MétaCan
Menu
Retour à la cohorte
Enregistrement W4404854515 · doi:10.1080/2331186x.2024.2433818

Exploring Online Preschool Programs in children’s academic preparation for elementary school: a case study in Indonesia

2024· article· en· W4404854515 sur OpenAlexaff
Nurhayati Nurhayati, Siti Hawa Lubis, Mohammad Rindu Fajar Islamy, Achmad Faqihuddin

Notice bibliographique

RevueCogent Education · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueChild Development and Digital Technology
Établissements canadiensEducation and Early Childhood Development
Organismes subventionnairesnon disponible
Mots-clésPsychologyMathematics educationAcademic achievementPedagogyMedical educationMedicine

Résumé

récupéré en direct d'OpenAlex

The COVID-19 pandemic has transformed preschool education, expanding beyond traditional methods to include digital learning innovations, even in early childhood education. This study investigates the implementation of Islamic education through an Online Preschool Program in Indonesia. Using a qualitative approach, the research involved 20 parents as participants over eight months. Data were collected through interviews, observations, and document analysis and analyzed using NVIVO 12 software in conjunction with Miles and Huberman’s framework. The findings highlight the diverse online preschool programs available, parents’ motivations for and challenges in enrolling their children, and the perceived benefits and impacts on both parents and children. Key results show that the Online Preschool Program effectively supports parents in integrating Islamic education at home while also contributing to children’s intellectual, social, and religious development and enhancing their readiness for formal schooling. This study fills gaps in previous research by providing an in-depth analysis of the role of online preschool programs in Islamic education during early childhood.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0060,002
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,132
Tête enseignante GPT0,395
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCogent EducationMême sujetChild Development and Digital TechnologyTravaux en français237 207