PENGEMBANGAN VIDEO PEMBELAJARAN OPEN STREET MAP UNTUK PEMBUATAN PETA DIGITAL FORMAT SHAPEFILE MENGGUNAKAN SPATIAL MANAGER
Notice bibliographique
Résumé
Tujuan penelitian ini adalah mengembangkan video pembelajaran OpenStreetMap untuk pembuatan peta digital format shapefile menggunakan Spatial Manager. Penelitian ini termasuk dalam jenis penelitian pengembangan (Research and Development/R&D) yang mengacu pada model pengembangan 4D (Define, Design, Development, and Disseminate) oleh Thiagarajan. Teknik pengumpulan data menggunakan angket yang diberikan kepada ahli materi, ahli media, dan pengguna (mahasiswa). Teknik analisis data menggunakan teknik analisis deskriptif kuantitatif. Hasil penelitian dan pengembangan media pembelajaran memperoleh kesimpulan sebagai berikut: (1) Tahap define menghasilkan kebutuhan pembelajaran tentang OpenStreetMap untuk pembuatan peta digital format shapefile menggunakan Spatial Manager; (2) Tahap design menghasilkan flowchart, storyboard, dan take video yang sesuai serta produk yang dihasilkan berupa video pembelajaran dengan teknik animasi dan screen record berformat *.mp4 yang dapat diputar di komputer/laptop maupun smartphone standar, berdurasi selama 15 menit 50 detik, dan ukuran file sebesar 56,7 MB; (3) Tahap development menghasilkan penilaian tingkat kelayakan media video pembelajaran yang dikembangkan berdasarkan penilaian oleh ahli materi adalah 90,91 % termasuk dalam kategori “layak”, sedangkan penilaian oleh ahli media adalah 91,13 % termasuk dalam kategori “layak”, dan penilaian pengguna (mahasiswa) adalah 86,62 % termasuk dalam kategori “layak”; (4) Tahap disseminate merupakan penyebarluasan hasil penelitian berupa produk video yang diunggah melalui platform Youtube dan memberikan file kepada pengguna.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,107 | 0,028 |
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 ».