Implikasi Program bantuan Pemerintah Terhadap Peningkatan Kompetensi Guru Ngaji Di Kabupaten Jember
Bibliographic record
Abstract
Penelitian merupakan hasil kajian tentang implikasi pemberintah Kabupaten Jember yang mayoritas penduduknya beragama Islam saat ini memiliki guru ngaji mencapai 25.271, jumlah ini meningkat pesat dibandingkan dengan tahun-tahun sebelumnya yang hanya berkisar 8.000 saja. Peningkatan kuantitas guru ngaji yang sangat signifikan tersebut menarik dianalisis karena hal ini terjadi setelah pemerintah menerapkan program bantuan terhadap mereka. Apakah peningkatan kuantitas guru ngaji tersebut berbanding lurus dengan peningkatan kualitas dan kompetensi mereka atau malah sebaliknya. Hasil penelitian ini menunjukkan pertama bantuan pemerintah kabupaten terhadap jemberterhadap guru ngaji diimplementasikan dalam bentuk bantuan sosial kesejahteraan guru ngaji (Bansos).Dana bantuan gurungaji tersebut berasal dari pos belanja sosial APBD Jember. Kedua Guru ngaji di kabupaten Jember tahun 2013 yang menerima Bansos berjumlah 25.271 orang yang tersebar di di 31 kecamatan dan 247 desa/kelurahan dengan sebaran rata-rata per desa/kelurahan 110 guru ngaji. Implikasi penting dalam meningkatkan kompetensi guru ngaji di kabupaten Jember, sebab dengan tingkat kesejahteraan yang memadai seorang guru ngaji akan terdorong untuk melaksanakan tugas, peran dan fungsinya sebagai guru ngaji secara maksimal, sehingga proses pembelajaran Al-Qur’an yang dilakukannya dapat berlangsung secara optimal dan bergairah, yang dengan itu pada gilirannya tercipta suasana belajar yang menyenangkan, sehingga tujuan pembelajaran akan dicapai secara efektif dan efisien Kata Kunci : Bantuan Pemerintah, Guru Ngaji
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.062 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".