Neuroinformatics approach: Hierarchical cluster analysis of indonesian provinces based on people's welfare indicators in the realm of data science and network studies
Notice bibliographique
Résumé
The welfare of people has always piqued our interest, and it remains the primary goal of nations around the world in their development endeavors. To effectively drive development efforts, it is critical to understand the diverse welfare features that exist in different locations. Thus, the purpose of this statistical analysis is to classify Indonesian provinces based on a comprehensive set of People's Welfare Indicators, which includes Population Density (PD), Percentage of Poor Population (PPP), Life Expectancy Rate (LER), and Average Years of Schooling (AYS). The methodology used in this study is Hierarchical Cluster Analysis, which employs five distinctive techniques: Single Linkage, Average Linkage, Complete Linkage, Ward's Linkage, and the Centroid Method. The data for this study was obtained from reliable secondary sources, notably the official website of the Central Bureau of Statistics (BPS), and it provides insights on Indonesia's welfare picture in 2021. The average linkage approach shows as the most suitable of the five hierarchical cluster analysis methods used, with the closest cophenetic correlation to 1. The analysis reveals three distinctive clusters within the Indonesian context. Cluster 1 demonstrates a tendency toward low PWI (People's Welfare Index) status, while Cluster 2 exhibits a notably high PWI status. Cluster 3 occupies an intermediate position, characterized by moderate PWI status. These findings not only give useful classification but also act as an important reference point for the Indonesian government. They provide an in-depth insight into each province's distinct welfare features, supporting smart resource allocation and prioritizing aid distribution in regions of highest need. As a result, this research is an essential resource for creating equitable and effective policies and methods to improve people's well-being throughout Indonesia.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 ».