MétaCan
Menu
Retour à la cohorte
Enregistrement W3113276925 · doi:10.33487/edumaspul.v4i2.715

Pengembangan Program Sanggar Kegiatan Belajar (SKB) Kabupaten Enrekang melalui Model Kemitraan

2020· article· id· W3113276925 sur OpenAlexaff
Ibrahim Ibrahim, Saidang Saidang, Suparman Suparman

Notice bibliographique

RevueEdumaspul - Jurnal Pendidikan · 2020
Typearticle
Langueid
DomaineSocial Sciences
ThématiqueEducational Curriculum and Learning Methods
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésHumanitiesPhysicsPolitical scienceSociologyPhilosophy

Résumé

récupéré en direct d'OpenAlex

Banyak permasalahan yang sebenarnya dialami oleh SKB seperti keterbatasan dalam hal pendanaan dan fasilitas. Keterbatasan dana, dan fasilitas menyebabkan peran lembaga mitra sangat penting untuk mendukung penyelenggaraan program di SKB. Lembaga mitra baik pemerintah maupun swasta memiliki peran penting dalam penyelenggaraan dan menentukan keberhasilan program yang dilaksanakan oleh SKB. Dengan menjalin kemitraan dengan lembaga lain, SKB diharapkan dapat mengatasi kelemahan dan tantangan yang terjadi dalam penyelenggaraan programnya. Meskipun lembaga mitra mempunyai peran sangat penting, tetapi masih banyak SKB belum optimal melaksanakan kemitraan dengan lembaga lain dan hanya mengandalkan bantuan pemerintah pusat yang jumlahnya sangat terbatas dan belum dapat mengatasi permasalahan yang ada. Penelitian ini bertujuan untuk : 1) Menggambarkan perencanaan program kemitraan yang dilaksankan oleh UPT SKB Kabupaten Enrekang, 2) Menggambarkan implementasi model kemitraaan yang dilaksanakan oleh UPT SKB Kabupaten Enrekang.Penelitian ini merupakan penelitian kualitatif. Subjek penelitian adalah Kepala UPT SKB Kabupaten Enrekang, pamong UPT SKB Kabupaten Enrekang, staff Dinas Pendidikan Pemuda dan Olahraga Kabupaten Kabupaten Enrekang, serta pengelola PKBM Padel. Pengumpulan data menggunakan metode wawancara. Peneliti merupakan instrument utama penelitian dengan dibantu pedoman wawancara. Teknik analisis data yang dilakukan adalah display data, reduksi data dan penarikan kesimpulan. Teknik trianggulasi yang dilakukan untuk menjelaskan keabsahan data dengan menggunakan trianggulasi sumber.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,040
Score d'incertitude au seuil0,133

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0400,012

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 Opus0,079
Tête enseignante GPT0,375
Écart entre enseignants0,295 · 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'étudeQualitatif
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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEdumaspul - Jurnal PendidikanMême sujetEducational Curriculum and Learning MethodsTravaux en français237 207