MENINGKATKAN HASIL BELAJAR MATEMATIKA MENGGUNAKAN MODEL PROBLEM BASED LEARNING PADA PESERTA DIDIK KELAS IV SD
Notice bibliographique
Résumé
Penelitian ini didasarkan pada menerapkan model-model. Hal ini menyebabkan proses dan hasil belajar peserta didik yang buruk. Penelitian tindakan kelas ini bertujuan untuk meningkatkan hasil dan proses belajar matematika di kelas IV SDN 34/II Leban. Penelitian ini terdiri dari dua siklus, dengan perencanaan, pelaksanaan, observasi, dan refleksi. Studi ini dimulai pada semester kedua akademik 2022/2023. Metode pengumpulan datanya adalah melalui pengamatan, dokumentasi, dan hasil tes. Hasil analisis data penelitian menunjukkan bahwa model pembelajaran berbasis (PBL) dapat meningkatkan proses dan hasil belajar matematika di kelas IV SDN 34/II Leban. Hal ini ditunjukkan oleh hasil proses mengajar guru pada siklus I sebesar 74% dan siklus II sebesar 98%, dengan peningkatan pada siklus I dan II sebesar 24%. Hasil proses belajar peserta didik pada siklus I sebesar 64,22% dan siklus II sebesar 90,74%, dengan peningkatan pada siklus I dan II sebesar 26,5%. Hasil belajar peserta didik pada siklus I sebesar 45,45% dan siklus II sebesar 72,72%, dengan peningkatan pada siklus I dan II sebesar 45.75%.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,004 |
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 ».