Pembelajaran Partisipatif Secara Daring bagi Petani Sorgum di Kabupaten Ende, Nusa Tenggara Timur
Notice bibliographique
Résumé
Dryland is a potential food production in the future and sorghum is one of the potential commodities to be developed. Sorghum has been cultivated by a small number of people in Ende Regency, such as in Kotabaru and Nangapanda sub-districts. However, the cultivation has not yet applied cultivation techniques to achieve production optimization. In addition, there are still many limitations in knowledge of processing the production of sorghum seeds, leaves, and stems. Farmers have not enjoyed and received the benefits of cultivation so far. The purpose of this study is to increase awareness, understanding, and knowledge about the importance of sorghum to support food security and farmer welfare in Ende Regency, and to map the potential of online learning for farmers. The online learning was carried out in Kotabaru Village with the target being the Kema Sa Ate Women Farmers Group (KWT), which are sorghum cultivators. Learning is carried out using the lecture plus method (lecture-discussion) using a zoom meeting. Learning materials about harvesting and post-harvesting sorghum. The obstacle faced in this online learning is a device that does not support it. This problem was solved by involving a learning facilitator played by Field Agricultural Extension (PPL). Participants' initial knowledge before the training program was 3.8 and after training the final knowledge was 7.2. Based on the initial and final knowledge, it can be concluded that there is an increase in knowledge of 89.5%. The level of participant satisfaction with the 5 indicators proposed in the evaluation of the learning implementation process is very high, more than 80%. The level of participants' satisfaction with the five indicators in the evaluation of the training process also increased. More than 90% for problem solving in the field, speaker competence, and the level of urgency of information, while for media innovation and training methods more than 80%.
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 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,042 | 0,006 |
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 ».