PENGEMBANGAN DESAIN PELATIHAN UNTUK MENINGKATKAN KOMPETENSI GURU PRODUKTIF BIDANG TEKNOLOGI REKAYASA
Notice bibliographique
Résumé
Tujuan dari penelitian ini adalah mendesain pelatihan untuk meningkatkan kompetensi guru dalam mengimplementasikan model pembelajaran teaching factory bagi guru SMK yang mengajar di beberapa SMK Negeri Pusat Keunggulan wilayah Lampung Utara serta meninjau keefektifan desain pelatihan yang dikembangkan. Jenis penelitian menggunakan metode dan pengembangan (R & D) dengan model pengembangan ADDIE.metode triangulasi data, teori dan peneliti juga dipakai dalam penelitian ini Populasi adalah seluruh guru produktif yang mengajar di SMK Negeri 3 Kotabumi dan SMK Negeri 1 Abung Selatan dengan jumlah 60 guru dan sampel untuk uji coba produk hasil pengembangan berjumlah 40 guru. Pengumpulan data dilakukan dengan teknik observasi, survei, dan pretest - posttest. Teknik analisis data dilakukan dengan analisis deskriptif meliputi analisis kelayakan produk, analisis kemenarikan produk dan analisis tingkat kompetensi guru. Hasil penelitian menunjukkan bahwa produk yang dikembangkan layak dan menarik serta dapat meningkatkan kompetensi guru.
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 | 0,002 | 0,004 |
| 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 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,006 |
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 ».