Development and Validation of Video Lessons in Teaching Science 7
Notice bibliographique
Résumé
This study aimed to determine the least mastered competencies in Science 7, Quarter 3, under the MATATAG Curriculum as the basis for developing and validating video lessons in teaching science. This study's respondents were junior high school students from Angadanan East District, under the Division of Isabela. Stratified allocation was employed to compute the sample size of the learners, which was 167. At the same time, all science teachers were purposively selected, with a total of nine, who evaluated the developed video lessons using the adopted checklist composed of three factors: content, structure, and usability. The researcher utilized a 4-D Model to develop and validate video lessons. The mean percentage score was used to determine the "Not Mastered" competencies in Science 7 Quarter 3, and the Wilcoxon Signed-Rank Test was used to understand whether there was a difference between the pre-test and post-test after implementing the teacher-made video lessons. The study's findings revealed that customized video lessons need to consider the video elements in designing and developing to produce a more substantial learning gain. However, the science-teacher respondents who evaluated the four developed video lessons rated them "Very Much Useful" in content, structure, and usability. Based on this study, a proposed guideline aligned to the three video elements, namely Cognitive Load, Student Engagement, and Active Learning, in developing video lessons for teaching Science 7 under the MATATAG Curriculum. This guideline will serve as a framework for developing supplementary materials to help and support students struggling to learn science concepts.
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 | 0,013 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».