Peningkatan Prestasi Belajar PAI Materi Membaca Al-Quran dengan Tartil melalui Metode Demonstrasi pada Siswa Kelas IX A Di SMP Negeri 4 Trenggalek
Notice bibliographique
Résumé
Abstrak: T Penelitian ini menggunakan metode penelitian tindakan kelas (PTK) sebanyak dua putaran (siklus) merujuk pada metode yang dikembangkan oleh Kemmis dan McTaggart. Subjek penelitian ini adalah siswa Kelas IX A semester 2 SMP Negeri 4 Trenggalek Kabupaten Trenggalek tahun pelajaran 2018/2019. Data yang diperoleh berupa hasil tes formatif lembar kegiatan belajar mengajar. Pada pelaksanaan pembelajaran sebelum diadakan penelitian, nilai rata-rata siswa sebesar 68.92 dengan persentase ketuntasan belajar sebesar 36.00%. Pada pelaksanaan siklus I diperoleh nilai rata-rata sebesar 73.92 dengan persentase ketuntasan belajar sebesar 64.00% jauh lebih baik dari hasil pada sebelum siklus dengan peningkatan nilai rata-rata sebesar 5.00 dengan peningkatan persentase ketuntasan sebesar 28.00%. Peningkatan prestasi belajar siswa terus berkembang hingga pada akhir siklus II yang memperoleh nilai rata-rata 78.76 dengan prosentase ketuntasan sebesar 96.00%. Apabila dibandingkan prestasi pada siklus I, terjadi peningkatan nilai rata-rata sebesar 4.84 dan ketuntasan sebesar 32.00%.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,088 | 0,021 |
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 ».