Upaya Mengatasi Learning Loss Baca Tulis Pada Anak-Anak Asli Papua
Notice bibliographique
Résumé
Learning loss merupakan keadaan menurunnya kemampuan akademik peserta didik, dimana peserta didik kehilangan pengetahuan dan keterampilan baik secara umum atau khusus. Penelitian ini dilakukan untuk mendeskripsikan dan menganalisis upaya mengatasi learning loss pembelajaran baca tulis anak-anak asli Papua di Rumah Belajar KBLC Jayapura. Metode penelitian yang digunakan adalah metode deskriptif kualitatif menggunakan data sekunder yang diambil dari berbagai sumber, dan lokasi penelitian di Rumah Belajar KBLC Jayapura. Hasil penelitian menunjukkan bahwa upaya mengatasi learning loss pembelajaran baca tulis pada anak-anak asli Papua di Rumah Belajar KBLC Jayapura melalui; 1) Tes diagnosis pada anak-anak asli Papua yang akan mendaftar sebagai peserta didik di Rumah Belajar KBLC Jayapura, tes dilakukan untuk mengelompokkan peserta didik berdasarkan kemampuannya masing-masing, 2) Merancang pembelajaran yang bervariasi, setiap guru yang akan mengajar membuat lesson plan sebagai persiapan mengajar dengan berbagai metode variatif, seperti penggunaan metode games dan bermain kartu dengan pengucapan volume tinggi (membuka mulut dan bersuara lantang), hal ini dilakukan agar peserta didik merasa belajar rasa bermain atau bermain sambil belajar, sehingga mereka enjoy dan senang dalam belajar, 3) Menggunakan pendekatan yang baik, seperti penggunaan WhatsApp sebagai media pendukung upaya pendekatan guru kepada peserta didik dalam membangun komunikasi yang baik , dan 4) Evaluasi berkelanjutan.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».