Penyusunan Indeks Kerawanan Sosial Demam Berdarah Dengue Provinsi-Provinsi di Indonesia Tahun 2019
Notice bibliographique
Résumé
Kerawanan sosial pada penyakit Demam Berdarah Dengue (DBD) merupakan karakteristik komunitas terkait kapasitas mereka untuk mengantisipasi, menghadapi, dan pulih dari dampak kejadian DBD. Untuk mengurangi dampak penyakit DBD dapat dilakukan dengan menurunkan kerawanan sosial penduduknya. Oleh karena itu, untuk mengetahui tingkat kerawanan sosial di suatu wilayah, tujuan penelitian ini adalah menyusun Indeks Kerawanan Sosial DBD (IKS DBD) provinsi-provinsi di Indonesia tahun 2019. Metode analisis yang digunakan dalam penyusunan indeks adalah analisis faktor eksploratori. Hasil penelitian menunjukkan terdapat 4 faktor penyusun IKS DBD yaitu kondisi tempat tinggal, kebutuhan kesehatan, sanitasi, dan penduduk berisiko. Hasil perhitungan IKS DBD menunjukkan bahwa sebagian besar provinsi di Indonesia berada pada kategori kerawanan sosial sedang dimana provinsi dengan IKS DBD tertinggi adalah Papua dan IKS DBD terendah adalah DI Yogyakarta. Kesimpulannya, kondisi tempat tinggal, kebutuhan kesehatan, sanitasi, dan penduduk berisiko merupakan faktor-faktor yang signifikan berkontribusi sebagai penyusun IKS DBD provinsi-provinsi di Indonesia tahun 2019.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».