Pengembangan Media Pembelajaran Berbasis Video Sparkol Dengan Menggunakan Media Internet Dalam Pembelajaran Matematika SMP Negeri 1 dan 2 Kecamatan Tanah Jawa
Notice bibliographique
Résumé
<p>Keberadaan internet dan segala fasilitas yang ada dapat memberikan pengetahuan baru ataupun menelusuri bahan ajar bagi guru sehingga internet sebagai media pembelajaran yang lebih mudah dan dapat memperkaya wawasan guru. Penelitian ini bertujuan untuk mengetahui pemanfaatan video sparkol sebagai sumber belajar bagi Guru matematika SMP Negeri Kecamatan Tanah Jawa. Media pembelajaran internet berbasis video sparkol dibuat dengan aplikasi videoscribe, sebagai media pembelajaran yang dapat digunakan dalam sekolah maupun diluar sekolah. Penelitian bermaksud mengembangkan media pembelajaran yang dapat diakses secara bebas di Internet. Model pembelajaran internet berbasis video sparkol yang digunakan adalah videoscribe yang bersifat terbuka dan massal. Kurikulum pembelajaran juga menyediakan seperangkat alat pembelajaran meliputi, berbagai soal, kuis, dan bentuk- bentuk penugasan. Langkah-langkah pelaksanaan penelitian mengikuti pola umum penelitian ilmiah dengan pendekatan berorientasi obyek dengan tahapan identification (identifikasi), analysis (analisis), design (perancangan), coding (pemrograman) dan testing (pengujian). Penelitian ini menghasilkan luaran yang ditargetkan pada hasil penelitian ini adalah berupa artikel yang akan dipublikasi pada Jurnal Nasional Terakreditasi. Artikel ini juga bertujuan untuk menyebarluaskan hasil penelitian dan ilmu pengetahuan yang dapat dimanfaatkan untuk menambah wawasan dan pengembangan ilmu pengetahuan ke depannya terutama dalam menemukan aturan asosiasi antar indikator pencapaian standar kompetensi yang diujikan pada mata pelajaran matematika.</p><p>Kata Kunci : Internet, Media Pembelajaran, Sparkol, Video Scribe</p><p> </p><h1> </h1>
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».