STRATEGI KEPEMIMPINAN KEPALA SEKOLAH DALAM MENINGKATKAN KINERJA GURU DI SMA KRAMAT DUKUPUNTANG KABUPATEN CIREBON
Notice bibliographique
Résumé
This research is motivated by the principal's leadership strategy in improving teacher performance which has not been optimal. This is because the school principal only supervises once a year, does not provide motivation to teachers, and lacks infrastructure. Even though a school principal must have a strategy so that gruu performance can increase. \nThis research is a qualitative descriptive study. Data collection was carried out using in-depth interview techniques, observation and documentation. For data analysis using data reduction, data presentation and drawing conclusions. \nThe results of the study, 1) The principal's leadership strategy in improving teacher performance at Kramat Dukuntang High School by dividing teacher assignments, directing teachers to make lesson plans, increasing teacher capacity through the MGMP program, monitoring and evaluating teacher performance improvements. 2) Constraints that occur in the principal's leadership strategy in improving teacher performance at Kramat Dukuntang High School, some teachers are late for school, leave earlier than the specified time in ending the school teaching and learning process, are not motivated to improve performance, do not respond to exemplary leadership and supervision at Kramat Dukuntang High School it is held only once a year, there is a lack of school infrastructure, the superintendent has little role in coaching. 3) The way the principal overcomes obstacles in improving teacher performance at Kramat Dukuntang High School is to increase discipline, provide motivation in developing human resources, the principal supervises once a quarter and coordinates with related parties to complete learning infrastructure.
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 | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,003 | 0,009 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».