Meningkatkan Inklusi dalam Indeks Literasi Digital Nasional: Dari Pengukuran hingga Pemberdayaan
Notice bibliographique
Résumé
Direktorat Jenderal Aplikasi Informatika (Ditjen Aptika) Kementerian Komunikasi dan Informatika (Kemenkominfo) telah menyusun indeks literasi digital untuk menilai kondisi literasi digital nasional, memetakan kompetensi digital penduduk Indonesia, dan mengembangkan kerangka kerja guna mengukur literasi digital di 34 provinsi di Indonesia. Indeks ini akan membantu Ditjen Aptika untuk menyediakan pelatihan literasi digital kepada 50 juta warga Indonesia pada 2024, sebagaimana tertuang dalam Rencana Strategis (Renstra) Kemenkominfo tahun 2020-2024. Indeks literasi digital ini menggunakan instrumen penilaian diri (self-assessment) untuk mengukur kompetensi-kompetensi literasi digital utama, seperti pengetahuan dan kemampuan untuk mengoperasikan alat-alat digital. Namun, terdapat isu ketidakakuratan teknis dan operasional dalam metode penilaian ini. Akibatnya, Ditjen Aptika tidak dapat mengidentifikasi keterampilanketerampilan spesifik yang kurang dikuasai warga Indonesia atau segmen masyarakat yang membutuhkan lebih banyak dukungan literasi digital. Persoalan ini menghambat pengembangan program pelatihan literasi digital yang efektif dan tertarget. Melihat keterbatasan metode penilaian diri (self-assessment), Ditjen Aptika perlu menggunakan penilaian berbasis kinerja untuk mengevaluasi kompetensi teknis dan operasional dalam digital skill dan pengetahuan terkait aspek literasi digital lainnya, seperti digital safety, digital culture, dan digital ethics. Penilaian berbasis kinerja dapat mengevaluasi hasil berbagai tugas yang disimulasikan dengan menggunakan perangkat lunak untuk menilai kemampuan mengoperasikan perangkat keras (komputer) dan perangkat lunak (contoh: peramban web, surat elektronik, pengaturan virus/privasi), serta pengetahuan terkait komponen literasi digital lainnya (misalnya, digital safety). Ditjen Aptika perlu mempertimbangkan Penilaian Literasi Teknologi Informasi dan Komunikasi (TIK) iSkills (iSkills Assessment for ICT Literacy) yang dikembangkan oleh Educational Testing Service (ETS) karena skenario-skenario yang dinilai sesuai dengan tugas-tugas yang ditetapkan sebagai indikator dalam pilar digital skills dalam indeks literasi digital. Untuk mengevaluasi kemampuan mengenali berita palsu secara akurat, Ditjen Aptika dapat membuat pengguna mengategorikan mana judul berita yang salah dalam sekumpulan judul acak. Hal ini akan membantu DitjenAptika meningkatkan reliabilitas penilaian dan mengurangi kemungkinan pengguna hanya menebak-nebak. Uji kemampuan membedakan (discernment ability test) yang dikembangkan oleh Benjamin A. Lyons dapat dijadikan acuan. Ditjen Aptika seyogianya menyediakan opsi penilaian berbasis kertas (paper-based) untuk mengevaluasi digital skill maupun kemampuan mengidentifikasi berita palsu sebagai solusi keterbatasan akses perangkat keras dan internet di sejumlah daerah di Indonesia. Ditjen Aptika dapat mengacu kepada Uji Literasi Teknologi dan Informasi (Test of Technological and Information Literacy atau TILT) yang menguji tujuh komponen literasi TIK yang tercakup dalam iSkills Assessment ETS untuk mengembangkan penilaian berbasis kertas ini. Evaluasi keterampilan lunak (soft skills), seperti digital culture dan digital ethics, cocok dengan penilaian penilaian diri. Teknik kualitas data, seperti teknik klaim berlebihan (overclaiming), perlu diterapkan untuk memperbaiki metodologi penilaian mandiri yang digunakan oleh Ditjen Aptika. Ditjen Aptika perlu mengembangkan analisis diferensial untuk kelompok masyarakat perdesaan dan anak-anak usia sekolah yang mengidentifikasi berbagai tantangan, keterampilan, dan kapasitas unik setiap target demografi tersebut. Informasi ini akan menjadi dasar pengembangan program-program pelatihan dan dukungan literasi digital tertarget untuk memenuhi kebutuhan literasi digital segmen-segmen masyarakat yang beragam dan rentan. Ditjen Aptika dapat memanfaatkan wawasan dari indeks dengan menggunakan data indeks untuk menilai kinerja tahunan pemerintah daerah dalam meningkatkan literasi digital. Dari penilaian kinerja inilah jumlah anggaran untuk daerah dapat dialokasikan. Kebijakan ini akan mendorong pengembangan inisiatif dan strategi literasi digital yang inovatif dan tertarget serta memotivasi para pemangku kepentingan untuk mempertahankan kinerja yang baik pada indeks.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,011 | 0,006 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,043 | 0,007 |
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 ».