E-Learning Process of Maharah Qira'ah in Higher Education during the Covid-19 Pandemic
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The learning process has changed totally since the implementation of the distance learning policy (Pembelajaran Jarak Jauh-PJJ). Lecturers and students are required to be able to optimize the internet. This article discusses the process of Maharah Qira’ah using e-learning in UIN Imam Bonjol Padang. This research is a qualitative study by describing data found in the field in depth. The data were collected through Google Forms, observation, distribution of questionnaires through Google Forms, and online interviews through social media and documentation. The results showed that the e-learning media used in Maharah Qira’ah classes are WhatsApp, Zoom, Youtube, Instagram, and Facebook applications, where Whatsapp is more significant than other media. In an effort to realize reading skills, the lecturers designed the lesson by demanding students to understand Qira'ah texts sent through WhatsApp Group, by writing new vocabulary found in the text, recording their readings, and sending them to WhatsApp Group, followed by solving 10 problems, and then discuss them with the lecturers and the other students. This study found that there is a shift in learning maharah qira’ah using e-learning from student center to media center. It means that the process depends on technology is more significant than dependence on teachers. This study also found that learning mahara qira'ah with conventional methods is more preferred by students than using e-learning. Although the teacher explains the material in depth and provides assignments that support student learning.
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.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 découle