A Comparative Study on the Effects of Project-Based Learning and Online Lessons on the Learning Achievement on the Internet of Things Among Thai Grade 9 Students
Notice bibliographique
Résumé
This study aimed to compare the effects of project-based learning (PjBL) and online lessons on the learning achievement of Thai Grade 9 students in the topic of the Internet of Things (IoT), with conventional teaching included as a control group. The study utilized a quasi-experimental design, with three groups: PjBL, online lessons, and conventional teaching. The participants included 125 Grade 9 students from a secondary school in Thailand, divided into three groups: 42 in the PjBL group, 41 in the online lessons group, and 42 in the conventional teaching group. The instruments included a PjBL learning management plan, an online lesson, a learning achievement test, and a satisfaction questionnaire. Data were analyzed using descriptive statistics (means, standard deviations) and inferential statistics (ANOVA and Tamhane’s post-hoc test) to identify significant differences between the groups. The findings revealed that students in the online lessons group achieved significantly higher scores than those in the PjBL and conventional teaching groups. Additionally, the PjBL group outperformed the conventional teaching group. Moreover, the participants in both PjBL and Online lessons were satisfied with the instructional methods. The study provides evidence of the comparative effectiveness of online lessons and PjBL for teaching IoT, offering insights to enhance technology-integrated curricula and promote self-regulated learning in 21st-century education.
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 | 0,002 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».