PELATIHAN TEKNISI LABORATORIUM BIOMOLEKULER KESEHATAN MASYARAKAT PROVINSI NTT UNTUK PERSIAPAN PENANGANAN SAMPEL COVID-19 SECARA POOLED-TEST
Bibliographic record
Abstract
Dengan semakin meningkatnya kasus terkonfirmasi positif COVID-19 di wilayah provinsi Nusa Tenggara Timur (NTT), suatu metode pemeriksaan diagnostik yang dapat menganalisa sampel dalam jumlah banyak dengan waktu singkat menjadi sangat imperatif untuk dilakukan. Menyikapi hal ini, sejumlah putra-putri NTT yang tergabung dalam organisasi Forum Academia NTT (FAN) memprakarsai penerapan metode pooled-test untuk analisa diagnostik sampel COVID-19 yang diharapkan dapat mengoptimalkan program pemerintah dalam mempercepat penanganan penyakit ini di wilayah NTT. Pada Maret 2020 lalu, sebanyak 13 teknisi laboratorium (laboran) telah berhasil diseleksi yang akan ditempatkan pada Laboratorium Biomolekuler Kesehatan Masyarakat Provinsi NTT, khususnya untuk menjalankan prosedur analisis sampel menggunakan metode tersebut di atas. Akan tetapi, sebelum para laboran ini siap beraktivitas, diperlukan suatu pelatihan khusus yang dapat membekali mereka dengan kompetensi dan keterampilan dasar yang diperlukan. Pada Juni 2020, pelatihan Biomolekuler tahap I telah dilaksanakan yang memiliki maksud dan tujuan tersebut. Topik pelatihan yang diajarkan berupa: Pengenalan Biosafety Lab dan Biosafety Cabinet, Teknik Penggunaan Mikropipet, Teknik Analisis DNA/RNA menggunakan metode Elektroforesis, Nano-Spektrofotometer, PCR dan qPCR, serta Pengenalan metode Pooled-test. Berdasarkan hasil observasi, para peserta dianggap telah cukup menguasai berbagai teknik Biomolekuler Dasar yang diajarkan yang diharapkan dapat berkontribusi terhadap hasil penanganan analisis sampel yang lebih akurat, terpercaya dan dapat dipertanggungjawabkan.
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 | 0.005 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 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".