Kegiatan Screening Menggunakan Aplikasi dan Pemberian Vaksinasi Sinovac Pada ASN di DIY untuk Pencegahan Covid-19
Notice bibliographique
Résumé
Hingga kini pandemic virus Corona belum juga berakhir. Guna menekan kasus yang terus bertambah, pemberian vaksin COVID-19 mulai dilakukan. Pemerintah pun menganjurkan agar semua orang mendapatkannya. Saat ini, vaksin COVID-19 tengah didistribusikan ke seluruh masyarakat Indonesia. Pemberian vaksin ini merupakan solusi yang dianggap paling tepat untuk mengurangi jumlah kasus infeksi virus SARS-CoV-2 penyebab penyakit COVID-19. Tujuan yang ingin dicapai dengan pemberian vaksin COVID-19 adalah menurunnya angka kesakitan dan angka kematian akibat virus ini. Meskipun tidak 100% bisa melindungi seseorang dari infeksi virus Corona, vaksin ini dapat memperkecil kemungkinan terjadinya gejala yang berat dan komplikasi akibat COVID-19. Selain itu, vaksinasi COVID-19 bertujuan untuk mendorong terbentuknya herd immunity atau kekebalan kelompok. Hal ini penting karena ada sebagian orang yang tidak bisa divaksin karena alasan tertentu., misalnya diabetes atau hipertensi yang tidak terkontrol. Kegiatan PPM ini dilaksanakan pada hari pada hari Rabu, 17 Maret 2021 di Joga Expo Centre (JEC). Peserta dalam kegiatan ini adalah seluruh ASN yang berada di Wilayah Kota Yogyakarta. Kegiatan ini berjalan dengan baik dan berhasil. Hal ini di tunjukkan dengan sikap antusia semua peserta dalam melakukan vaksinasi berjalan dengan lancar
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 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 ».