Penguatan Desa Sebagai Garda Terdepan dalam Pencegahan dan Pemberantasan Penyalahgunaan dan Peredaran Gelap Narkoba (P4GN)
Notice bibliographique
Résumé
Indonesia menghadapi tantangan serius penyalahgunaan dan peredaran gelap narkotika yang kian meluas ke wilayah pedesaan. Policy paper ini bertujuan menganalisis efektivitas pelaksanaan Program Pencegahan dan Pemberantasan Penyalahgunaan dan Peredaran Gelap Narkotika (P4GN) di tingkat desa serta merumuskan strategi integratif untuk pengarusutamaannya. Kajian ini menggunakan pendekatan kualitatif deskriptif melalui studi literatur, telaah regulasi, dan analisis data sekunder dari BNN, UNODC, serta Kemendesa PDTT. Analisis diperkuat dengan Problem Tree Analysis dan metode USG (Urgency, Seriousness, Growth) untuk menentukan prioritas masalah. Hasil analisis mengidentifikasi tiga persoalan utama: (1) regulasi dan koordinasi yang belum terpadu, (2) kapasitas aparatur desa yang terbatas, dan (3) rendahnya pemanfaatan dana desa untuk P4GN---hanya 1,92% desa yang mengalokasikannya pada tahun 2024. Kondisi ini menyebabkan desa belum berfungsi optimal sebagai garda terdepan pencegahan narkoba berbasis komunitas. Disimpulkan bahwa efektivitas P4GN di desa memerlukan kebijakan yang operasional, kolaboratif, dan berkelanjutan dengan dukungan lintas sektor. Penguatan tata kelola desa, peningkatan kapasitas aparatur, serta optimalisasi sumber daya menjadi kunci transformasi desa dari wilayah rentan menjadi benteng ketahanan masyarakat terhadap narkotika.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,009 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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; 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 ».