PENGGUNAAN MODEL MEANINGFUL INTRUCTION DESIGN DALAM MENINGKATKAN PEMBELAJARAN FIQIH BAGI SISWA DI MADRASAH TSANAWIYAH
Notice bibliographique
Résumé
ABSTRAK Penelitian ini bertujuan untuk mengimplementasi Model Pembelajaran Meaningful Intruction Design (MID) adapun penelitian ini dilaksanakan dalam 2 siklus. Penelitian ini merupakan penelitian tindakan kelas. Penelitian ini terdiri dari 4 alur yaitu: (1) Perencanaan, (2) Tindakan, (3)Pengamatan, (4) Refleksi. Subjek dalam penelitian ini adalah Guru Fiqih dan siswa kelas VII.2 yang terdiri dari 34 Orang. Instrumen penelitian ini, yaitu observasi, tes, wawancara, dan dokumentasi. Hasil penelitian menunjukan adanya peningkatan persentase ketuntasan hasil belajar Fiqih pada setiap siklus, pada siklus 1 persentase ketuntasan belajar siswa mencapai 50%, dengan jumlah siswa 17 orang yang mencapai KKM dengan nilai rata-rata 60, dan setelah dilaksanakan siklus 2 persentase meningkat menjadi 91% dengan jumlah siswa 31 orang yang mencapai KKM dengan rata-rata nilai 77. Hal ini membuktikan bahwa model pembelajaran Meaningful Intruction Design (MID) bisa meningkatkan hasil belajar Fiqih kelas VII.2 Madrasah Tsanawiyah Swasta Penyengat Olak Provinsi Jambi. Kata Kunci: Model Meaningful Intruction Design, Hasil Belajar, Fiqih
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) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,005 |
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 ».