PENGELOMPOKKAN KABUPATEN/KOTA DI PROVINSI JAMBI BERDASARKAN KOMPONEN SEKTOR PENDIDIKAN
Notice bibliographique
Résumé
Pendidikan memegang peranan yang sangat penting dalam meningkatkan sumber daya manusia..Pada masa pandemi Covid-19 seperti saat ini, dunia pendidikan tengah berada dalam kekacauan. Kualitas pendidikan di suatu wilayah dapat dilihat dari nilai Angka Partisipasi Sekolah (APS), Angka Partisipasi Murni (APM), Angka Partisipasi Kasar (APK). Nilai-nilai tersebut juga merupakan indikator tercapainya pembangunan dalam bidang pendidikan di suatu wilayah. Metode yang digunakan pada penelitian kali ini adalah metode single lingkage. Berdasarkan algoritma cluster yang dilakukan diperoleh hasil bahwa dari 11 Kabupaten/Kota di Provinsi Jambi terkelompok 4 cluster yaitu cluster 1 terdiri dari Kerinci dan Kota Sungai Penuh, cluster 2 terdiri dari Merangin, Tanjung Jabung Barat, Bungo dan Tebo, cluster 3 terdiri dari Sarolangun, Batanghari, Tanjung Jabung Timur dan Muaro Jambi dan cluster 4 terdiri dari Kota Jambi. Keempat cluster tersebut diurutkan berdasarkan tingkatannya yaitu cluster 1 sangat baik, cluster 2 cukup baik, cluster 3 baik dan cluster 4 lebih baik.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,004 |
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 ».