EVALUASI ON GOING DANA ALOKASI KHUSUS FISIK BIDANG PENDIDIKAN DALAM MASA PANDEMI CORONA VIRUS DISEASE-19 BERBASIS INTELLIGENCE MEDIA MANAGEMENT (IMM)
Bibliographic record
Abstract
Alokasi DAK bidang pendidikan selalu tersedia setiap tahun dengan jumlah anggaran yang besar dibandingkan bidang yang lain, bahkan di masa pandemi COVID-19. Pada level pemerintah daerah, bidang pendidikan adalah prioritas. Kebutuhan pendanaan pemerintah daerah melalui DAK Fisik diharapkan selaras dengan keinginan pemerintah pusat. Pelaksanaan DAK Fisik Bidang Pendidikan sebagai instrumen pendanaan ke daerah pada tahun 2020 menghadapi tantangan mewabahnya COVID-19 pada bulan Maret yang mempengaruhi optimalisasi proses pembangunan. Pemerintah mengambil opsi kebijakan relaksasi untuk mempermudah implementasi DAK di lapangan. Hal ini memerlukan evaluasi on-going dengan metode sesuai keadaan saat itu sebagai masukan untuk perencanaan tahun berikutnya. Implementasi DAK Fisik dan segala menu-menunya mendorong pentingnya informasi capaian maupun kendala lapangan tetap aktual serta dapat dipertanggungjawabkan secara ilmiah. Penelitian bertujuan menyajikan kendala, informasi dan hal-hal terkait pelaksanaan DAK Fisik Bidang Pendidikan tahun 2020 saat masa pandemi COVID-19 sebagai respons kondisi terkini tanpa harus melakukan kunjungan lapangan. Metode yang digunakan adalah studi literatur dan analisis statistik berbasis big data sebagai opsi yang relevan dengan situasi saat ini dalam rangka landasan memberikan rekomendasi perencanaan pembangunan. Analisis big data memanfaatkan tools Intelligence Media Management (IMM) untuk melihat persepsi publik terkait pelaksanaan DAK Fisik Bidang Pendidikan saat pandemi COVID-19. Hasil penelitian menunjukkan bahwa sebanyak 40 persen pemberitaan terkait DAK Bidang Pendidikan selama Pandemi COVID-19 berupa sentimen positif, 17 persen negatif dan 43 persen sentimen netral. Dalam sentimen negatif, pemberitaan yang disorot adalah tuntutan agar pengelola DAK dapat segera menyelesaikan pembangunan sesuai petunjuk teknis di lapangan. Top issue pemberitaan DAK Pendidikan sebagai masukan perbaikan pembangunan adalah tentang temuan-temuan ketidaksesuaian data pokok pendidikan (DAPODIK) dengan fakta di lapangan yang pada akhirnya berdampak pada kurang tepatnya sasaran penerima DAK. Kata Kunci: Big Data, DAK, Evaluasi, Pendidikan
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 | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.018 | 0.004 |
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".