Literacy Development Through Collaborative Governance in Indonesia: An AHP Based Analysis of the Kampus Mengajar Program
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
The literacy rate in Indonesia is still declining due to the COVID-19 pandemic, causing Indonesia to rank low among all countries.Various policies implemented by the government have been carried out, one of which is the Kampus Mengajar program.The Kampus Mengajar program is one of the programs from the Directorate General of Higher Education, Ministry of Education of the Republic of Indonesia, which collaborates with various institutions, including private entities that participate in the target schools.This research discusses the determination of intervention strategies for collaboration in the Kampus Mengajar program in realizing impactful literacy improvement.The drafting process uses the theory of collaborative governance with the Analytical Hierarchy Process (AHP) model.Each stakeholder who becomes a respondent has the authority to choose priorities deemed important in establishing collaboration for the implementation of the Kampus Mengajar program to achieve literacy improvement in Indonesia.The results of this study indicate that, in collaboration for literacy improvement, stakeholders determine that building trust and commitment is the main priority in the collaboration.In addition, strategies for collaboration with both the government and the private sector have also been developed for literacy improvement.The Kampus Mengajar program has demonstrated consistent improvements in literacy learning across its successive implementations.The strategy designed in this research is expected to be used as a guideline for the collaborative-based literacy improvement process that can be implemented in every region.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle