Training Of Trainer (Tot) Perencanaan Mitigasi Bencana Untuk Staff Happy Heart
Notice bibliographique
Résumé
Indonesia adalah negara berada dalam jalur gempa teraktif di dunia. Kondisi rentan bencana disebabkan karena Indonesia berada dalam lingkaran api (ring of fire) Pasifik dan berada di atas tiga tumbukan lempeng benua. Pelatihan penanganan bencana sudah seyogianya menjadi prioritas untuk daerah yang rawan bencana. Dengan cakupan wilayah yang luas maka pelatihan untuk mempersiapkan pelatih agar mampu menangani bencana sangat penting. Usaha Yayasan Happy Heart bekerjasama dengan Universitas Pelita Harapan mengadakan kegiatan pengabdian kepada masyarakat di Nusa Tenggara Barat dengan program Training of Trainer (TOT) Perencanaan Mitigasi Bencana sangat penting untuk membantu perencanaan mitigasi bencana. Kegiatan ini diadakan di SD Arrahman Dusun Kecinan Desa Malaka Kec. Pamenang Kab. Lombok Utara, Nusa Tenggara Barat yang mengalami kerusakan parah akabit gempa bumi 15 Agustus 2018. Gedung sekolah yang rusak karena dampak gempa sudah selesai dibangun oleh Yayasan Happy Heart tahun 2019. TOT ini diharapkan mampu menghasilkan para pelatih yang kompeten merencanakan mitigasi bencana. Jumlah peserta 5 orang dan dilaksanakan dalam dua hari dengan variasi metode yang menyeluruh mulai dari ceramah, diskusi, simulasi, praktik komputer hingga praktek lapangan. Berdasakan evaluasi yang dilakukan secara umum pelatihan berlangsung dengan baaik dan bermanfaat bagi peserta untuk mendukung program sekolah siaga bencana disekolah yang sudah dibangun Happy Heart yang pada umumnya berada pada daerah rawan bencan
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,104 | 0,027 |
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 ».