Exploring Trends and Impacts of Problem Based Learning E-Modules in Elementary Science Learning: Systematic Literature Review
Notice bibliographique
Résumé
The use of interactive digital learning materials, such as electronic modules based on Problem-Based Learning (PBL), is one way the education sector is adapting to technological advances in the Society 5.0 era. This digital transformation requires innovation in learning methods to prepare a generation with 21st-century skills. The purpose of this study is to systematically review the trends in the implementation and impact of the use of e-modules based on Problem-Based Learning (PBL) in Science Education at the elementary school level. Using the Systematic Literature Review (SLR) method based on the PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) guidelines, this article reviews 20 national and international journals published between 2021 and 2025. The study results indicate that PBL-based e-modules are effective in enhancing various cognitive skills among students, including critical thinking, scientific literacy, problem-solving abilities, and overall learning outcomes. Additionally, PBL e-modules demonstrate high levels of validity and practicality, making them suitable and applicable teaching materials. However, their implementation faces challenges such as limited digital infrastructure, insufficient teacher readiness, and the need for long-term effectiveness analysis and differentiation for students with special needs. This study provides a comprehensive synthesis of the development of PBL e-modules in the field of elementary education and offers strategic recommendations for further research and development, including the exploration of integration with cutting-edge technologies such as artificial intelligence (AI) and Augmented Reality (AR).
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 | 0,012 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,011 |
| Études des sciences et des technologies | 0,000 | 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 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 ».