PENGEMBANGAN VIDEO PERMAINAN TEMATIK TEMA DIRIKU SUBTEMA AKU MERAWAT TUBUHKU
Notice bibliographique
Résumé
Penelitian ini adalah penelitian pengembangan video menggunakan model ADDIE yang mencakup lima langkah, yaitu: (1) analisis (analyze), (2) perancangan (design), (3) pengembangan (development), (4) implementasi (implementation), dan (5) evaluasi (evaluation). Subjek uji coba dalam penelitian ini adalah peserta didik kelas I Sekolah Dasar di Kecamatan Buleleng pada tahun ajaran 2022/2023 dimana SD di Kecamatan buleleng terdiri dari 19 sekolah yang terbagi dalam 9 gugus.. Uji coba produk terdiri atas (1) Desain Uji Coba, (2) Subjek Uji Coba, (3) Jenis data (4) Tahap Review Para Ahli, (5) Instrument Pengumpulan Data, (6) Teknik Analisis Data. Data dikumpulkan melalui teknik observasi, wawancara, dan pemberian angket (kuestioner). Penelitian ini menunjukkan bahwa video permainan pendidikan jasmani olahraga dan kesehatan berbasis tematik tema diriku (Subtema Aku Merawat Tubuhku) untuk peserta didik kelas I Sekolah Dasar layak digunakan sebagai media pembelajaran di Sekolah Dasar dengan persentase ahli desain pembelajaran (75%), ahli media pembelajaran (100%), dan praktisi lapangan (94,4%0. Jadi dapat disimpulkan bahwa video permainan pendidikan jasmani olahraga dan kesehatan berbasis tematik tema diriku layak digunakan sebagai salah satu media pembelajaran. Kata Kunci : Video, Video Pembelajaran Tematik,Permainan Tematik.
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 | 0,007 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,038 | 0,007 |
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 ».