MétaCan
Menu
Retour à la cohorte
Enregistrement W4353002179 · doi:10.21632/jpmi.4.2.231-243

Peningkatan Kompetensi SMK dengan Keterampilan Computer Aided Design

2022· article· en· W4353002179 sur OpenAlexaff
Farid Wajdi, Muhammad Nurhaula Huddin, Delly Maulana

Notice bibliographique

RevueJurnal Pemberdayaan Masyarakat Indonesia · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Theoretical and Applied Studies in Material Sciences and Geometry
Établissements canadiensWiLAN (Canada)
Organismes subventionnairesnon disponible
Mots-clésVocational educationCADCurriculumService (business)Mathematics educationVocational schoolField (mathematics)UnemploymentCommunity serviceMedical educationEngineering managementPsychologyPedagogyEngineeringBusinessMarketingPolitical scienceMedicineMathematicsPublic relationsEngineering drawingEconomic growth

Résumé

récupéré en direct d'OpenAlex

Human capitals in the computer field are required in the Industrial Era 4.0. Vocational schools (SMK) are aimed to produce graduates who are ready-to-use to work in industries. However, SMK graduates are one of the major contributors to high unemployment in Indonesia. Teachers with skills in the field of computer technology are scarce. In addition, the facilities and infrastructure are limited in many SMK schools, especially in rural areas. This community service activity was carried out at SMK Muhammadiyah Tirtayasa. The school is located in the northern coastal rural area of Serang Regency. This community service activity provided assistance to Computer Aided Design (CAD) skills by targeting teachers and students. CAD skills can provide skills for vocational graduates who will have careers in industry. The result showed an increase in the skills of participants in the field of 2D/3D CAD drawing. The activity was very fruitful and can be further followed up by both expanding the partner schools or integrating school curriculum which adopts CAD skills with the aim of developing further the CAD knowledge.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,387
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,202
Écart entre enseignants0,192 · 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; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Pemberdayaan Masyarakat IndonesiaMême sujetAdvanced Theoretical and Applied Studies in Material Sciences and GeometryTravaux en français237 207