EVALUASI ON GOING DANA ALOKASI KHUSUS FISIK BIDANG PENDIDIKAN DALAM MASA PANDEMI CORONA VIRUS DISEASE-19 BERBASIS INTELLIGENCE MEDIA MANAGEMENT (IMM)
Notice bibliographique
Résumé
Alokasi DAK bidang pendidikan selalu tersedia setiap tahun dengan jumlah anggaran yang besar dibandingkan bidang yang lain, bahkan di masa pandemi COVID-19. Pada level pemerintah daerah, bidang pendidikan adalah prioritas. Kebutuhan pendanaan pemerintah daerah melalui DAK Fisik diharapkan selaras dengan keinginan pemerintah pusat. Pelaksanaan DAK Fisik Bidang Pendidikan sebagai instrumen pendanaan ke daerah pada tahun 2020 menghadapi tantangan mewabahnya COVID-19 pada bulan Maret yang mempengaruhi optimalisasi proses pembangunan. Pemerintah mengambil opsi kebijakan relaksasi untuk mempermudah implementasi DAK di lapangan. Hal ini memerlukan evaluasi on-going dengan metode sesuai keadaan saat itu sebagai masukan untuk perencanaan tahun berikutnya. Implementasi DAK Fisik dan segala menu-menunya mendorong pentingnya informasi capaian maupun kendala lapangan tetap aktual serta dapat dipertanggungjawabkan secara ilmiah. Penelitian bertujuan menyajikan kendala, informasi dan hal-hal terkait pelaksanaan DAK Fisik Bidang Pendidikan tahun 2020 saat masa pandemi COVID-19 sebagai respons kondisi terkini tanpa harus melakukan kunjungan lapangan. Metode yang digunakan adalah studi literatur dan analisis statistik berbasis big data sebagai opsi yang relevan dengan situasi saat ini dalam rangka landasan memberikan rekomendasi perencanaan pembangunan. Analisis big data memanfaatkan tools Intelligence Media Management (IMM) untuk melihat persepsi publik terkait pelaksanaan DAK Fisik Bidang Pendidikan saat pandemi COVID-19. Hasil penelitian menunjukkan bahwa sebanyak 40 persen pemberitaan terkait DAK Bidang Pendidikan selama Pandemi COVID-19 berupa sentimen positif, 17 persen negatif dan 43 persen sentimen netral. Dalam sentimen negatif, pemberitaan yang disorot adalah tuntutan agar pengelola DAK dapat segera menyelesaikan pembangunan sesuai petunjuk teknis di lapangan. Top issue pemberitaan DAK Pendidikan sebagai masukan perbaikan pembangunan adalah tentang temuan-temuan ketidaksesuaian data pokok pendidikan (DAPODIK) dengan fakta di lapangan yang pada akhirnya berdampak pada kurang tepatnya sasaran penerima DAK. Kata Kunci: Big Data, DAK, Evaluasi, Pendidikan
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 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 ».