A multi-criteria model approach for identifying priorities in road maintenance in the province of Lampung, Indonesia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The source of financing largely determines the implementation of road maintenance. Due to the limited funding capacity of the Regional Government, the performance of road maintenance cannot be handled throughout the provincial road network, so it is necessary to determine the priorities and types of maintenance that must be performed carefully and accurately following the conditions. Therefore, this article conducts a study to determine the priority scale in road maintenance in the province of Lampung (Indonesia), which is limited by the government's financial capacity to make comprehensive improvements through a multi-criteria analysis approach. The approach used is a survey method with purposive sampling, integrated with a multi-criteria analysis approach to find eigenvalues as a priority for improvement. There are at least eight groups with 238 respondents who provide input in determining the priority of road preservation in the province of Lampung. The results show that there are ten main parameter criteria to assess the implementation of road preservation in the Lampung province, including accessibility, social, regional development, economy, number of vehicles, security, congestion, road damage, road safety, and regional disparities. The results of the calculation of the multi-criteria analysis of the parameters found that the "road damage" parameter has the highest weight or eigenvalue. The following parameter that becomes the main consideration is the economic aspect and accessibility, with the second and third largest eigenvalues. The security parameter is a factor that is not considered because it is ranked the lowest.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle