Designing Model for Oral Presentation Instruction in Indonesian Tertiary Context
Notice bibliographique
Résumé
The purpose of oral presentations is to prepare students with the necessary skills for the professional environment. However, it has been observed that the courses offered by universities in East Kalimantan, Indonesia are designed in general English, which may not cater to the specific needs of the learners. This research is intended to determine the optimal oral presentation; however, this study is required to analyze the demands and appropriate model of oral presentation education in tertiary context. Data was gathered through questionnaires and interviews. The questionnaire results show that students need more opportunities to practice logical arguments, pronunciation, collaboration, and regular use of mobile learning to improve their understanding and attitude towards it. Instructors recognize the importance of peer projects and mobile learning in facilitating discussions and sharing among learners and instructors, as it enhances their learning experience. They revealed that online mobile applications such as editing online documents and instant messaging can help to do great collaboration in preparation and implementation phase. According to the result of the need analysis, the authors propose Mobile Technology Enhanced Collaborative Learning (MCOP). It is an oral presentation learning model that emphasizes the importance of utilizing collaboration and technology aspects in learning. The development of the instructional model will provide teachers with a concise and transparent path for teaching oral presentations using mobile technology. This model offers students opportunities to develop their oral presentation skills. The students will have transformational experiences for both their personal and social development.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».