MANAJEMEN DAN PENGURANGAN RISIKO BENCANA MELALUI PENGEMBANGAN DESA TANGGUH BENCANA (DESTANA)
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
Bencana alam merupakan acaman besar bagi Indonesia. Selama tahun 2020, dilaporkan terjadi bencana sejumlah 2.939 kejadian di Indonesia. Kabupaten Magelang merupakan salah satu wilayah di provinsi Jawa Tengah yang memiliki tingkat risiko bencana yang tinggi. Kabupaten Magelang juga berada pada sesar tektonik yang berpotensi terjadi gempa bumi. Selain itu, aspek iklim juga menjadi ancaman bencana, pasalnya curah hujan yang dibarengi oleh aktivitas vulkanik maupun tektonik dapat memicu bencana tanah longsor dan banjir. Pengembangan Desa Tangguh Bencana (DESTANA) dapat dijadikan sebagai upaya pengurangan risiko bencana dengan berbasis pemberdayaan masyarakat. Kegiatan pengembangan DESTANA ini bertujuan untuk: 1). Menggambarkan risiko bencana di Kabupaten Magelang, 2). Menggambarkan kondisi masyarakat Kabupaten Magelang dalam Kesiapsiagaan Penanggulangan Bencana, 3). Mengembangkan model desa tangguh bencana dengan pendekatan Participatory Action Research di Kabupaten Magelang. Dalam implementasinya, program ini bekerjasama dengan Perkumpulan Keluarga Berencana Indonesia (PKBI) dan Badan Penanggulangan Bencana Daerah (BPBD) Kabupaten Magelang. Temuan penelitian menginformasikan pengembangan model DESTANA dalam upaya manajemen dan pengurangan risiko bencana di Kabupaten Magelang. Konsisten dengan pendekatan participatory action research, mereka yang paling berisiko terdampak bencana akan dilibatkan dalam semua fase penelitian termasuk desain awal, pengembangan penelitian alat dan proses, pengumpulan dan analisis data, desain dan implementasi intervensi, dan penyusunan program.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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