OFFICIAL STATISTICS UNTUK PEMODELAN INDEKS PENDIDIKAN MELALUI ANALISIS REGRESI DATA PANEL
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Indonesia sebagai negara bekembang tengah banyak melakukan berbagai upaya pembangunan di berbagai sektor untuk menaikan indeks-indeks yang digunakan sebagai ukuran suatu negara maju. Bukan tanpa hasil, belakangan Indonesia dianggap sebagai salah satu negara yang memiliki perekonomian yang stabil di tengah kondisi ketidakpastian ekonomi secara global. Namun, ukuran suatu negara maju tidak hanya diukur melalui kondisi ekonomi, tetapi juga mencakup sektor kesehatan dan pendidikan. Hal ini yang kadang dipandang sebagai kondisi dilematis bagi pemerintah. Di satu sisi, pemerintah gencar dalam pemerataan pendapatan melalui pembangunan infrastruktur. Di sisi lain, hal-hal yang menyangkut kesejahteraan rakyat cenderung tidak menjadi prioritas. Misalkan di sektor pendidikan yang merupakan salah satu pilar pembangun negeri. Indeks pendidikan tertinggi diraih oleh provinsi DKI Jakarta sebagai ibukota negara. Sementara ketimpangan sangat terlihat untuk wilayah-wilayah lain, bahkan untuk wilayah-wilayah yang masih bertetangga dengan DKI Jakarta. Di Jawa Barat misalnya. Beberapa wilayah di Jawa Barat masih berdekatan dengan DKI Jakarta, seperti Bekasi, Depok, dan Bogor. Namun nyatanya indeks pendidikan di Jawa Barat masih tertinggal cukup jauh dengan DKI Jakarta. Untuk itu, studi ini bertujuan untuk membandingkan faktor-faktor yang memengaruhi indeks pendidikan di Jawa Barat yang dibagi ke dalam wilayah kota dan kabupaten menggunakan analisis regresi data panel. Peubah penjelas yang digunakan adalah indeks keparahan kemiskinan, jumlah penduduk miskin, laju pertumbuhan penduduk, dan angka harapan hidup masing-masing untuk tahun 2011 hingga 2018. Hasilnya menunjukkan model pengaruh tetap dengan efek waktu adalah model terbaik untuk menggambarkan indeks pendidikan di wilayah kota maupun kabupaten denga R2 masing-masing sebesar 93,2% dan 37,9%.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
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 découle