Evaluating Telegram Application to Empower the Students’ Vocabulary Mastery
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
The biggest trigger for the students’ in mastering vocabulary is learning media. The inexistence of good learning media will affect the students’ vocabulary mastery. One of the learning media that is much promoted and used during the pandemic of Covid-19 is the telegram application. Therefore, this research aims to measure the use of telegram applications as learning media to enhance the students’ vocabulary mastery. In this research, the researcher applied a quasi-experimental method. The population of this research was the seventh-grade students at UPTD SMP Negeri 22 Barru. The samples of the research were taken using the cluster random sampling technique, there are two classes as samples, experimental class, and control class, both classes consisted of 28 students. The data was collected using vocabulary tests (pre-test and post-test) and analyzed employing statistical calculations to test the hypothesis. The result of this research shows that the mean score for pre-tests was 45.35 and the post-test was 83.57. Besides the different scores for pre-test and post-test, the mean score of the students in post-test was 83.57 is higher than the Kriteria Ketuntasan Minimal (75) in UPTD SMP Negeri 22 Barru. The result of the t-test value in the post-test was 2.214 and the t-table value was 1.684. It means that H1 was accepted and H0 was rejected and the seventh-grade students at UPTD SMP Negeri 22 Barru who are taught by using the telegram application have better vocabulary mastery than the seventh-grade students who are taught without using the telegram application.
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 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| 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