MétaCan
Menu
Retour à la cohorte
Enregistrement W4407347127 · doi:10.58169/jpmsaintek.v3i4.639

Budidaya Lele Dalam Ember dan Upaya Pemasaran Digital Menggunakan Media Sosial

2024· article· en· W4407347127 sur OpenAlexaff
Alya Masitha, Tri Stiyo Famuji, Adiyah Mahiruna, Rahmat Riansyah, Maulana Muhammad Jogo Samodro

Notice bibliographique

RevueJurnal Pengabdian Masyarakat Sains dan Teknologi · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSMEs Development and Digital Marketing
Établissements canadiensSafran Electronics (Canada)
Organismes subventionnairesnon disponible
Mots-clésForestryGeography

Résumé

récupéré en direct d'OpenAlex

The community service program titled 'Catfish Farming in Buckets and Digital Marketing Efforts Using Social Media' aims to provide participants with both theoretical knowledge and practical skills on simple, cost-effective, and appropriate methods for catfish farming in limited spaces. This initiative responds to the needs of the Tembalang community, which seeks to engage in farming activities on limited land while also exploring ways to market their agricultural products via social media platforms. The training was conducted using a participatory approach, which incorporated theory, hands-on practice, and interactive discussions. The content of the training included, among other things, techniques for catfish farming in buckets as well as strategies for utilizing social media to market the cultivated catfish products. Participants were guided to apply proper aquaculture practices using the provided cultivation buckets and equipment, and were then asked to capture images of their farming outcomes to be used as marketing content on social media. The implementation of this activity proceeded smoothly, and the participants showed strong enthusiasm throughout the process. It is anticipated that this training will enable the Tembalang community to effectively leverage technology, particularly social media platforms such as WhatsApp, as a tool for digital marketing of their catfish farming products.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,797
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,280
Écart entre enseignants0,257 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Pengabdian Masyarakat Sains dan TeknologiMême sujetSMEs Development and Digital MarketingTravaux en français237 207