Developing Achievement in Mathematics, Specifically in Elementary Logic, through Brain-Based Learning (BBL) Combined with Skill Practice Exercises for Grade 10 Students
Notice bibliographique
Résumé
This research aims to: 1) Develop an effective Brain-Based Learning (BBL) plan combined with skill practice exercises for Grade 10 students, achieving a performance criterion of 70/70; 2) Compare the learning outcomes in elementary logic before and after implementing the BBL approach combined with skill practice exercises for Grade 10 students; 3) Study the satisfaction level of students towards the BBL approach combined with skill practice exercises for Grade 10 students. The sample group consisted of 39 students from Grade 10 room 4 in the first semester of the 2023 academic year, selected through purposive sampling. Research tools included a learning management plan, an achievement test, skill practice exercises, and a satisfaction questionnaire. Data were analyzed using percentages, mean, standard deviation, and dependent samples t-test. The research found that: 1) The BBL-based learning management plan for elementary logic for Grade 10 students was effective, with performance levels of 95.69/81.28, exceeding the set criterion of 70/70; 2) The academic achievement of students who underwent the BBL-based learning in elementary logic for Grade 10 students significantly improved post-learning, at a .05 level of statistical significance; 3) Students were highly satisfied with the BBL-based learning approach combined with skill practice exercises in elementary logic for Grade 10 students, with a mean satisfaction score of 4.86.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».