MétaCan
Menu
Retour à la cohorte
Enregistrement W2765716019 · doi:10.5539/ass.v13n11p152

The Soldiers Welfare: The Military Keynesianism Perspective for The Indonesian Armed Forces’s Professionalism

2017· article· en· W2765716019 sur OpenAlexvenueno aff
Muradi Muradi

Notice bibliographique

RevueAsian Social Science · 2017
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueDefense, Military, and Policy Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInstitutionWelfareIndonesianContext (archaeology)Political scienceGovernment (linguistics)SovereigntyPublic administrationEconomic JusticeDemocracyChristian ministryWelfare stateLaw

Résumé

récupéré en direct d'OpenAlex

Building professional soldiers into the wishes and commitments of many countries, this is due to the strengthening of threats that are not only traditional threats, but also non-traditional threats. This situation confirms that the presence of professional soldiers will ensure the sovereignty of the state, because the military institution can focus on its duties and functions on the defense of the country. In this context, the Indonesian Armed Forces (Tentara Nasional Indonesia—TNI) is also faced with situations that place TNI institutions to become professionals, relying on democratic civilian government through the defense ministry with an emphasis on improving the welfare of soldiers simultaneously with efforts to modernize Indonesia's defense system. Because the Military-Keynesianism approach believes that improving the welfare of the army is part of the consequences of increasing defense budgets. The paper argues that the increase in defense budget will be correlated with the welfare of the army, although the policy is not directly for the welfare of the army. The article also argues that the increase in the defense budget should improve the TNI foundation as an ideal institution by emphasizing the welfare of soldiers.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,005
Communication savante0,0020,003
Science ouverte0,0000,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,051
Tête enseignante GPT0,316
Écart entre enseignants0,266 · 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'étudeSans objet
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

Citations1
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAsian Social ScienceMême sujetDefense, Military, and Policy StudiesTravaux en français237 207