MENAKAR INKLUSIVITAS KOTA DENGAN MENINJAU AKSESIBILITAS LAYANAN ESENSIAL BAGI LANSIA DI INDONESIA
Notice bibliographique
Résumé
Penuaan penduduk menghadirkan tantangan penting terkait kebutuhan fasilitas kesehatan dan grocery shop bagi populasi lansia. Meskipun penelitian sebelumnya telah mengkaji dampaknya, masih terdapat kesenjangan dalam pemahaman mengenai ketimpangan dan inklusivitas lokasi fasilitas tersebut sesuai dengan persebaran lansia. Penelitian ini bertujuan untuk mengisi kesenjangan tersebut dengan memfokuskan pada penilaian ketimpangan (Gini ratio dan kurva Lorenz) dan keberlanjutan/inklusivitas (15 minutes city) fasilitas kesehatan dan grocery shop dalam melayani kebutuhan populasi lansia pada 3 Kota di Indonesia. Hasil analisis nearest neighbor menunjukkan adanya kecenderungan klasterisasi fasilitas di ketiga kota. Selanjutnya, analisis Gini ratio dan Kurva Lorenz mengungkapkan terjadinya inefisiensi akses fasilitas, di mana ineffisiensi yang tertinggi terjadi di Kota Malang (fasilitas kesehatan) dan Kota Bandung (grocery shop). Analisis isochrone menunjukkan bahwa inklusivitas tertinggi terdapat di Kota Yogyakarta dengan cakupan pelayanan fasilitas kesehatan sebesar 92,31% dan grocery shop sebesar 82,66%. Secara keseluruhan, penelitian ini menyoroti Kota Yogyakarta sebagai kota yang paling cocok bagi lansia dengan disparitas yang rendah dan inklusivitas yang tinggi, menjadikannya kota yang layak huni bagi lansia.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
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 ».