RESILIENCY OF WOMEN'S LAYOUT OF IMPACT OF THE COVID-19 PANDEMIC
Notice bibliographique
Résumé
Reflecting on the implementation of physical distancing in Greater Jakarta since March 2021 due to the COVID-19 pandemic, Indonesia's economy grew 2.97% lower than the target of 4.4%. On the same occasion, he said that state budget revenue for the first quarter of 2020 still recorded growth of 7.7 percent or 16.8 percent. Meanwhile, absorption of state spending grew slightly by 0.1 percent to 17.8 percent in the first quarter of 2020. (Hanoatubun, 2020) During the COVID-19 pandemic, more than 1.5 million workers were laid off and laid off. This study aims to measure the resilience of women who have been laid off by the impact of the COVID-19 pandemic in carrying out their roles in the family. The method in this study uses a qualitative research method with a case study approach with purposive sampling. The results of this study found that the research subjects were able to overcome the pressure that occurred by being patient, enthusiastic, optimistic about the efforts made, and able to be grateful for the existing conditions. They can recover well and remain productive in carrying out their daily activities. Positive support from the closest people also plays a role in building the resilience of each subject.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».