PENGEMBANGAN INSTRUMEN PENILAIAN BERBASIS KEMAMPUAN BERPIKIR TINGKAT TINGGI (HOTS) UNTUK PEMBELAJARAN TEKS RESENSI
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
Pengembangan instrumen Penilaian soal tes pada materi teks resensi dengan berbasis kemampuan berpikir tingkat tinggi (HOTS) sangat dibutuhkan untuk mengukur tingkat kemampuan siswa dalam meningkatkan pengetahuan pada materi teks resensi. Tetapi pada kenyataannya guru masih belum sepenuhnya mengembangkan instrumen penilaian berbasis kemampuan berpikir tingkat tinggi (HOTS). Selain itu belum tersedianya instrumen assessment yang didesain khusus untuk melatih HOTS atau keterampilan berpikir tingkat tinggi peserta didik. Karena peserta didik yang mempunyai kemampuan berpikir tingkat tinggi jika tidak diberikan kesempatan untuk mengembangkan dan tidak diarahkan dengan tepat maka kemampuan berpikirnya tidak akan meningkat. Bagi peserta didik yang cenderung berpikir tingkat rendah perlu dilatih sejak dasar, agar pada saat memasuki jenjang pendidikan berikutnya peserta didik tidak merasa takut jika dihadapkan pada pertanyaan atau permasalahan yang lebih rumit. Masalah dalam pembahasan ini didapat dari hasil wawancara yang diajukan kepada beberapa guru di Mas Al-Asy’ari Medan Krio. Salah satu cara dalam menerapkan kemampuan berpikir tingkat tinggi (HOTS) adalah dengan melakukan penilaian berupa tes tertulis. Dan pada pembahasan ini secara khusus membahas tentang Pengembangan Instrumen Penilaian Berbasis Kemampuan Berpikir Tingkat Tinggi (HOTS) Untuk Pembelajaran Teks Resensi.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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