PENINGKATAN AKTIVITAS DAN HASIL BELAJAR FISIKA MATERI HUKUM TERMODINAMIKA MENGGUNAKAN APLIKASI ZOOM CLOUD MEETINGS PADA SISWA KELAS XI IPA-1 SMA NEGERI 1 SIBORONGBORONG SEMESTER 2 TAHUN PELAJARAN 2020/2021
Notice bibliographique
Résumé
The research aims to improve the activity and learning outcomes of physics subject matter for the law of thermodynamics for class XI IPA-1 SMA Negeri 1 Siborongborong Semester 2 of the 2020/2021 academic year. The research was carried out in two cycles and each cycle consisted of four stages, namely planning, action, observation, and reflection. The research subjects were 36 students. Data collection techniques using the method of observation, documentation and tests. Data validity through triangulation. Data analysis with qualitative descriptive technique. The results showed that the activity of students in the initial study was 36.11% or 13 students became 72.22% in the first cycle or 26 students, and in the second cycle it became 94.44% or 34 students were declared complete. The increase in the average value in the initial study from 63.33 to 73.33 in the first cycle, and in the second cycle to 84.17 and an increase in learning completeness from 10 students or 27.78% to 21 students or 58.33% and 32 students or 88.89% in the second cycle.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,005 |
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 ».