PENGUKURAN INDEKS KEPUASAN LAYANAN INFRASTRUKTUR KOTA MALANG TAHUN 2021
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
Indeks Kepuasan Layanan Infrastruktur (IKLI) merupakan ukuran yang digunakan untuk mengetahui tingkat kepuasan masyarakat atas pembangunan infrastruktur oleh Pemerintah. IKLI dapat menjadi suatu alat untuk mengetahui gambaran perspektif masyarakat secara obyektif terkait layanan infrastruktur yang diselenggarakan oleh pemerintah. Indikator yang digunakan dalam pengukuran IKLI Kota Malang tahun 2021 meliputi ketersediaan fisik, kualitas fisik, kesesuaian, pemanfaatan, dan kontribusi terhadap perekonomian. Tujuan Penyusunan IKLI Kota Malang tahun 2021 yaitu untuk mengukur capaian indeks kepuasan layanan infrastruktur tahun 2021, menganalisis antara hasil capaian yang diperoleh pada tahun 2021 dengan target/sasaran yang telah ditetapkan, mengkomparasikan capaian indeks kepuasan layanan infrastruktur tahun 2021 dengan hasil forecasting capaian indeks kepuasan layanan infrastruktur tahun 2018-2023, mengidentifikasi dan menganalisis permasalahan-permasalahan pada hasil review capaian dan target/sasaran indeks kepuasan layanan infrastruktur, serta memberikan rekomendasi kebijakan dan langkah-langkah apa yang perlu dilakukan Pemerintah Kota Malang berdasarkan hasil penelitian. Metode analisis yang digunakan dalam penelitian ini yaitu Importance Performance Analysi, Gap Analysis, dan analisis PGCV. Hasil pengukuran IKLI Kota Malang pada tahun 2021 diperoleh nilai 4,23 yang mengalami peningkatan dari hasil pengukuran IKLI tahun sebelumnya.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 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 découle