IMPLEMENTASI KEBIJAKAN PENANGANAN PANDEMI COVID-19 DI KOTA SUKABUMI (STUDI KASUS PEMBATASAN SOSIAL BERSKALA BESAR)
Notice bibliographique
Résumé
Tujuan penelitian ini adalah untuk mengetahui Implementasi kebijakan penanganan pandemi covid-19 di Kota Sukabumi (Studi Kasus Pembatasan Sosial Berskala Besar). Metode penelitian yang digunakan dalam penelitian ini adalah pendekatan kualitatif dimana dalam penelitian yang dilakukan bersifat deskriptif yang menggambarkan fenomena sebenarnya dari kejadian di lapangan. Teknik pengumpulan data menggunakan teknik Wawancara, Observasi, dan dokumen yang terkait dengan penelitian. Teknik analisis data dalam penelitian ini dilakukan secara kualitatif. Penelitian ini menggunakan empat dimensi implementasi kebijakan dari Edward III meliputi sumber daya, komunikasi, disposisi, dan struktur birokrasi. Dari penelitian diperoleh kesimpulan bahwa sejauh ini pegawai Pemerintah Kota Sukabumi memiliki keahlian yang mumpuni dan sesuai dengan yang dibutuhkan dalam menjalankan pro-gram-program yang ada. Untuk sarana prasarana yang dimiliki oleh in-stansi belum dapat berjalan dan mendukung sepenuhnya dalam im-plementasi ini.
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 | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,038 | 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 ».