Pengaruh Pembelajaran Daring Mahasiswa Dimasa Covid 19 Dalam Tugas Mempelajari Dan Menghafal Ayat-Ayat Alquran
Notice bibliographique
Résumé
Pandemi Covid 19 menyebar sejak akhir tahun 2019 hingga kini di beberapa wilayah dengan kasus yang berbeda, terhitung 193 negara berjuang dengan keras untuk melawan covid yang tidak pandang bulu. Wuhan adalah salah satu kota di China sebagai tempat pertama kali virus ditemukan, sebelum virus ini lalu berstatus pandemi. Tentu sangat berpengaruh terhadap sosial ekonomi, khususnya bidang pendidikan, pelaksanaan sistem pembelajaran pada satuan pendidikan mengalami perubahan bentuk operasional yaitu intruksi social distancing, hingga berujung pada himbauan lockdown , sehingga model pembelajaran hampir di seluruh Indonesia dengan Model daring mulai daari lembaga pendidikan hingga Instansi Pemerintah. Penelitian ini menggunakan metode diskrptif kualitatif karena jauh lebih subyektif dalam pembelajaran daring di Universitas Duta Bangsa Surakarta yang diputuskan pembeljaran dari rumah. Subyek terdiri dari 2 dosen dan 2 mahasiswa Universitas Duta Bangsa Surakarta. Dengan aplikasi E-Learning UDB, Zoom, Google Meet, Whatsap, vidio call email dll, walaupun terdapat beberapa kendala diantaranya, sinyal internet, kuota , serta tidak bisa bertanya kepada dosen dengan leluasa.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,050 | 0,009 |
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 ».