MétaCan
Menu
Retour à la cohorte
Enregistrement W4386499358 · doi:10.55849/jsca.v1i1.453

Development of Labyrinth Media to Stimulate Prosocial Behavior Skills of 5-6 years old Children in Purwakarta

2023· article· en· W4386499358 sur OpenAlexaff
Cut Mutia Alsafiah, Imam Tabroni, Elladdadi Mark, Kailie Maharjan

Notice bibliographique

RevueJournal of Computer Science Advancements · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEducational Methods and Impacts
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésProsocial behaviorData collectionPsychologyProduct (mathematics)Qualitative propertyDevelopmental psychologyApplied psychologyNew product developmentSocial psychologyMathematicsMarketingStatistics

Résumé

récupéré en direct d'OpenAlex

This study aims to produce a valid labyrinth learning media to improve the ability of prosocial behavior in children aged 5-6 years. This research is a development research with the development model used by Sugiyono. In this study, researchers only used 7 (seven) stages, namely knowing problems and potential, data collection, product design, design validation, design revision, product trials and product manufacturing. The next stage was not carried out due to cost and time constraints. The data collection technique used is a questionnaire, where the questionnaire is validated by material experts, media experts and educators. The type of data generated is quantitative and qualitative data. The average percentage result of the pretest conducted on 3 children is 10.6%, proving that the child's condition is still in the undeveloped stage. Then the posttest was carried out, namely the condition after the child was given the labyrinth media, the average percentage result of this posttest was 14.6% which proved that the child experienced a change in condition to develop as expected. So it can be concluded that the Labyrinth media to improve the ability of prosocial behavior of children aged 5-6 years has met the criteria for validity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,039
Tête enseignante GPT0,416
Écart entre enseignants0,377 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Computer Science AdvancementsMême sujetEducational Methods and ImpactsTravaux en français237 207