Adaptive Micro-Learning Model Based on Dhamma Using Mixed Reality to Develop Students to Be Good Citizens
Notice bibliographique
Résumé
The COVID-19 pandemic forced school closures globally, leading to significant learning regression in academic performance, skills, and ethical development. This study aims to: 1) synthesize and develop an adaptive micro-learning model based on Dhamma principles using mixed reality (MR), 2) compare pre-and post-test results, and 3) assess the model’s impact on students’ good citizenship. Participants included 19 experts and 39 Grade 6 students. The methodology involved synthesizing and developing an adaptive micro-learning model, comparing pre- and post-study scores, and evaluating academic achievement and good citizenship development. The study identified seven key steps in the adaptive micro-learning model: 1) testing prior knowledge (Dhammannuta), 2) reporting prior knowledge results (Atthanyuta), 3) explaining learning objectives (Attanyuta), 4) outlining the learning path (Mattanyuta), 5) video-based learning (Kalanyuta), 6) collaborative learning via MR (Parisanyuta), and 7) peer knowledge exchange (Pukkalanyuta). The model’s effectiveness was rated highly (x̅ = 4.78, S.D. = 0.34). Students’ good citizenship scores significantly improved, increasing from a pre-test average of 15.87 points (52.90%) to a post-test average of 25.72 points (85.73%), with statistical significance at the 0.01 level.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».