PEMBERDAYAAN ANAK PUTUS SEKOLAH MELALUI OPTIMALISASI PKBM DI DESA BATU BERIGA
Notice bibliographique
Résumé
One of the problems in Batu Beriga Village is the problem of education. From the educational statistics for the Batu Beriga village community, the highest number of graduates of 517 was elementary school graduates, then 342 junior high school graduates and 280 high school graduates. And also data on dropouts in Batu Beriga village were 10 elementary school dropouts, 15 junior high school dropouts, and 15 people dropped out of high school. The twelve-year compulsory education program with the policies and programs of the Student Operational Assistance (BOS) and the Smart Indonesia Program (PIP) set by the government. Therefore, knowledge about the importance of education and PKBM will be given to out-of-school children in Batu Beriga village with an Inspirational Talk Show on Strengthening Educational Motivation for Dropout Children to collect data on children's interest in participating in PKBM, and registering children to take part in PKBM. The method used is the counseling method with the preparation and licensing stages, the implementation stage, and the evaluation stage. Overall, this community service activity went very well and was conducive. All participants who attended calmly followed the whole activity. Until the completion of the presentation of the material by the speaker, all participants listened carefully. There were 7 school dropouts who enrolled in PKBM.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,002 |
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 ».