MENINGKATKAN PRESTASI BELAJAR SISWA SMK MELALUI IMPLEMENTASI DISCOVERY LEARNING BASED ENGINE MANAGEMENT SYSTEM
Notice bibliographique
Résumé
Sebagian besar siswa teknik ototronik SMKN Malang terlihat kurang bersemangat ketika kegiatan belajar yang ditunjukkan dengan beberapa siswa yang tidur di kelas, bermain handphone maupun laptop ketika pembelajaran berlangsung sehingga secara tidak langsung menyebabkan hasil belajar siswa menjadi rendah. Perbaikan kualitas pembelajaran sudah selayaknya diterapkan oleh pendidik dalam lingkungan SMK seperti menggunakan model pembelajaran interaktif. discovery learning model merupakan suatu metode pengajaran yang menitikberatkan pada aktifitas siswa dalam belajar. Dalam proses pembelajaran dengan metode ini, guru hanya bertindak sebagai pembimbing dan fasilitator yang mengarahkan siswa untuk menemukan konsep, dalil, prosedur, algoritma dan semacamnya. Tujuan dari penelitian ini adalh untuk mengetahui efektivitas discovery learning terhadap prestasi belajar siswa. Subjek penelitian adalah siswa teknik ototronik SMKN 6 Malang. Rancangan model menggunakan model Kemmis & Mc Taggart yang terdiri atas empat tahapan, yakni perencanaan, tindakan, pengamatan, dan refleksi. Hasil penelitian menunjukkan bahwa model pembelajaran discovery learning efektif dalam meningkatkan prestasi belajar siswa teknik ototronik SMKN 6 Malang.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,014 |
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 ».