Policy Learning of One Data Indonesia for Supporting Data-Driven Policy
Notice bibliographique
Résumé
The One Data Indonesia policy, established through Presidential Regulation No. 39 of 2019, is a strategic initiative to support evidence-based decision-making through integrated and accessible data governance. This article explores policy learning in its implementation as a foundation for data-driven policymaking in Indonesia. This research uses a post-positivist paradigm where post-positivism uses theory as a guideline for research and acknowledges that values influence the interpretation of qualitative data. A descriptive qualitative method is used to explore the implementation dynamics of the policy in depth. An event or phenomenon of implementing the One Data Indonesia policy with policy learning theory as an analytical framework through semi-structured interviews and literature studies. The results show that the implementation of One Data Indonesia reflects three forms of policy learning (Howlett et al., 2017): cognitive-technical (improving data quality and interoperability), socio-political (cross-agency coordination), and institutional (strengthening regulations and data-based organisational culture). However, challenges such as sectoral ego, data fragmentation, and capacity constraints remain significant. In conclusion, strengthening the legal framework, data literacy, and interoperability is needed to optimise data-based policies in Indonesia. With an in-depth understanding of the policy learning process, this research provides strategic insights for policymakers in optimising the potential of data as a national strategic asset. Specifically, this study contributes by mapping concrete patterns of policy learning that can be replicated or adapted in future national data governance reforms. Effective implementation is expected to support more targeted and efficient development planning.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».