MétaCan
Menu
Retour à la cohorte
Enregistrement W7154364804 · doi:10.31764/geography.v13i1.29194

ANALISIS POLA PEMBELAJARAN DALAM PEMBELAJARAN BERDIFERENSIASI PADA ERA SOCIETY 5.0 SEBAGAI IMPLEMENTASI KURIKULUM MERDEKA

2025· article· W7154364804 sur OpenAlexaff
Hidayati Hidayati, Ribut Eriyanti, Dian Ekamayasari, Indah Permaisuri, Muhammad Nabil

Notice bibliographique

RevueGEOGRAPHY Jurnal Kajian Penelitian dan Pengembangan Pendidikan · 2025
Typearticle
Langue
DomaineSocial Sciences
ThématiqueEducational Curriculum and Learning Methods
Établissements canadiensNorth American Construction Group (Canada)
Organismes subventionnairesnon disponible
Mots-clésComicsVariety (cybernetics)School teachers

Résumé

récupéré en direct d'OpenAlex

Abstrak: Menurut Tomlinson, guru dapat menggunakan berbagai macam aktivitas dalam pembelajaran berdiferensiasi untuk memenuhi kebutuhan setiap siswa, maka diharapkan seluruh siswa dapat mempelajari materi sesuai dengan pemahaman dan kemampuan masing-masing, mencegah terjadinya frustasi dan menumbuhkan kenyamanan dalam proses pembelajaran di era society 5.0 yang berlatar belakang sosial yang menuntut pembelajaran inovatif dan berbasis teknologi. Penelitian ini bertujuan untuk menganalisis efektivitas pola pembelajaran yang menggunakan teknologi dalam pembelajaran berdiferensiasi pada Kurikulum Merdeka di kelas VII SMPN 1 Pemenang. Penelitian ini menggunakan pendekatan kualitatif untuk mengeksplorasi fenomena yang terjadi di lapangan melalui metode observasi, wawancara, dan dokumentasi. Hasil penelitian menunjukkan bahwa penggunaan e-learning dengan metode blended learning atau hybrid yang menggabungkan pembelajaran secara daring dan tatap muka mampu menciptakan pengalaman belajar yang lebih komprehensif dan signifikan karena penggunaannya mampu meningkatkan efektivitas dengan penerapan metode dan inovasi pemanfaatan media bagi siswa dalam peningkatan pemahaman, ketrampilan belajar secara mandiri juga mampu menilai diri sendiri. Selain itu, metode ini juga melibatkan orang tua dimana hal ini sekaligus dapat mempersiapkan siswa untuk menghadapi tantangan dunia nyata dengan keterampilan yang lebih baik. Abstract: According to Tomlinson, teachers can implement a variety of learning activities in differentiated instruction to address the diverse needs of students. This approach ensures that students can engage with the material according to their respective levels of understanding and ability, thereby minimizing frustration and fostering comfort in the learning process. In the era of Society 5.0—characterized by a socially-driven demand for innovation and technology-based education—differentiated learning becomes increasingly relevant. This study aims to analyze the effectiveness of technology-integrated learning patterns within differentiated instruction as implemented in the Independent Curriculum. Using a qualitative research approach, this study explores real-world phenomena through observation, interviews, and documentation. The findings reveal that employing e-learning through blended or hybrid learning models, which combine online and face-to-face instruction, offers a more holistic and impactful learning experience. This method enhances learning effectiveness by integrating diverse strategies and innovative media to support student comprehension, independence, and self-assessment skills. Moreover, the involvement of parents in this approach contributes to preparing students for real-world challenges by equipping them with more adaptive and relevant competencies

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,039
Score d'incertitude au seuil0,131

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0010,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0390,005

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 Opus0,015
Tête enseignante GPT0,329
Écart entre enseignants0,313 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGEOGRAPHY Jurnal Kajian Penelitian dan Pengembangan PendidikanMême sujetEducational Curriculum and Learning MethodsTravaux en français237 207