNING DAN ASSESSMENT AS LEARNING
Notice bibliographique
Résumé
Untuk meningkatkan kemampuan guru Matematika SMP di Kota Surakarta dalam melaksanakan assessment for learning (AfL) dan assessment as learning (AaL), pelatihan implementasi AfL dan AaL bagi guru-guru Matematika di Surakarta telah dilaksanakan. Pelatihan dilaksanakan secara baik pada kurun waktu 21 Agustus 2019 sampai dengan 18 September 2019 secara in-on-in. Kepada para peserta pelatihan diundang untuk memperoleh pengetahuan mengenai AfL dan AaL di Aula SMP Negeri 26 Surakarta. Setelah itu kepada para peserta dimohon untuk dapat mengimplementasikan AfL dan Aal di kelasnya masing-masing, kemudian menuliskan dan mengirimkan laporannya kepada tim instruktur paling lambat 11 September 2019. Kemudian, para peserta pelatihan diundang kembali di Aula SMP Negeri 26 Surakarta untuk mendiskusikan pelaksanaan AfL dan AaL yang telah dilakukannya. Dengan mendengkarkan laporan yang disampaikan dan diskusi di antara peserta, dapat disimpulkan bahwa para peserta pelatihan memperoleh pengetahuan yang baik mengenai AfL dan AaL dan telah dapat mengimplementasikannya di kelas dengan baik. Almqvist, C. F., Vinge, J., Vakeva, L., & Zanden, O. (2017). Assessment as learning in music education: The risk of “criteria compliance” replacing “learning” in the Scandinavian countries. Research Studies in Music Education. 39(1): 3 – 18. Ciobanu, M. (2014). In the midle: Whose learning is it way? Increasing students’s engage-ment through assessment as learning techniques. OAME/AOEM Gazzete. 16-21. Clarke, S. 2005. Formative assessment in the secondary classroom. London: Hodder Murray. Dann, R. (2017). Assessment as learning: blurring the boundaries of assessment and learning for theory, policy, and practice. Assessment in Education: Principles, Policy & Practice. 21(2): 149 – 166. Direktorat Pembinaan Sekolah Menengah Pertama (DBSMP). (2017). Panduan Penilaian oleh Pendidik dan Satuan Pendidikan untuk Sekolah Menengah Pertama. Jakarta: Direktorat Pembinaan Sekolah Menengah Pertama. Earl, L. & Katz, S. (2006). Rethinking classroom assessment with purpose in mind. Manitoba: Western and Northern Canadian Protocol for Collaboration in Education. Elbra-Ramsay, C. & Backhouse, A. (2015). ‘So, you want us to do the marking?!’ – peer review and feedback to promote assessment as learning. Journal of Pedagogic Development. 5(1): 19 – 30. Gibbons, S.L. & Kankkonen, B. (2011). Assessment as learning in physical education: Making assessment meaningful for secondary school students. Physical & Health Education. 76(4): 6 – 12. Gupta, K. 2016. Assessment as Learning: Students learn, self-correct, and collaborate. The Science Teacher. 43 – 46. Lee, I. & Mak, P. (2012). Assessment as learning in the classroom. Assessment and Learning. 3: 66 – 78. Sadeghi, K. & Rahmati, T. (2017). Integrating assessment as, for, and of learning in a large-scale exam. Assessing Writing. 34. 50 – 61. Schneider, W. & Artelt, C. 2010. Metacognition and mathematics education. ZDM Mathematics Education. 42. 149-161 Stiggins, R. & Chapuis, J. (2006). What a difference a word makes: Assessment for learning rather than assessment of learning helps students succeed. Tersedia di http://www.nsdc.org/library/publications/jsd. Young, E. (2005). Assessment for Learning: Embedded and extending. Tersedia pada http://www.ltscotland.org.uk/assess/for/index.asp.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,008 | 0,003 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,149 | 0,068 |
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 ».