Lewati ke konten

Basis pengetahuan untuk belajar dinamis, penilaian, dan modul.

Gunakan referensi ini untuk siklus produk, kebijakan klaim, dan landasan teknis di balik belajar mandiri yang dinilai AI.

Cara kerja mesin pembelajaran

Pengukuran dan mol

Angka penting, konversi satuan, mol dan rumus, serta kebiasaan yang menangkap kesalahan perhitungan.

Reaksi dan stoikiometri

Penyetaraan persamaan, pereaksi pembatas, konsentrasi larutan, jenis reaksi, dan redoks.

Atom, ikatan, dan tata nama

Konfigurasi elektron, kecenderungan periodik, struktur Lewis, bentuk molekul, dan nama senyawa.

Gas, energi, dan asam

Gaya antarmolekul, hukum gas, entalpi, hukum Hess, serta asam, basa, dan pH.

Atom, cahaya, dan ikatan

Isotop, spektrum atom, bilangan kuantum, keelektronegatifan, dan hibridisasi orbital.

Larutan, fase, dan termodinamika

Titrasi, sifat koligatif, diagram fase, entropi dan energi bebas, serta peluruhan inti.

Kinetika dan kesetimbangan

Hukum laju, waktu paruh, energi aktivasi, tetapan kesetimbangan, dan asas Le Chatelier.

Perhitungan kesetimbangan dan elektrokimia

Tabel ICE, asam lemah dan basa lemah, larutan penyangga, hasil kali kelarutan, dan potensial sel.

Belajar mandiri

Bagaimana latihan menyesuaikan diri, cara merencanakannya, dan cara membuatnya bertahan lama.

Membantu pembelajar

Untuk guru, tutor, orang tua, dan mentor yang membaca sinyal dari seorang pembelajar.

Cara kami membuat klaim

Sumber di balik setiap pernyataan tentang model atau evaluasi di situs ini.

Cara kerja mesin pembelajaran

  • Memperlakukan setiap jawaban sebagai bukti, bukan nilai akhir.
  • Menanggapi balik ketika penalaran tampak masuk akal tetapi belum lengkap.
  • Memakai sinyal itu untuk memilih pertanyaan berikutnya alih-alih memulai ulang jalur belajar.

Produk ini mengubah latihan menjadi model pemahaman yang terus berjalan.

  1. Sebuah respons menjadi bukti.

    Jawaban, tingkat keyakinan, penjelasan, dan penalaran yang terlihat menunjukkan apa yang mungkin sudah kokoh dan apa yang mungkin masih rapuh.

  2. Bukti memperbarui sinyal penguasaan.

    Sistem menjaga perkiraan pemahaman tingkat konsep yang terus berjalan dan dapat direvisi, alih-alih memperlakukan satu jawaban sebagai skor akhir.

  3. Graf membentuk langkah berikutnya.

    Prasyarat dan konsep terkait membantu menentukan apakah akan maju, mengulang fondasi, atau mengajukan pertanyaan lanjutan yang lebih tajam.

Bukan urutan kursus yang tetap.

Robotutor adalah infrastruktur pembelajaran adaptif berbasis model: latihan, perkiraan penguasaan, dan pertanyaan lanjutan menyesuaikan seiring perubahan sinyal Anda.

  • Pemodelan penguasaan berbasis bukti

    Bukti dari pelajar ditimbang dari waktu ke waktu, sehingga menebak, ketidakpastian, dan penalaran yang yakin tidak terlihat sama.

  • Pengurutan berbasis graf

    Konsep dihubungkan oleh sisi prasyarat dan sisi gagasan terkait, sehingga sebuah jalur dapat diturunkan dari struktur, bukan dari urutan pelajaran yang tetap.

  • Pertanyaan yang menguji

    Pertanyaan menyelidiki penalaran di balik sebuah jawaban, termasuk kasus tepi dan asumsi yang berubah, sehingga miskonsepsi menjadi terlihat.

  • Pencarian hibrida

    Kemiripan semantik dan penelusuran graf digabungkan agar respons berpijak pada makna sekaligus hubungan konseptual yang eksplisit.

Untuk bantuan akun, masukan peluncuran, atau pertanyaan produk, kirim email ke support@precision-learning.org.