Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Kota Blitar merupakan salah satu dari 9 kota yang berada di Provinsi Jawa Timur dengan luas wilayah sebesar 32,58 km2 , dan memiliki persebaran penduduk yang tidak merata di setiap kelurahannya. Terdapat selisih sebesar 11.719 jiwa antara kelurahan dengan padat penduduk dan sepi penduduk. Tujuan penelitian ini untuk menganalisis klaster atau mengelompokkan penduduk 21 kelurahan di Kota Blitar berdasarkan faktor migrasi penduduk, kelahiran penduduk, dan kematian penduduk (mortalitas). Penelitian ini menggunakan data sekunder yang diperoleh dari Badan Pusat Statistik Kota Blitar, yaitu data kependudukan pada tahun 2019. Metode yang digunakan dalam penelitian ini adalah metode analisis klaster Fuzzy C-Means (FCM). FCM merupakan salah satu metode klaster yang mana keberadaan tiap data dalam suatu klaster ditentukan oleh derajat keanggotaannya berdasarkan pada teori logika fuzzy. Metode ini dipilih karena mampu mengelompokkan pada data yang tersebar tidak teratur. Untuk mencapai pusat klaster yang konvergen menggunakan fungsi objektif. Hasil analisa kemudian divalidasi menggunakan Partition Entropy, Partition Coefficient, dan Pseudo F. Diperoleh banyak klaster=2, perulangan sebanyak 22 iterasi, dengan fungsi objektif sebesar 98252,44. Klaster 1 terdiri dari 14 kelurahan dan klaster 2 terdiri dari 7 kelurahan.
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.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,010 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,007 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,008 |
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 découle