Analisa Kebijakan Program DBDklim dalam Mitigasi Penyebaran Demam Berdarah Dengue di DKI Jakarta
Notice bibliographique
Résumé
Sampai dengan 31 Mei 2024, terdapat 9.261 kasus DBD dengan 22 kematian. Case Fatality Rate (CFR) Mei 2024 mencapai 0,24%, walaupun masih tercapai indikator program DBD yakni CFR <1% namun tertinggi dibanding 5 tahun terakhir. Tujuan penelitan adalah menemukan permasalahan belum optimalnya kebijakan Peringatan dini DBD berbasis iklim (DBDKlim) serta menyusun usulan rekomendasi kebijakan di DKI Jakarta. Metodologi yang digunakan dalam proses policy paper ini adalah Analisa SOAR (Strenghts, Opportunity, Aspiration and Result) dan wawancara. Hasil analisis SOAR, maka strategi yang dipilih adalah: 1). Strategi SA: Menggunakan Kekuatan Menjadi Harapan  (635), 2). Strategi SR: Menggunakan Kekuatan untuk Mencapai Hasil yang Terukur (565), 3). Strategi OA: Menggunakan Peluang untuk Mencapai Harapan (650), 4). Strategi OR: Menggunakan Peluang untuk Mencapai Hasil yang Terukur (560). Strategi OA merupakan strategi dengan nilai tertinggi, maka konsepsi optimalisasi peran DBDKlim adalah Peluang untuk mencapai Aspirasi/Harapan. Kesimpulan dan rekomendasi yaitu Optimalisasi kebijakan DBDKlim untuk menekan jumlah korban DBD, terutama dalam peningkatan sebaran data level kecamatan, kabupaten hingga level Nasional melalui perubahan instruksi Gubernur dan Peraturan Menteri Kesehatan.
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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».