Assessing Internet Quality Across Public Health Centers in Indonesia: Cross-Sectional Evaluation Study
Notice bibliographique
Résumé
Background: Primary health care centers (Puskesmas) serve as the cornerstone of Indonesia's health care system, providing integrated services aimed at improving individual health through prevention, treatment, and health promotion. To fulfill these roles effectively, robust technological infrastructure, particularly reliable internet connectivity, is increasingly essential. Assessing the availability and quality of internet access in Puskesmas is therefore a critical step in understanding their readiness to implement digital health initiatives and fulfill their responsibilities in delivering accessible and effective healthcare services. Objective: This study provides a national baseline assessment of internet quality and its relevant IT infrastructure in more than 10,000 Puskesmas across Indonesia. Methods: A cross-sectional survey was conducted throughout all Puskesmas (10,382) in 34 provinces in Indonesia, using an online questionnaire. Categorization was done to analyze internet quality level results. Results: A total of 10,378 out of 10,382 public health centers (99.96%) participated in this study. Overall, 745 of 10,382 (7.18%) did not have internet access, 1487 (14.33%) had limited internet access, 5567 (53.64%) had sufficient internet access, and 2579 (24.85%) had sufficient and fast internet access. Moreover, 832 of 10,382 Puskesmas (8.02%) did not have 24-hour electricity, 44,196 (43.7%) had a central processing unit (CPU) with i3 specifications, 43,044 (42.56%) had 512 GB hard disk capacity, and 67,272 (66.5%) used antivirus. Conclusions: Although 79% (8201/10,382) of Puskesmas in Indonesia already had sufficient internet access, 21% (2180/10,382) still have limited and insufficient access. To ensure universal internet availability, it is essential to build collaborative support among internet providers and government to foster the availability and use of internet satellites, high-quality computers, and electrical power to support internet connectivity.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».