Analisis Kesiapan Pengguna Lective Menggunakan Metode Technology Readiness Index (TRI)
Notice bibliographique
Résumé
Lective merupakan sarana pembelajaran online berbasis website yang dirancang bagi dosen untuk mempermudah dalam mendesain Rencana Pembelajaran Semester (RPS) dan Rencana Pelaksanaan Pembelajaran (RPP).dan sistem ini sangat membantu bagi dosen-dosen yang tidak memiliki latar belakang pendidikan maka tools ini sangat membantu bagi mereka. Lective ini masih bisa dikatakan baru dan masih dalam proses pengembangan. kurangnya penerapan Lective di lingkungan Universitas Muhammadiyah Malang merupakan salah satu faktor kendala dalam pengembangannya dikarenakan kesiapan dari penggunanya yaitu dosen yang masih kurang memahami secara penuh tentang penggunaan Lective. Technology Readiness Index (TRI) merupakan indeks untuk mengukur kesiapan pengguna terhadap teknologi baru. TRI menggunakan serangkaian pernyataan kepercayaan/keyakinan dalam melakukan survei untuk mengukur secara menyeluruh tingkat kesiapan teknologi dari individu yang meliputi Optismism, Innovativeness,Discomfort dan Insecurity, Penelitian diawali dengan penyusunan instrumen penelitian, penyebaran kuisioner, dan analisis hasil kuisioner. Berdasarkan hasil analisis, penelitian ini menghasilkan sebuah pernyataan dimana Optimism, Innovativeness, Discomfort dan Insecurity tidak mempengaruhi kesiapan pengguna Lective. Dikarenakan hasil yang didapat berpengaruh negatif terhadap kesiapan pengguna sistem Lective.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
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 ».