Video Scribe Media Development Management In Improving Arabic Speaking Skills
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
One of the relevant learning media today to improve Arabic speaking skills is audio-visual media in Video scribe. The development of video scribe media is very urgent to do. Because the characteristics of video scribe-based learning can help students to understand and improve Arabic speaking skills by presenting images, sounds, animations, and designed learning materials interestingly to achieve the expected learning objectives, this research, and development (RD) at Kiai Haji Achmad Siddiq State Islamic University (UIN KHAS) Jember has provided a solution to the lack of Arabic learning media. Based on the test results of the validator (media, material, and design experts) on the development of the video scribe media, the score from the validator was based on the value component, namely the score from the learning media expert was 90% with a very valid/decent category, from the Arabic learning material expert got a score of 92 % with very valid/decent category. Moreover, the score from the design expert is 92% in the very valid/decent category. The field trial results using students’ response questionnaire instrument denoted that video scribe media for Arabic speaking skills learning, in general, achieved 47.1%, which indicates that video scribe is an exciting media to use in learning Arabic speaking skills. Besides, the lecturer responded during implementing video scribe media that it was a suitable medium for the pandemic. Thus, it became a solution in learning Arabic speaking skills. Based on these data, the video scribe media developed is feasible to learn Arabic speaking skills.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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