KESIAPAN MAHASISWA PROGRAM STUDI PJKR FIK UNY DALAM \nPENYUSUNAN RENCANA PELAKSANAAN PEMBELAJARAN GUNA MENGHADAPI PENGENALAN LAPANGAN PERSEKOLAHAN TAHUN 2019
Notice bibliographique
Résumé
Penelitian ini bertujuan untuk mengetahui kesiapan mahasiswa Program Studi PJKR FIK UNY dalam penyusunan Rencana Pelaksanaan Pembelajaran (RPP) guna menghadapi Pengenalan Lapangan Persekolahan (PLP) tahun 2019. \nJenis penelitian ini adalah penelitian deskriptif kuantitatif dengan metode survey. Populasi penelitian ini adalah mahasiswa Prodi PJKR angkatan 2016 FIK UNY. Sampel yang diperoleh sebanyak 96 responden, dengan pengambilan sampel teknik insidental sampling. Instrumen yang digunakan adalah angket secara online melalui pengisian google formulir dari link yang telah dibagikan. Hasil statistik uji \nvaliditas penelitian ini bernilai 96 dan hasil reliabilitas penelitian ini 0,873 menggunakan 40 mahasiswa. Hasil dari 45 pernyataan dinyatakan gugur 8 butir sehingga yang valid 37 butir untuk pengumpulan data penelitian. Teknik data \nmenggunakan deskriptif persentase. \nHasil penelitian ini menunjukkan kesiapan mahasiswa Prodi PJKR FIK UNY dalam penyusunan RPP guna menjalani PLP tahun 2019 terdapat 11 mahasiswa kategori sangat siap (11,46%), 23 mahasiswa kategori siap (23,96%), 28 mahasiswa kategori cukup siap (29,17%), 33 mahasiswa kategori kurang siap \n(34,38%) dan 1 mahasiswa kategori sangat tidak siap (1,04%). Setelah adanya penelitian ini diharapkan, mahasiswa Prodi PJKR FIK UNY dapat meningkatkan pemahaman dalam penyusunan RPP.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,009 |
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 ».