Curriculum-Level Innovation in History Education: Developing a Technology-Integrated and Contextually Adaptive Model for Senior High Schools in Indonesia
Notice bibliographique
Résumé
This study aimed to develop and evaluate a digital-based history curriculum tailored for Indonesian senior high schools, addressing the pedagogical gap between traditional history instruction and 21st-century learning demands. Employing a Research and Development (R&D) methodology guided by the ADDIE model, the research involved five curriculum and pedagogy experts, ten history teachers, and over 200 students from six public high schools with varying levels of technological infrastructure. The study encompassed a comprehensive needs analysis, expert and teacher validation, guided classroom implementation, and multi-source impact evaluation using interviews, observations, formative assessments, and digital questionnaires. The curriculum was validated with high scores by experts (mean = 4.80) and teachers (mean = 4.60), highlighting its structural coherence, relevance, and ease of implementation. Classroom trials across schools demonstrated consistent effectiveness (mean = 4.60), with no significant variance found through ANOVA analysis (p > 0.05). Qualitative results indicated increased student engagement, deeper historical understanding, and development of contextual thinking. The study offers a novel approach to system-level curriculum design where digital media is the backbone of instructional planning. This model contributes to global discourse by presenting a scalable, equitable, and pedagogically resilient solution for integrating digital history education in diverse and resource-limited settings.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| 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 | 0,001 | 0,003 |
| 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 ».