Bibliographic record
Abstract
Ruang kuliah merupakan salah satu fasilitas kunci dalam penyelenggaraan kegiatan belajar-mengajar yang ada di kampus ITB. Faktanya, tidak semua ruang kuliah yang ada memiliki kondisi kenyamanan yang sama. Ada ruang kuliah yang dirasa nyaman, dan ada pula yang tidak. Padahal, sudah semestinya kondisi ruang kuliah diberi perhatian khusus karena mempengaruhi kualitas pembelajaran yang ada. Kondisi ruang kuliah juga berpengaruh dalam pencapaian tujuan pembelajaran yang efisien. Penelitian ini bermaksud untuk mencari tahu faktor-faktor yang mempengaruhi kenyamanan ruang kuliah di kampus ITB berdasarkan persepsi mahasiswa. Penelitian ini dilakukan secara kualitatif dan kuantitatif serta bersifat eksploratif dengan pendekatan grounded theory. Pengumpulan data dilakukan melalui kuesioner daring yang bersifat terbuka (open-ended) dan dibagikan dalam lingkungan mahasiswa ITB Ganesha (purposive non-random sampling). Data yang terkumpul dianalisis secara kualitatif menggunakan metode analisis isi konvensional dan secara kuantitatif dengan menggunakan metode analisis distribusi. Dari hasil analisis, ditemukan bahwa terdapat 3 faktor yang mempengaruhi kenyamanan ruang kuliah, yaitu kondisi non-fisik ruangan, kondisi fisik ruangan, fasilitas ruangan. Didukung penelitian lainnya, faktor kondisi non-fisik ruangan menjadi faktor yang paling dominan sehingga tidak dapat diabaikan lagi. Dengan demikian, segala perbaikan dan pengembangan ruang kuliah yang dilakukan pada masa kembalinya pembelajaran luring ini diharapkan dapat mengutamakan pemikiran terhadap aspek tersebut.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".