Penggunaan Teknologi Informasi Dan Komunikasi Yang Bijak Bagi Remaja Pada Era Globalisasi
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Hampir 90% masyarakat sudah akrab dengan teknologi informasi di era arglobalisasi ini bahkan menjadikan bagian kehidupan masyarakat. Kementerian Komunikasi dan Informatika menyatakan, penggunainternet di Indonesia hingga saat ini telah mencapai 82 juta orang, dengan capaian tersebut Indonesia beradapada peringkat ke-8 di dunia dan untuk pengguna smartphone terbesar ke 5 dunia, Untuk pengguna facebook,Indonesia di peringkat ke-4 besar dunia. Dari 80 % pengguna internet tersebut di antaranya adalah remajaberusia 15-19 tahun yaitu hampir 18,4 %. Dalam upaya untuk membantu tambahan pengetahuan tentang pemanfaatan teknologi informasi dankomunikasi pada era globalisasi agar dapat menggunakannya secara benar dan bisa digunakan sebagai ajangkreativitas para remaja maka diperlukannya penyuluhan dan diskusi tentang pengaruh teknologi informasi dankomunikasi bagi remaja di sekolah – sekolah sehingga dapat memanfaatkan teknologi informasi secara benardan tepat, hal terebut diwujudkan dalam kegiatan penyuluhan. Untuk mengetahui pemanfaatan dan pengetahuan serta intensitas waktu penggunaan internet makadilakukan quisioner dengan mengambil responden sebanyak 25 orang murid, hasil quisioner menunjukanbahwa responden setuju media sosial digunakan untuk sharing pelajaran sebesar 100%, namun demikian tidakdibarengi dengan pemanfaatanya untuk menunjang kegiatan belajar, tugas guru, dan mencari materi pelajaranrata – rata hanya 0,4 %. Media yang digunakan dalam mengakses internet adalah smartphone sebesar 6 %,media social yang digunakan whatsapp sebesar 64%, dan waktu yang digunakan rata – rata kurang dari 1 jamsebesar 36%.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,002 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 découle