PENERAPAN PEMBELAJARAN INKUIRI MODEL ALBERTA UNTUK MENINGKATKAN HASIL BELAJAR SISWA SMP PADA MATA PELAJARAN TIK
Notice bibliographique
Résumé
Penelitian ini bertujuan untuk mengetahui hasil belajar siswa setelah penerapan pembelajaran inkuiri Model Alberta. Metode Penelitian yang digunakan adalah metode kuasi eksperimen. Penelitian dilakukan pada siswa kelas VIII SMP Negeri 1 Margaasih Tahun Ajaran 2010-2011 pada standar kompetensi menggunakan perangkat lunak pengolah angka untuk menyajikan informasi. Objek penelitian terdiri atas dua kelas, yaitu kelas eksperimen yang menggunakan pembelajaran inkuiri model Alberta dengan jumlah sampel sebanyak 38 siswa dan kelas kontrol yang menggunakan metode pembelajaran konvensional dengan jumlah siswa 38 orang. Hasil penelitian menunjukkan peningkatan hasil belajar siswa pada kelas dengan pembelajaran inkuiri Model Alberta dengan pencapaian nilai rata-rata 3,45 dengan nilai indeks gain sebesar 0,37. Sedangkan peningkatan hasil belajar pada kelas konvensional dengan pencapaian nilai rata-rata 2,24 dengan nilai indeks gain sebesar 0,24. Hasil ini menunjukkan adanya peningkatan hasil belajar dengan pembelajaran inkuiri Model Alberta dibandingkan dengan pembelajaran konvensional. Berdasarkan hasil tersebut penerapan pembelajaran inkuiri model Alberta berpengaruh positif terhadap hasil belajar siswa.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,006 |
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 source (Gemma direct ou Codex distillé), 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 ».