Manajemen Kemitraan dalam Peningkatan Mutu Lulusan Diploma Tiga Kebidanan
Bibliographic record
Abstract
Meningkatnya jumlah perguruan tinggi kebidanan belum diimbangi dengan kualitas akibat minimnya sarana dan prasarana penunjang praktik klinik. Tujuan dari penelitian ini adalah untuk mengidentifikasi: 1) tujuan kemitraan, 2) program kemitraan, 3) pelaksanaan program kemitraan, 4) masalah dan tantangan yang dihadapi dalam kemitraan, 5) langkah perbaikan ke depan, dan 6) kualitas lulusan kemitraan. Objek penelitian ini adalah Akbid Aisyiah, RS Dr Drajat Prawiranegara, Akbid Bina Husada dan RS Kencana. Pengumpulan data dilakukan melalui observasi, wawancara dan studi dokumentasi. Hasil penelitian menunjukan bahwa: 1) tujuan kemitraan untuk meningkatkan mutu pendidikan dan mutu kompetensi lulusan, menjalin kemitraan jangka panjang dan melaksanakan tridarma PT, berupa kegiatan kemitraan kebidanan dan pelatihan penunjang kompetensi, 2) pelaksanaan kemitraan masih perlu perbaikan mulai dari pengorganisasian sampai ke strategi kemitraan, 3) masalah dan tantangan kemitraan dalam pengelolaan kemitraan dan pelaksanaan kepemimpinan, 4) langkah-langkah perbaikan ke depan yang meliputi pengelolaan, kegiatan, anggaran, sumber daya manusia, pihak terkait lainnya, dan kemitraan. Penelitian ini merekomendasikan dosen perlu dapat membagi waktu antara tugas akademik dengan tugas pembinaan mahasiswa dan perguruan tinggi kebidanan sebaiknya dapat merencanakan strategi operasional secara kerjasama.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.036 | 0.007 |
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".