MétaCan
Menu
Retour à la cohorte
Enregistrement W4416942074 · doi:10.62383/aljabar.v1i4.850

Pengaruh Penggunaan Teknologi dalam Pembelajaran Bahasa Indonesia terhadap Kemampuan Menulis Pada Siswa Kelas III SDI Betun Kota

2025· article· W4416942074 sur OpenAlex
Natalia De Araujo, Yohana Febriana Tabun, Yuventius Tamelab, Damian Puling

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueAljabar Jurnal Ilmuan Pendidikan Matematika dan Kebumian · 2025
Typearticle
Langue
DomaineComputer Science
ThématiqueEducational Methods and Media Use
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésIndonesianData collectionStatistical analysisResearch methodStatistical significanceDescriptive statistics

Résumé

récupéré en direct d'OpenAlex

This study aims to determine the effect of technology use in Indonesian language learning on students' writing skills. The research method used was descriptive quantitative. This study was conducted at SDI Betun Kota, Wehali Village, Malaka Tengah District, Malaka Regency. The data collection technique used was a test, and the analysis technique used was a statistical t-test. The results showed that 18 students, or 44.44%, obtained high scores in writing skills, while 16.67% scored low in learning outcomes. This is evidenced by the results of the significance test, namely t-test of 14.52, which is greater than t-table at the 5% significance level. N = 18 (2.14), or equal to t-test > t-table, or 16.67 > 2.14. Based on the research results above, t-test is greater than t-table, with t-test = 16.67 and t-table = 2.14. Therefore, Ho is rejected and Ha is accepted. Thus, it can be concluded that technology use influences students' writing skills in Indonesian language learning in grade III of SDI Betun Kota.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Science ouverte, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict), Intégrité de la recherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,455
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,001
Méta-épidémiologie (sens strict)0,0030,003
Méta-épidémiologie (sens large)0,0040,002
Bibliométrie0,0020,004
Études des sciences et des technologies0,0030,001
Communication savante0,0030,003
Science ouverte0,0080,003
Intégrité de la recherche0,0010,004
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,300
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle