MétaCan
Menu
Retour à la cohorte
Enregistrement W4384108212 · doi:10.21002/jke.2022.09

Hubungan Tingkat Kesejahteraan Masyarakat terhadap Jumlah Pekerja Migran Indonesia di Kab./Kota Tahun 2015-2019

2022· article· id· W4384108212 sur OpenAlexaff
wawan Fahrudin, Hera Susanti

Notice bibliographique

RevueJurnal Kebijakan Ekonomi · 2022
Typearticle
Langueid
DomaineSocial Sciences
ThématiqueMigration and Labor Dynamics
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésPolitical scienceGeography

Résumé

récupéré en direct d'OpenAlex

Penelitian ini bertujuan menganalisis pengaruh tingkat kesejahteraan terhadap jumlah pekerja migran di kabupaten dan kota pada tahun 2015-2019. Dari variabel yang diukur dalam penelitian ini dengan regresi Random Effect Model (REM) ditemukan fakta bahwa variabel yang memiliki tingkat elastisitas tinggi adalah jumlah pekerja migran Indonesia (PMI) pada tahun sebelumnya, dan jumlah PMI pada 2 tahun sebelumnya, serta luas wilayah, dan jumlah populasi. Variabel dalam penelitian ini antara lain: tingkat kesejahteraan masyarakat yang diukur melalui tingkat kemiskinan, indikator pendidikan dan PDRB per kapita dengan variabel kontrol jumlah penduduk, luas wilayah (daratan dan lautan), Jawa-luar Jawa, dan kabupaten/kota. Dari simpulan penelitian, Pemerintah setidaknya memiliki 2 (dua) pilihan kebijakan, pertama,apabila Pemerintah memandang bahwa pengiriman pekerja migran merupakan manifestasi ketidaksejahteraan/kemiskinan daerah kab./kota, maka Pemerintah harus mengeluarkan kebijakan yang memfokuskan pada program-program penanggulangan kemiskinan di daerah kantong PMI melalui program padat karya, meningkatkan PDRB per kapita dan Harapan Lama Sekolah (HLS), terutama di daerah kabupaten yang memiliki populasi tinggi, terutama di Jawa, dan memiliki luas wilayah yang tidak besar, dan kebijakan yang akan diambil pemerintah sekurang-kurangnya dimulai dari 2 tahun sebelumnya. Kedua, apabila pemerintah melihat pengiriman pekerja migran sebagai aset yang harus dihandel Pemerintah, fokus kebijakan pemerintah dipusatkan pada daerah terutama kabupaten yang memiliki tingkat kemiskinan tinggi, dengan HLS yang rendah, populasi tinggi, di Jawa, dengan luas wilayah yang sempit.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,073

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0220,005

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 Opus0,012
Tête enseignante GPT0,264
Écart entre enseignants0,251 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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 Kebijakan EkonomiMême sujetMigration and Labor DynamicsTravaux en français237 207