MétaCan
Menu
Retour à la cohorte
Enregistrement W3123218820 · doi:10.34123/semnasoffstat.v2020i1.605

FAKTOR YANG MEMPENGARUHI PENGGUNAAN SUMBER AIR MINUM LAYAK DI BENGKULU TAHUN 2018

2021· article· id· W3123218820 sur OpenAlexaff
Ziko Mildulandy Rahim, Siti Muchlisoh

Notice bibliographique

RevueSeminar Nasional Official Statistics · 2021
Typearticle
Langueid
DomaineMedicine
ThématiquePublic Health and Nutrition
Établissements canadiensWiLAN (Canada)
Organismes subventionnairesnon disponible
Mots-clésPhysicsHumanitiesArt

Résumé

récupéré en direct d'OpenAlex

Sumber air minum dan sanitasi layak merupakan komponen yang menjadi indikator baik buruknya lingkungan hidup. Air tidak dapat dipisahkan dari kehidupan manusia. Air menjadi kebutuhan dasar dan digunakan untuk minum, memasak, mencuci, mandi dan kegiatan lain yang bergantung pada air bersih sehingga air sangat penting bagi kehidupan manusia, bahkan makhluk hidup lainnya. Selain itu juga, sumber air dan sanitasi layak menjadi salah satu dari indikator utama dalam tujuan pembangunan berkelanjutan (SDGs) pada tujuan 6. Sumber air dapat berpengaruh terhadap perekonomian dan juga terhadap kesehatan. Semakin baik kualitas air yang digunakan, maka akan berpengaruh secara langsung terhadap baiknya kualitas kesehatan dan juga berpengaruh secara tidak langsung terhadap perekonomian. Provinsi Bengkulu merupakan provinsi dengan persentase sumber air layak terendah di Indonesia. Lebih dari setengah penduduknya menggunakan sumber air yang tidak layak dan hal tersebut jauh dari sasaran RPJMN yaitu 100 persen akses air minum layak pada tahun 2019. Sehingga penelitian ini bertujuan untuk menganalisis faktor yang mempengaruhi kelayakan sumber air minum yang digunakan di Bengkulu menggunakan metode regresi logistik biner. Dari hasil penelitian didapatkan bahwa faktor sosial ekonomi serta klasifikasi wilayah mempengaruhi penggunaan sumber air minum layak, sedangkan jumlah anggota rumah tangga dan faktor kelangkaan tidak berpengaruh.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,054
Score d'incertitude au seuil0,180

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,001
Communication savante0,0040,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0540,013

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 Opus0,022
Tête enseignante GPT0,304
Écart entre enseignants0,282 · 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'étudeObservationnel
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

Citations6
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSeminar Nasional Official StatisticsMême sujetPublic Health and NutritionTravaux en français237 207