Penerapan Model Supervisi SUKSES-ME untuk Membangun Penguatan Pendidikan Karakter di Sekolah
Notice bibliographique
Résumé
Hasil deskripsi pengembangan Penguatan Pendidikan Karakter (PPK) di sekolah binaan sebelum implementasi model Supervisi Klinis-Kolaborasi, Penilaian Sendiri-Sejawat, Monitoring, dan Evaluasi (SUKSES-ME) menunjukkan bahwa, pengembangan PPK berbasis kelas pada Silabus dan RPP, PPK berbasis budaya pada kegiatan non kurikuler; membersihkan lingkungan sekolah, upacara bendera, menyanyikan lagu nasional/daerah, membaca buku bersama baru, dan bakti sosial serta pengembangan PPK pada proses pembelajaran masih belum optimum. Penelitian ini bertujuan untuk menerapkan model supervisi kreatif yaitu model SUKSES-ME untuk meningkatkan PPK di Sekolah Menengah Atas (SMA). Metode penelitian yang digunakan adalah penelitian deskriptif menggunakan uji t, untuk melihat PPK sebelum dan sesudah implementasi model SUKSES-ME di SMAS Nugraha Bandung. Hasil penelitian menunjukkan bahwa penerapan model SUKSES-ME dapat meningkatkan PPK di SMAS Nugraha Bandung, baik pada struktur kurikulum (silabus dan RPP), pengembangan PPK berbasis budaya sekolah, dan pengembangan PPK pada proses pembelajaran. Peningkatan tersebut signifikan dengan nilai p < 0.05. Kesimpulan dari penelitian, supaya penerapan model SUKSES-ME ini optimal, maka harus dilakukan secara berkelanjutan dan berkesinambungan mulai siswa masuk sampai lulus sekolah
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 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; 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 ».