Model Pemberdayaan Peningkatan Kesejahteraan Masyarakat Hutan (Studi Kasus Desa Cupak, Kabupaten Jombang)
Bibliographic record
Abstract
Indonesia adalah salah satu negara dengan tingkat deforestasi hutan tertinggi di dunia. Persoalanpaling berat adalah dampaknya terhadap tingginya tingkat kemiskinan masyarakat sekitar hutan.Padahal, lebih dari tiga perempat penduduk di Indonesia menggantungkan hidupnya dari hasilhutan. Persoalan tersebut telah mencetuskan beragam program untuk mewujudkan pengelolaanhutan yang berkelanjutan, sekaligus mempunyai dampak signifikan terhadap kesejahteraanmasyarakat sekitar hutan. Tetapi, berbagai temuan empiris justru menunjukkan upayapeningkatan kesejahteraan masyarakat sekitar hutan seringkali mengalami kegagalan akibat modelpendekatan yang tidak adaptif. Penelitian ini bertujuan untuk menemukan permodelan yang tepatdalam rangka meningkatkan kesejahteraan masyarakat hutan. Berdasarkan hasil wawancaradengan pendekatan deskriptif kualitatif, ditemukan bahwa model peningkatan kesejahteraanmasyarakat hutan dipengaruhi oleh dua faktor, yaitu: (i) adanya program pemberdayaan yangmampu mengkoneksikan antara sumberdaya lokal dengan pasar potensial; dan (ii) adanyakemampuan untuk mengelola kelembagaan masyarakat lokal. Kedua faktor tersebut berdampakpositif dengan perubahan karakter masyarakat hutan yang produktif. Hasil temuan mampumemberikan inspirasi mengenai model peningkatan kesejahteraan masyarakat hutan mampumengakomodasi karakter lokal.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.024 | 0.005 |
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".