Pemberdayaan Guru Mata Pelajaran Sosiologi Melalui Literasi Digital Berbasis Quick Response Code di Kecamatan Bissappu Kabupaten Bantaeng
Notice bibliographique
Résumé
Permasalahan guru yang sangat penting untuk diselesaikan melalui kegiatan pengabdian ini adalah (1) Minimnya pengetahuan dan keterampilan kelompok guru sosiologi dalam membuat quick response code (QRC) pada mata pelajaran Sosiologi, (2) Susahnya siswa mendapatkan materi secara online yang terkait langsung dengan materi pelajaran. Solusi yang bisa dilakukan untuk mengatasi masalah tersebut adalah pelatihan literasi digital berbasis quick response code (QRC) untuk kelompok guru mata pelajaran sosiologi. Hasil kegiatan pengabdian kepada masyarakat yang diperoleh melalui kegiatan literasi digital berbasis quick response code (QRC) untuk kelompok guru mata pelajaran sosiologi dilakukan dalam beberapa tahapan yaitu tahap penyediaan materi, tahap sosialisasi, tahap penyampaian materi, tahap pembagian literasi digital dan tahap gerakan literasi digital. Sedangkan kegiatan pelatihan literasi digital kepada siswa terdiri dari tahap pembuatan jadwal pertemuan, tahap penyampaian materi, tahap penggunaan literasi digital, tahap pembagian literasi digital dan tahap gerakan literasi digital. Hasil yang diperoleh kegiatan ini sangat bermanfaat baik untuk guru mata pelajaran sosiologi dan siswa yang belajar mata pelajaran sosiologi. Literasi digital berbasis quick response code (QRC) sebagai bagian dari gerakan literasi yang dicanangkan oleh pemerintah Kabupaten Bantaeng di tingkat Kecamatan dan dan di tingkat 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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,181 | 0,063 |
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 ».