Korelasi Kecerdasan Emosional Dengan Prestasi Belajar Siswa Menggunakan Metode A Priori (Studi Kasus: SMPIT Alkaffah Binjai)
Notice bibliographique
Résumé
Sering ditemukan siswa yang tidak dapat meraih prestasi belajar yang setara dengan kemampuan inteligensinya. Ada siswa yang mempunyai kemampuan inteligensi tinggi tetapi memperoleh prestasi belajar yang relatif rendah, namun ada siswa yang walaupun kemampuan inteligensinya relatif rendah tetapi dapat meraih prestasi belajar yang relatif tinggi. Itu sebabnya taraf inteligensi bukan merupakan satu-satunya faktor yang menentukan keberhasilan seseorang, karena ada faktor lain yang mempengaruhi, maka perlu digali dengan metode A Priori, bagaimana cara menentukan korelasi nilai kecerdasan emosional dan prestasi belajar siswa. Metodologi yang digunakan adalah analisis pola frekkuensi tinggi dan pembentukan aturan asosiasi. Hasil yang ditemukan adalah faktor-faktor yang paling sering terjadi dan yang paling banyak muncul secara bersamaan adalah kemampuan siswa untuk mengenal emosi diri mau bertanggung jawab atas kesalahan yang dilakukan dan kemampuan siswa untuk memotivasi diri sendiri mau mendahulukan belajar daripada bermain dan mau memperbaiki kegagalan menjadi suatu keberhasilan dan kemampuan siswa untuk mengenal emosi orang lain mau mendengar keluh kesah teman dan Afektif mengikuti nilai-nilai yang telah ditentukan then Psikomotorik siswa ulet dalam mengikuti latihan dengan nilai Support 90% dan Confidence 100%.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; 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 ».