MétaCan
Menu
Retour à la cohorte
Enregistrement W4317366230 · doi:10.47030/administrasita.v13i2.455

FAKTOR-FAKTOR YANG MEMPENGARUHI LEMBAGA PEMBERDAYAAN MASYARAKAT KECAMATAN TAMALANREA DALAM PERENCANAAN PEMBANGUNAN DAERAH DI KOTA MAKASSAR

2022· article· id· W4317366230 sur OpenAlexaff
Hasran Hasran, Zaenal Akhmad

Notice bibliographique

RevueJurnal Ilmiah Administrasita · 2022
Typearticle
Langueid
DomaineSocial Sciences
ThématiqueSMEs Development and Digital Marketing
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésHumanitiesPhysicsArt

Résumé

récupéré en direct d'OpenAlex

Penelitian ini bertujuan untuk mengetahui faktor-faktor yang berpengaruh dalam optimalisasi kinerja Lembaga Pemberdayaan Masyarakat di Kecamatan Tamalanrea Kota Makassar. Tipe penelitian yang digunakan adalah tipe penelitian kuantitatif deskriptif, Dasar penelitian ini adalah metode survey. Populasi adalah keseluruhan komponen yang menjadi objek penelitian, oleh karena itu yang menjadi objek penelitian adalah Pengurus LPM di Kecamatan Tamalanrea, pemerintahan kelurahan dan masyarakat di Kecamatan Tamalanrea. Penulis menggunakan teknik penarikan sampel secara purposive. Untuk memperoleh informasi yang sesuai dengan permasalahan yang diteliti akan digunakan : Data Primer dan Data sekunder. Adapun teknik pengumpulan data yang akan digunakan dalam penelitian ini adalah Kuisioner, Observasi, Study kepustakaan dan Dokumentasi.
 Data yang telah dikumpulkan melalui observasi, dokumentasi dan studi pustaka dalam penelitian ini dijadikan sebagai data sekunder, sedangkan data yang diperoleh dari kuisioner dianalisis secara kuantitatif dengan menggunakan program SPSS. Berdasarkan hasil Penelitian, didapatkan Faktor–faktor yang memengaruhi kinerja pengurus Lembaga Pemberdayaan Masyarakat adalah profesionalisme pengurus Lembaga Pemberdayaan Masyarakat, akurasi data dan informasi, sarana dan prasarana, koordinasi dan motivasi

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,432
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0010,002
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0050,001
Communication savante0,0020,001
Science ouverte0,0030,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0110,001

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,285
Écart entre enseignants0,258 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Ilmiah AdministrasitaMême sujetSMEs Development and Digital MarketingTravaux en français237 207