Essential Curriculum Content for Automotive Body Painting at Vocational High Schools: The Delphi Technique
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The extensive content of the curriculum at vocational high schools (SMK) that students must master results in graduates not fully mastering their knowledge. Therefore, this study needs to be conducted to analyze the content of the SMK curriculum so that it can be curated into essential materials based on criteria of urgency, continuity, relevance, and applicability in the curriculum of the automotive body painting course at SMK. This research employs a modified Delphi technique in two rounds, involving a panel of experts consisting of 21 practitioners in the field of automotive painting. The questionnaire was developed concerning the objectives of the automotive body painting curriculum, comprising 16 contents evaluated using a four-level Likert scale. Data collection was carried out using Google Forms. Data analysis was conducted using descriptive statistics with the aid of Excel and SPSS release 27. The study results indicate that there are eight highly essential contents out of the 17 in the automotive body painting curriculum. These eight contents are 1) Implementation of procedures for preparing materials and equipment for repairs; 2) Implementation of panel preparation procedures; 3) Application of putty method; 4) Application of sanding method; 5) Application of masking methods; 6) Implementation of metal panel painting procedures; 7) Implementation of plastic panel painting procedures; and 8) Evaluation and resolution of painting failures. Therefore, in implementing the curriculum, teachers can focus on the highly essential materials to enable students to learn more optimally.
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.
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 | 0,009 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle