Dampak Penerapan Prinsip Good University Governance Terhadap Keunggulan Bersaing Dengan Intellectual Capital Sebagai Variabel Mediasi
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Meskipun sudah ada beberapa perguruan tinggi terutama universitas yang memiliki akreditasi berpredikat baik, namun belum ada satupun universitas yang memiliki keunggulan dengan predikat A atau sangat baik. Sehingga dikatakan masih rendahnya tingkat akreditasi yang dimiliki oleh perguruan tinggi yang ada di Lampung.Tujuan penelitian ini untuk mengetahui pengaruh penerapan Intelektual Capital terhadap peningkatan keunggulan bersaing PTS di Lampung dan untuk mengetahui pengaruh penerapan prinsip-prinsip GUG terhadap keunggulan bersaing melalui Intellectual Capital di PTS Lampung.Metode penelitian yang dipergunakan adalah metode penelitian survey, menggunakan purposive sampling dengan kriteria sampel yang diambil adalah dosen tetap yayasan dan dosen pembantu kopertis yang telah bekerja/bertugas di PTS lebih dari satu tahun serta mahasiswa dari perguruan tinggi baik sekolah tinggi maupun akademi swasta terbaik di Lampung dan dari banyaknya jumlah mahasiswanya.Jenis penelitian yang dipergunakan adalah explanatory research.Pengumpulan data dalam penelitian ini menggunakan kuesioner, sedangkan pengolahan datanya menggunakan alat analisis Smart PLS. Hasil penelitian menunjukkan bahwa semakin tinggi penerapan Good University Governancemaka semakin tinggi pula keunggulan bersaing yang dimediasi dengan Intellectual Capital. Hal ini mengimplikasikan bahwa penerapan Good University Governance yang tinggi pada suatu perguruan tinggi swasta akan meningkatkan keunggulan bersaing dengan didukung oleh peranan yang kuat dari para dosen, staff/karyawan, mahasiswa dan dukungan manajemen stakeholder. Kata Kunci :Good University Governance, Intellectual Capital, Keunggulan Bersaing.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 it