MULTIPLE INTELLIGENCES AS BASIS FOR THE USE OF LEARNING STATION IN TEACHING BIOLOGY
Notice bibliographique
Résumé
One of the big challenges the science education faces is identifying whether learning has really occurred when doing what is called “one-size-fits-all” type of activities. Thus, different strategies and approaches in teaching science have been proposed and used by educators to accommodate the complexity of the learners. The study covered the identification of multiple intelligences of Grade 8 students and its effect on multiple intelligence-based learning stations in teaching Biology. This study also determined to examine the efficiency and usability of Learning Station in teaching Biology and how it enhanced students’ performance. The period of research covered the fourth quarter of Grade 8 Science, School Year 2017-2018. In this view, the study employed the mixed- approach in research which comprised of descriptive and quasi-experimental one group research design. The Dominant Multiple Intelligences (MI) exhibited by Grade 8 students as assess showed that there were four (4) MI and these include Kinesthetic, Intrapersonal, Musical and Existential. More so, topics in teaching Biology 8 that were considered or the basis in using developed learning station. Furthermore, the students’ performance in every station based on their pre-test and post-test in terms of Mean Score, MPS, and SD showed that there is an increase in terms of the score from the post-test and pre-test. Considerably, the increase is significant. The assessment on comments and suggestions of the developed learning station showed that it is cost-efficient and economical, the language used is appropriate to users’ age, great number of students to execute at a time and easy to store and transport, and have maximum collaboration on shared products, and activities appropriate on classroom size.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».