Pengaruh Pelaksanaan Kebijakan Kepegawaian Terhadap Manajemen Pembinaan Pegawai Untuk Mewujudkan Kinerja Pegawai Badan Perencanaan Pembangunan Daerah Kabupaten Garut
Notice bibliographique
Résumé
Tujuan penelitian ini untuk menganalisis pengaruh Pelaksanaan Kebijakan Kepegawaian Terhadap Manajemen Pembinaan Pegawai Untuk Mewujudkan Kinerja Pegawai Badan Perencanaan Pembangunan Daerah Kabupaten Garut. Metode penelitian yang digunakan dalam penelitian ini adalah adalah metode eksplanasi melalui teknik evaluasi. Populasi penelitian adalah seluruh Aparatur Sipil Negara pada Badan Perencanaan Pembangunan Daerah Kabupaten Garut yang terdiri dari 69 pegawai. Teknik penarikan sampel yang digunakan adalah sensus sehingga seluruh populasi dijadikan sampel. Teknik pengumpulan data melalui studi dokumentasi dan studi lapangan, meliputi observasi, angket dan wawancara. Teknik analisis data untuk menjawab hipotesis penelitian adalah analisis statistik dengan model analisis jalur (path analysis). Hasil pengujian hipotesis utama dalam penelitian ini dapat disimpulkan bahwa pelaksanaan kebijakan Kepegawaian (X) berpengaruh terhadap Manajemen Pembinaan Pegawai (Y) untuk mewujudkan kinerja Pegawai Badan Perencanaan Pembangunan Daerah Kabupaten Garut (Z). Artikel ini berkesimpulan bahwa kinerja pegawai akan terwujud apabila manejemen pembinaan pegawai dapat dioptimalkan sebagai bentuk pelaksanaan kebijakan Kepegawaian.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,040 | 0,007 |
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 ».