Pengembangan Perencanaan Pembelajaran Matematika Berbasis Higher Order Thinking Skill di Sekolah Dasar
Notice bibliographique
Résumé
Perencanaan pembelajaran adalah salah satu tujuan untuk mencapai pembelajaran yang efektif dan efisien, oleh karena itu setiap satuan pendidikan harus menyusun perencanaan pembelajaran untuk mencapai tujuan pembelajaran secara optimal. Perencanaan pembelajaran dalam bidang studi matematika di beberapa daerah Kabupaten Tasikmalaya sudah mengembangkan keterampilan berpikir tingkat tinggi namun belum maksimal. Hal tersebut menyebabkan pembelajaran matematika hanya dapat mengembangkan keterampilan berpikir rendah. Tujuan dari penelitian ini adalah mendeskripsikan perencanaan pembelajaran matematika yang dibuat oleh guru dan menghasilkan produk perencanaan pembelajaran matematika berupa Rencana Pelaksanaan Pembelajaran (RPP) berbasis Higher Order Thinking Skill (HOTS) di sekolah dasar, agar pembelajaran matematika menekankan keterampilan berpikir tingkat tinggi sesuai dengan ketentuan Kurikulum 2013. Penelitian ini menggunakan metode penelitian pengembangan Design Based Research (DBR) dengan menggunakan tahapan penelitian menurut Reeves, yaitu : 1)identifikasi dan analisis masalah oleh peneliti dan praktisi secara kolaboratif; 2)mengembangkan solusi yang didasarkan pada patokan teori, design principle yang ada dan inovasi teknologi; 3)melakukan proses berulang untuk menguji dan memperbaiki solusi secara praktis; 4)refleksi untuk menghasilkan design principle serta meningkatkan implementasi dan solusi secara praktisi. Teknik pengumpulan data dalam penelitian ini dengan observasi, wawancara, studi dokumentasi dan kuesioner. Lokasi penelitian di dua sekolah dasar di Kabupaten Tasikmalaya
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 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) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,008 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».