The Effect Of Learning Media Management And Self-Motivation On Science Literacy Ability
Notice bibliographique
Résumé
The basis of this paper is the teacher's ability to manage the learning media used during learning because it is an important component in delivering teaching materials. Learning objectives can be effectively achieved if teachers can manage the media needs of each teaching material and use it appropriately. The post-pandemic learning process is felt to be less meaningful and tends to be boring for students, so teachers must be able to innovate in choosing and creating learning media that can motivate students to learn. This study aims to determine the benefits and effects of using "KARCIL" media in improving the science literacy of students of Madrasah Tsanawiyah. The focus of the paper lies in the use of "KARCIL" media in Natural Sciences (IPA) subjects with a quantitative approach of the field research model through interviews and observations and the distribution of questionnaires to students used as samples. The results of the study obtained were (1) There was a significant influence between the use of "KARCIL" media on science literacy skills students, amounting to 0.001 with a confidence level of 10%, (2) There was a significant influence between self-motivation and science literacy ability of 0.011 with a confidence level of 10% and (3) There is a significant influence between the value of the coefficient of determination for the Nagelkerke model of 64% and 36% influenced by other factors that are not studied. From the results of the study, it can be concluded that good management of learning media and appropriate use by teachers can improve students' literacy ability and learning achievement.
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 | 0,004 | 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 | 0,002 | 0,001 |
| 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 ».