Penyusunan Indeks Kerentanan Sosial Ekonomi Pekerja Perempuan terhadap Pandemi Covid-19 di Indonesia
Notice bibliographique
Résumé
Kemunculan pandemi Covid-19 memberikan dampak negatif pada kerentanan pekerja perempuan di Indonesia. Pada situasi pandemi, pekerja perempuan semakin rentan dalam hal keberlanjutan status kerja yang berdampak buruk pada kondisi sosial dan ekonomi mereka. Dampak pandemi Covid-19 yang dirasakan pekerja perempuan dapat memunculkan permasalahan yang lebih kompleks jika tidak diberikan perhatian khusus. Diperlukan suatu ukuran yang dapat menunjukkan kerentanan sosial ekonomi pekerja perempuan terhadap pandemi Covid-19 di Indonesia. Oleh karena itu, penelitian ini bertujuan untuk menyusun Indeks Kerentanan Sosial Ekonomi Pekerja Perempuan terhadap Pandemi Covid-19 di Indonesia dengan menganalisis data hasil Survei Angkatan Kerja Nasional (Sakernas) Agustus 2021. Metode analisis yang digunakan dalam penyusunan indeks merujuk pada pedoman OECD dengan menggunakan analisis faktor eksploratori. Hasil penelitian menunjukkan terdapat 12 indikator dalam tiga faktor yaitu hak pekerja, kondisi sosial pekerja, dan kondisi ekonomi demografi pekerja. Berdasarkan nilai IKSEPP Covid-19 didapatkan provinsi dengan nilai indeks tertinggi adalah NTB dan terendah adalah Kepulauan Riau.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 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 ».