MétaCan
Menu
Retour à la cohorte
Enregistrement W4389301836 · doi:10.33701/ijolib.v4i2.3581

Measurement of Reading Level Index in Salatiga City

2023· article· en· W4389301836 sur OpenAlexaboutno aff
Budi Warsito, Arief Rachman Hakim, Endang Fatmawati

Notice bibliographique

RevueIndonesian Journal of Librarianship · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueEducational Methods and Media Use
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésReading (process)Index (typography)Quarter (Canadian coin)LiteracyPsychologyGeographyComputer sciencePolitical sciencePedagogyWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

Abstract Background: Concerning the increase in reading interest in Salatiga City, a scientific study is needed, which can become the basis for a policy decision so that the index will increase. Purpose: To measure the level of interest in reading people in Salatiga in 2023 comprehensively and precisely. Method: Methods using quantitative. This research was conducted using sampling techniques and research instruments, which have been determined by the National Library of Indonesia and have become national standards. The location of the research was carried out in the city of Salatiga, and sampling was done by simple random technique. Respondents amounted to 399 people with criteria aged 10-69 years. Measurements were made using five key performance indicators, namely reading frequency per week, duration of reading per day, amount of reading material per quarter, frequency of internet access per week, and duration of internet access per day. Result: The study results show that the value of the reading enthusiasm of the people in Salatiga City in 2023 is in the High category (62.13). Conclusion: Measurement of reading level index in Salatiga City to improving community reading literacy. The index value for the level of fondness for reading from the results of the 2023 study has decreased from the 2022 measurement, which had an index of 64.08. Keywords: Reading Frequency; Reading Duration; Reading Preferences; Reading Activity; Literacy Culture Abstrak Latar Belakang: Dalam kaitannya dengan peningkatan kegemaran membaca Kota Salatiga, diperlukan suatu kajian ilmiah yang dapat menjadi dasar dari suatu pengambilan kebijakan agar indeksnya semakin meningkat. Tujuan: Untuk mengukur tingkat kegemaran membaca masyarakat di Kota Salatiga tahun 2023 secara komprehensif dan tepat. Metode: Metode menggunakan kuantitatif. Penelitian ini dilakukan dengan menggunakan teknik sampling dan instrumen penelitian, yang sudah ditetapkan oleh Perpustakaan Nasional RI serta menjadi standar nasional. Lokasi penelitian dilakukan di Kota Salatiga. Pengambilan sampel dengan teknik acak sederhana. Responden berjumlah 399 orang dengan kriteria yang berusia 10-69 tahun. Pengukuran dilakukan dengan lima indikator kinerja kunci yaitu frekuensi membaca per minggu, durasi membaca per hari, jumlah bahan bacaan per triwulan, frekuensi akses internet per minggu, serta durasi akses internet per hari. Hasil: Hasil penelitian menunjukkan bahwa nilai tingkat kegemaran membaca masyarakat di Kota Salatiga tahun 2023 termasuk dalam kategori Tinggi (62,13). Kesimpulan: Pengukuran indeks tingkat gemar membaca di Kota Salatiga untuk meningkatkan literasi membaca masyarakat. Nilai indeks tingkat gemar membaca dari hasil kajian tahun 2023 ini mengalami penurunan dari pengukuran tahun 2022 yang indeksnya sebesar 64,08. Kata kunci: Frekuensi Membaca; Durasi Membaca; Preferensi Membaca; Aktivitas Membaca; Budaya Literasi

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)0,000
score de la tête « metaresearch » (Gemma)0,001
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,184
Tête enseignante GPT0,322
Écart entre enseignants0,139 · 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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIndonesian Journal of LibrarianshipMême sujetEducational Methods and Media UseTravaux en français237 207